Régression quantile: quelles erreurs-types?

La summary.rqfonction de la vignette quantreg fournit une multitude de choix pour les estimations d'erreur standard des coefficients de régression quantile. Quels sont les scénarios spéciaux où chacun devient optimal / souhaitable?

"rang" qui produit des intervalles de confiance pour les paramètres estimés en inversant un test de rang tel que décrit dans Koenker (1994). L'option par défaut suppose que les erreurs sont iid, tandis que l'option iid = FALSE implémente la proposition de Koenker Machado (1999). Consultez la documentation de rq.fit.br pour des arguments supplémentaires.
"iid" qui suppose que les erreurs sont iid et calcule une estimation de la matrice de covariance asymptotique comme dans KB (1978).
"nid" qui suppose une linéarité locale (en tau) (en x) des fonctions quantiles conditionnelles et calcule une estimation sandwich de Huber à l'aide d'une estimation locale de la densité.
"ker" qui utilise une estimation du noyau du sandwich proposée par Powell (1990).
"boot" qui implémente une ou plusieurs alternatives d'amorçage possibles pour estimer les erreurs standard.

J'ai lu au moins 20 articles empiriques dans lesquels cela s'appliquait soit dans la série chronologique, soit dans la dimension transversale, et je n'ai vu aucune mention du choix de l'erreur type.

r standard-error quantile-regression estimators

— Jase
source

J'espère que vous obtiendrez de nombreuses réponses à cette excellente question. Nous avons besoin de conseils dans ce domaine. Une autre approche, facilitée par la fonction rmsdu progiciel R , bootcovconsiste à enregistrer les coefficients de régression de réplication bootstrap ( s) et à utiliser l’approche d’intervalle de confiance centile non paramétrique bootstrap pour obtenir des intervalles de confiance pour tout contraste (combinaison de s) d’intérêt.

β

$\beta$

β

$\beta$

— Frank Harrell

Excellente question, on m'a dit en classe "toujours utiliser bootstrapping" mais je ne sais pas exactement pourquoi, car je ne suis pas familier avec la théorie qui sous-tend les autres méthodes.

— Max Gordon

Avez-vous parcouru l'étude Koenker et Hallock (2000): La régression quantile: une introduction ( econ.uiuc.edu/~roger/research/intro/rq.pdf )? Bootstrap est préférable car il ne fait aucune hypothèse sur la distribution de la réponse (p. 47, Régressions quantiles, Hao et Naiman, 2007). Notez également que les "... hypothèses pour la procédure asymptotique ne sont généralement pas vérifiées, et même si ces hypothèses sont satisfaites, il est difficile de résoudre l'erreur standard des décalages d'échelle et d'asymétrie construits (p. 43). . "

— Métriques

Le rééchantillonnage bootstrap ne suppose-t-il pas que l'uniforme précédent est non informatif?

— EngrStudent

@Metrics: Peut-être devriez-vous poster cela comme réponse?

— naught101

Avez-vous parcouru l'étude Koenker et Hallock (2000): La régression quantile: une introduction (econ.uiuc.edu/~roger/research/intro/rq.pdf)? Bootstrap est préférable car il ne fait aucune hypothèse sur la distribution de la réponse (p. 47, Régressions quantiles, Hao et Naiman, 2007). Notez également que les "... hypothèses pour la procédure asymptotique ne sont généralement pas vérifiées, et même si ces hypothèses sont satisfaites, il est difficile de résoudre l'erreur standard des décalages d'échelle et d'asymétrie construits (p. 43). . "

— Métrique
source