各变量含义
待估计方程:
QYt[τ∣Zt−1]=a(τ)+Yt−1,p′α(τ)+Xt−1,q′β(τ)=Zt−1′θ(τ)
其中,
a(τ)为截距项,
α(τ)和
β(τ)为回归系数列向量;
θ(τ)为回归系数向量,
a(τ)=[alpha(τ),α(τ)′,β(τ)′]′
Yt−1,p′=(Yt−1,⋯,Yt−p)
Xt−1,q′=(Xt−1,⋯,Xt−q)
Zt−1′=(Yt−1,p′,Xt−1,q′)
Wald检验量为:
WT(τ)=Tτ(1−τ)β^(τ)′Σ^(τ)−1β^(τ)
Sup-Wald检验量为:
supWT=i=1,⋯,nsupWT(τi)
Python在进行分位数回归时,方差默认为核估计
分位数方差核密度估计原理(基于Eviews帮助文件)
独立但不同分布假设下的参数渐近分布
当分位数密度函数独立但不同分布即与解释变量X相关时,
T
(β^(τ)−β(τ))的渐近分布服从Huber sandwich形式:
T
(β^(τ)−β(τ))∼N(0,τ(1−τ)H(τ)−1JH(τ)−1)
其中
T为样本容量,
τ为分位点,
β^(τ)为
τ分位点下回归系数估计量,
N为正态分布,
Xi为解释变量矩阵;
J=n→∞lim(i∑TXiXi′)=n→∞lim(TXX)
H(τ)=T→∞lim(i∑XiXi′fi(qi(τ))/T)
fi(qi(τ))是个体
i在
τ分位点上的条件密度函数。使用核密度进行估计:
H^(τ)=(1/T)i=1∑TcT−1K(u^(τ)t/cT)XiXi′
其中
u^(τ)i表示分位数回归的残差;
cT为带宽,估计原理见下文;表示
κ核密度函数。EViews中可以选择的核密度函数有Epanechnikov核函数(默认)、均匀 (Uniform) 核函数、三角(Triangular)核函数、二权(Biweight)核函数、三权(Triweight)核函数、正态(Normal)核函数、余弦(Cosinus)核函数,具体函数形式见图。
cT的估计原理:
cT=κ(Φ−1(τ+hn)−Φ−1(τ−hn))
其中
κ=min(s,IQR/1.34),
IQR为四分位距,
IQR=Q3−Q1;
s为残差的标准差;
hn是Siddiqui带宽,
hn=T−1/3Zα2/3(2(Φ−1(τ))2+11.5(φ(Φ−1(τ)))2)1/3
Φ表示正态分布的积累分布函数,
Φ−1表示正态分布的逆函数,
φ表示正态分布的密度函数,
Zα=Φ−1(1−α/2)为选择的显著性水平
α对应的
Z值。
文中只列出一种方差的估计原理,更多内容详见Eviews 8帮助文件