Bayesian Quantile-on-Quantile Regression
Ayrıca şöyle bilinir: Bayesian QQR, Bayesian QQ regression, Bayes quantile-on-quantile, BQQ regression
Bayesian Quantile-on-Quantile (BQQ) Regression, Sim-Zhou quantile-on-quantile çerçevesini, sıkıştırmacı (frequentist) yerel doğrusal kestirimin yerine Bayesci sonsal çıkarımını koyarak genişletir. Her bir kantil çifti (sonucun $\theta$ kantili, öngörecinin $\tau$ kantili) için yöntem, eğim üzerinde tam bir sonsal dağılım sunar; bu da tüm iki değişkenli kantil yüzeyi boyunca belirsizlik ölçümüne olanak tanır — bu, örneklem boyutlarının orta düzeyde olduğu ve kuyruk kantillerinin seyrek olduğu durumlarda önemli bir avantajdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İki değişken arasındaki ilişkinin her iki değişkenin kantilleri boyunca temelden farklılaştığından şüphe duyduğunuzda — örneğin, enerji-hisse senedi bağlantıları, kripto volatilitesi sıçramaları veya eşitsizlik-büyüme bağıntısı — ve özellikle verilerin seyrek olduğu kuyruklarda belirsizlik bantlarına ihtiyacınız olduğunda Bayesian QQ regresyonunu kullanın. Özellikle örneklem boyutlarının orta düzeyde olduğu (yaklaşık 100–500 gözlem) ve sıkıştırmacı yerel doğrusal tahminlerin aşırı kantil çiftlerinde gürültülü olduğu durumlarda değerlidir. Örneklemin büyük olduğu (n > 1000) ve hesaplama hızının önemli olduğu durumlarda standart sıkıştırmacı QQ yaklaşımını tercih edin. Koşullu ilişkinin kantiller boyunca doğrusal ve homojen olarak iyi yaklaşıldığı durumlarda BQQ kullanmayın — standart Bayesci OLS veya kantil regresyonu daha basittir ve daha iyi kalibre edilmiştir.
Güçlü yönler & sınırlılıklar
- Her bir ($\theta$, $\tau$) hücresinde tam sonsal belirsizlik sağlar, nokta tahminlerinin güvenilmez olduğu kuyruk bağımlılığı için güven aralıkları dahil.
- Heterojen bağımlılığı yakalar: eğim, hem öngörücü kantili hem de sonuç kantili boyunca serbestçe değişebilir, bu da asimetrik ve doğrusal olmayan birlikte hareket desenlerini ortaya çıkarır.
- Önsel bilgiyi içerir — kuyruk bağımlılığının yönü (örn. ayı piyasalarında negatif birlikte hareket) hakkında teorinin kısıtladığı durumlarda kullanışlıdır.
- ALD olabilirlik fonksiyonu, mevcut Bayesci kantil regresyon teorisiyle (Yu ve Moyeed, 2001) doğal olarak bağlantı kurarak tutarlı bir çıkarım çerçevesi sunar.
- Yorumlanabilir yüzeyler üretir: araştırmacılar, genel ilişkiyi hangi kantil kombinasyonlarının yönlendirdiğini görsel olarak belirleyebilir.
- Hesaplama açısından pahalıdır: MCMC, ($\theta$, $\tau$) gridindeki her nokta için çalıştırılmalıdır ve zaten 10×10'luk bir grid yüz binlerce sonsal çizim gerektirir.
- ALD çalışma olabilirlik fonksiyonu geçerli kantil tahminleri üretir ancak bu bir sözde-olabilirlik fonksiyonudur; marjinal olabilirlik yoluyla resmi Bayesci model karşılaştırması dikkat gerektirir.
- Aşırı kantil çiftleri ($\theta$ veya $\tau$ 0 veya 1'e yakın) çok az etkin gözleme sahiptir, bu nedenle sonsal dağılımlar önsel dağılımdan bağımsız olarak geniş kalır ve sonuçlar bant genişliği seçimine duyarlıdır.
- Yöntemi standartlaştıran yaygın olarak benimsenmiş bir yazılım paketi yoktur; uygulamalar farklılık gösterir, bu da sıkıştırmacı QQ regresyonundan daha zor tekrarlanabilirlik anlamına gelir.
SSS
Bayesian QQ regresyonu, standart Bayesci kantil regresyonundan nasıl farklıdır?
Standart Bayesci kantil regresyonu, öngörücüyü sabit tutarak, sonucun $\theta$-ıncı kantilini öngörücünün tek bir doğrusal fonksiyonu olarak tahmin eder. BQQ ayrıca, eğimin öngörücü kantilleri boyunca ($\tau$ ile indekslenmiş) değişmesine izin vererek, tek bir katsayı vektörü yerine iki boyutlu bir yüzey üretir.
($\theta$, $\tau$) için kaç grid noktası kullanmalıyım?
Yaygın uygulama, her boyutta 0.1'den 0.9'a kadar eşit aralıklı 9×9 veya 10×10'luk bir griddir. Daha ince gridler daha pürüzsüz yüzeyler sağlar ancak hesaplamayı katlar; örneklem büyük olmadıkça 0.05'in altındaki veya 0.95'in üzerindeki grid noktalarından kaçının.
Yerel yaklaşım için hangi bant genişliğini seçmeliyim?
Bant genişliği, her yerel regresyona kaç gözlemin katkıda bulunduğunu yönetir. Yaygın bir kural, $h = n^{-1/5}$'tir; alternatif olarak, Bayesci çerçeve içinde çapraz doğrulama, $h$'yi tahminci log-olabilirlik ile seçebilir. İki veya üç bant genişliği seçeneği üzerinde duyarlılık analizi önerilir.
Panel verileriyle BQQ kullanabilir miyim?
Evet, ancak panel uzantıları ek modelleme seçimleri gerektirir — her bir ($\theta$, $\tau$) hücresindeki kesişim için sabit veya rastgele etkiler. 2024 itibarıyla, panel BQQ için özel yazılımlar sınırlıdır; araştırmacılar tipik olarak verileri havuzlar veya kesit başına modeli ayrı ayrı çalıştırırlar.
MCMC zincirlerinin yakınsamasını nasıl değerlendiririm?
Standart tanı ölçütlerini uygulayın: tüm parametreler için R-hat 1.01'in altında, hücre başına etkin örneklem boyutu 400'ün üzerinde ve iz-grafik incelemesi. Model her bir ($\theta$, $\tau$) noktasında bağımsız olarak çalıştırıldığı için, aşırı hücrelerdeki yakınsama sorunları iç tahminleri geçersiz kılmaz.
Kaynaklar
- Sim, N., & Zhou, H. (2015). Oil prices, US stock return, and the dependence between their quantiles. Journal of Banking and Finance, 55, 1–8. DOI: 10.1016/j.jbankfin.2015.01.013 ↗
- Yu, K., & Moyeed, R. A. (2001). Bayesian quantile regression. Statistics and Probability Letters, 54(4), 437–447. DOI: 10.1016/S0167-7152(01)00124-9 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Quantile-on-Quantile Regression. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-quantile-on-quantile-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes ARDL Sınır TestiEkonometri↔ karşılaştır
- Bayesçi VAR Modeli (BVAR)Ekonometri↔ karşılaştır
- Bayesci Vektör Hata Düzeltme Modeli (Bayesian VECM)Ekonometri↔ karşılaştır
- Doğrusal Olmayan ARDL (NARDL) ModeliEkonometri↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır
- Kuantil-Üzeri-Kuantil (QQ) RegresyonuEkonometri↔ karşılaştır