Kuantil-Üzeri-Kuantil (QQ) Regresyonu
Quantile-on-Quantile Regression · Ayrıca şöyle bilinir: QQ regression, QQ approach, quantile-on-quantile approach, nonparametric quantile regression
Kuantil-üzeri-kuantil regresyonu, bir değişkenin kuantillerinin diğerinin kuantillerine nasıl bağlı olduğunu tahmin eden parametrik olmayan bir tekniktir. Standart kuantil regresyonunu yerel doğrusal düzeltme ile birleştirerek, sonuç değişkeninin kuantiline ve öngörücü değişkenin kuantiline göre indekslenen tam iki boyutlu bir eğim katsayıları yüzeyi üretir; bu da standart regresyonun görünmez kıldığı heterojen ve asimetrik bağımlılık yapılarını ortaya çıkarır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+2 tane daha
Ne zaman kullanılır
QQ regresyonu, iki değişken arasındaki ilişkinin hem sonuç dağılımı hem de öngörücü dağılımı boyunca heterojen olduğunu düşündüğünüzde uygundur — bu durum finans (petrol fiyatları ve hisse senedi getirileri), enerji ekonomisi ve kriz dönemlerindeki makro bağlantılarda yaygındır. Özellikle kuyruk bağımlılığı, asimetri veya rejim özgü etkilerin teorik olarak beklendiği durumlarda değerlidir. Standart kuantil regresyonunun zaten sabit olmayan eğriler ortaya çıkardığı ve bu heterojenliğin aynı zamanda öngörücünün kendi seviyesi tarafından da yönlendirilip yönlendirilmediğini anlamak istediğinizde kullanın. Örneklem küçük olduğunda (kabaca 200 gözlemden az), ilişkinin küresel olarak doğrusal ve simetrik olduğuna inanıldığında veya politika raporlaması için gösterişli bir model gerektiğinde QQ regresyonu kullanmayın — bu durumlarda standart OLS veya kuantil regresyonu daha uygundur ve iletişim kurması daha kolaydır.
Güçlü yönler & sınırlılıklar
- Standart regresyon, GARCH veya hatta düz kuantil regresyonunun maskeleyeceği iki değişken arasındaki asimetrik ve kuyruğa özgü bağımlılıkları ortaya çıkarır.
- Parametrik Olmayan: hata terimi hakkında herhangi bir dağılım varsayımı gerekmez.
- Heterojenliği sezgisel olarak ileten zengin bir grafiksel özet (eğim yüzeyi) sağlar.
- Kuantil kontrol fonksiyonu kare hata kaybından daha az hassas olduğundan, aykırı değerlere ve ağır kuyruklu dağılımlara karşı dayanıklıdır.
- Eğimin öngörücü kuantilleri boyunca sabit olduğu özel bir durum olarak standart kuantil regresyonunu içerir.
- Her yerel regresyon verinin yalnızca bir kesimini kullandığı için orta derecede büyük bir örneklem (ideal olarak 200+ gözlem) gerektirir.
- Sonuçlar bant genişliği seçimine duyarlıdır; kötü bant genişliği seçimi aşırı düzeltilmiş veya gürültülü yüzeyler üretebilir.
- Çıkarım (eğim yüzeyi için güven aralıkları) bootstrap yeniden örneklemesi gerektirir ve hesaplama açısından yoğun olabilir.
- İki boyutlu eğim yüzeyinin yorumlanması karmaşık olabilir ve uzman olmayan kitlelere iletilmesi zor olabilir.
SSS
Standart kuantil regresyonundan nasıl farklıdır?
Standart kuantil regresyonu, her sonuç kuantili ($\theta$) için X'in tüm değerleri üzerinden ortalama alınan tek bir eğim tahmin eder. QQ regresyonu ek olarak X'in kuantiline ($\tau$) göre koşullandırır, böylece eğim her $(\theta, \tau)$ kombinasyonunda tahmin edilir. Sonuç, tek bir kuantil eğrileri eğrisi yerine bir yüzeydir.
Hangi bant genişliği kullanılmalı?
Bant genişliği $h$, öngörücü kuantil uzayındaki çekirdek penceresinin genişliğini kontrol eder. Silverman'ın kuralı veya bırak-bir-çapraz-doğrulama yaygın başlangıç noktalarıdır. Yüzeyi yorumlamadan önce birkaç bant genişliği değeri üzerinden duyarlılık analizi şiddetle tavsiye edilir.
Eğim yüzeyinin belirli bir bölgesinin istatistiksel olarak anlamlı olup olmadığını nasıl test ederim?
Bootstrap güven aralıkları standart yaklaşımdır. Her seferinde birçok bootstrap örneği çekin, QQ yüzeyini yeniden uydurun ve nokta bazında veya eşzamanlı güven bantları oluşturmak için her $(\theta, \tau)$ hücresindeki bootstrap eğimlerinin ampirik dağılımını kullanın.
QQ regresyonu panel verilere uygulanabilir mi?
Orijinal yöntem kesitsel veya zaman serisi çiftleri için tasarlanmıştır. Panel ayarları için uzantılar literatürde mevcuttur (havuzlanmış QQ panel regresyonu), ancak birim içi heterojenlik hakkında ek varsayımlar gerektirirler ve temel yaklaşımdan daha az standartlaşmıştır.
Kaç gözleme ihtiyacım var?
Pratik bir kural olarak, aşırı kuantil kombinasyonlarındaki (örneğin, $\theta$ = 0.1, $\tau$ = 0.9) yerel tahminlerin makul sayıda veri noktasına dayanması için en az 150-200 gözlem tavsiye edilir. Daha küçük örneklemlerde, kuyruklardaki tahminler güvenilmezdir.
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 ↗
- Koenker, R., & Bassett, G. (1978). Regression quantiles. Econometrica, 46(1), 33-50. DOI: 10.2307/1913643 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Quantile-on-Quantile Regression. ScholarGate. https://scholargate.app/tr/econometrics/quantile-on-quantile-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARMA Modeli (Otokoregresif Hareketli Ortalama)Ekonometri↔ karşılaştır
- DCC-GARCH Modeli (Dinamik Koşullu Korelasyon)Ekonometri↔ karşılaştır
- Granger Nedensellik TestiEkonometri↔ karşılaştır
- Doğrusal Olmayan ARDL (NARDL) ModeliEkonometri↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır