Kuantil Regresyonu
Quantile Regression · Ayrıca şöyle bilinir: conditional quantile regression, regression quantiles, Kantil Regresyon
Kuantil regresyon modelleri, En Küçük Kareler (OLS) yönteminin hedeflediği koşullu ortalama yerine, sonuç değişkeninin koşullu kuantillerini – medyan, 25. veya 75. yüzdelik dilim vb. – modeller. Koenker ve Bassett tarafından 1978'de tanıtılan bu yöntem, öngörücülerin dağılımın tamamı üzerindeki, kuyrukları da dahil olmak üzere etkilerini ortaya koyar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+51 tane daha
Ne zaman kullanılır
Sonuç değişkeninin sürekli (veya sayım) olduğu ve ortalamanın ötesindeki etkilerle – örneğin dağılımın kuyrukları veya sonuç değişkeninin düşük, orta ve yüksek değerleri arasında farklılık gösteren heterojen etkilerle – ilgilendiğiniz durumlarda kuantil regresyonunu kullanın. Doğrusal bir kuantil fonksiyonu varsayar ve heterojen etkilerin ilgi konusu olduğu durumlarda OLS'ye tercih edilir. Makul bir örneklem gereklidir (en az yaklaşık 50 gözlem) ve standart hatalar bootstrap ile hesaplanmalıdır.
Güçlü yönler & sınırlılıklar
- Sadece koşullu ortalama ile sınırlı kalmayıp, dağılımın tamamı üzerindeki etkileri tahmin ederek kuyruk davranışlarını ve heterojen etkileri ortaya çıkarır.
- Normal dağılımlı hatalar gerektirmez ve sonuç değişkenindeki aykırı değerlere karşı dayanıklıdır.
- Araştırma sorusu heterojen tedavi veya öngörücü etkileriyle ilgili olduğunda doğrudan OLS'ye tercih edilir.
- Doğrusal bir koşullu kuantil fonksiyonu varsayar.
- Standart hatalar, kapalı form OLS çıkarımından daha karmaşık olan bootstrap ile elde edilmelidir.
- Aşırı kuantilleri (örneğin 5. veya 95. yüzdelik dilim) güvenilir bir şekilde tahmin etmek için çok küçük örneklemlerle çalışmak.
SSS
OLS, sonuç değişkeninin koşullu ortalamasını tahmin ederken, kuantil regresyonu medyan veya 25. ve 75. yüzdelik dilimler gibi koşullu kuantilleri tahmin eder. Bu, bir öngörücünün dağılımın farklı noktalarında farklı etkilere sahip olmasına izin verir, tek bir ortalama etki yerine.
Neden bootstrap standart hataları önerilir?
Kontrol kaybı tahmin edicisi, OLS gibi basit bir kapalı form varyansına sahip değildir, bu nedenle standart hataları ve güven aralıkları genellikle bootstrap yeniden örneklemesi ile tahmin edilir, bu da güçlü dağılımsal varsayımlar olmadan güvenilir çıkarım sağlar.
Kontrol (pinball) kaybı nedir?
Bu, mutlak artıkların asimetrik ağırlıklı bir toplamıdır: pozitif ve negatif artıklar sırasıyla τ ve 1−τ ile ağırlıklandırılır. Bunu minimize etmek, tıpkı karesi alınmış artıkların minimize edilmesinin koşullu ortalamayı vermesi gibi, τ-ıncı koşullu kuantili verir.
Ne zaman OLS yerine kuantil regresyonunu tercih etmeliyim?
Dağılımın kuyruklarındaki etkilere önem verdiğinizde veya bir öngörücünün etkisinin düşük, orta ve yüksek sonuç değerleri arasında heterojen olduğunu düşündüğünüzde seçin. Yalnızca ortalama etki önemliyse, OLS daha basittir ve yeterlidir.
StatWise'da kuantil regresyonunu kendi verileriniz üzerinde doğrudan çalıştırın - veri setinizi yükleyin, sonuç değişkenini ve öngörücüleri seçin, ilgi duyduğunuz kuantilleri (örneğin 0.25, 0.50, 0.75) seçin ve tek bir yerde bootstrap güven aralıklarıyla birlikte kuantil başına katsayıları alın.
Kaynaklar
- Koenker, R. & Bassett, G., Jr. (1978). Regression Quantiles. Econometrica, 46(1), 33-50. DOI: 10.2307/1913643 ↗
- Koenker, R. (2005). Quantile Regression. Cambridge University Press. DOI: 10.1017/CBO9780511754098 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Quantile Regression. ScholarGate. https://scholargate.app/tr/econometrics/quantile-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Lasso RegresyonuMakine öğrenmesi↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Panel Veri Sabit Etkiler ModeliEkonometri↔ karşılaştır
- Poisson ve Negatif Binom RegresyonuEkonometri↔ karşılaştır
- Ridge Regression (Sırt Regresyonu)Makine öğrenmesi↔ karşılaştır