Sağlam Nicem-Üzeri-Nicem (RQQR) Regresyonu
Robust Quantile-on-Quantile Regression · Ayrıca şöyle bilinir: RQQR, robust QQ regression, robust quantile-on-quantile, outlier-robust QQR
Sağlam Nicem-Üzeri-Nicem Regresyonu, Sim ve Zhou (2015) tarafından geliştirilen QQ çerçevesini, aykırı değerlere ve ağır kuyruklu dağılımlara karşı direnç ekleyerek genişletir. Bir değişkenin her bir niceminin, başka bir değişkenin her bir nicemine nasıl yanıt verdiğini tahmin eder, tam bir bağımlılık yüzeyi üretirken standart QQ tahminlerini bozan kaldıraç noktalarına karşı koruma sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tam nicemden-niceme bağımlılığını iki sürekli değişken arasında karakterize etmeniz gerektiğinde ve veriler finansal ve makroekonomik zaman serilerinde yaygın olan aykırı değerler, ağır kuyruklu dağılımlar veya kriz kaynaklı aşırı gözlemler içerdiğinde RQQR kullanın. Özellikle kuyruk bağımlılığının ana araştırma sorusu olduğu enerji ekonomisi, finansal bulaşma ve emtia piyasası çalışmaları için uygundur. Örneklem küçük olduğunda (100-200'den az gözlem) kaçının, çünkü yerel parametrik olmayan tahmin, X'in her nicemi yakınında yeterli gözlem gerektirir; ayrıca, tek bir doğrusal katsayının yorumlanabilirliği tam bağımlılık yüzeyinden daha önemliyse de kaçının.
Güçlü yönler & sınırlılıklar
- Ortalama veya tek bir nicemdeki değil, tam ortak dağılım boyunca heterojen bağımlılığı ortaya çıkarır.
- Sağlam varyant, finansal ve makroekonomik zaman serilerini sıklıkla kirleten aykırı değerlere ve kalın kuyruklara karşı koruma sağlar.
- Parametrik olmayan çekirdek ağırlıklandırması, X–Y ilişkisi üzerinde herhangi bir fonksiyonel form varsayımı yapmaz.
- Isı haritası olarak görselleştirilebilen yorumlanabilir bir iki boyutlu eğim yüzeyi üretir.
- Hata terimi üzerinde dağılımsal varsayımlar olmaksızın hem zaman serisi hem de kesitsel verilere uygulanabilir.
- Hesaplama açısından yoğundur: yerel nicem regresyonu, nicem çözünürlüğüyle karesel olarak büyüyen (τ, θ) çiftleri ızgarası üzerinde çözülmelidir.
- Çekirdek tahminlerinin kuyruklarda kararlı olması için orta derecede büyük örneklere (en az 100-200 zaman periyodu) ihtiyaç duyar.
- Bant genişliği h ve çekirdek fonksiyonunun seçimi, tahmin edilen yüzeyin şeklini önemli ölçüde etkiler; evrensel olarak optimal bir seçici mevcut değildir.
- Bootstrap yoluyla çıkarım zaman alıcıdır ve sonuçlar, bağımlı veriler için seçilen bootstrap şemasına duyarlı olabilir.
SSS
RQQR standart nicem regresyonundan nasıl farklıdır?
Standart nicem regresyonu, Y'nin koşullu niceminin X'teki bir birimlik değişimle nasıl kaydığını tahmin eder ve X'in tüm değerleri boyunca tek bir doğrusal eğim varsayar. QQ regresyonu, bu eğimin gözlemin X'in hangi niceminde olduğuna bağlı olarak değişmesine izin vererek bir eğim yüzeyi üretir. Sağlam varyant ek olarak her yerel uydurmadaki aykırı değerlerin ağırlığını azaltır.
Bir 'nicem-üzeri-nicem eğim yüzeyi' neye benzer?
X'in niceminin bir eksen ve Y'nin niceminin diğer eksen olduğu bir ısı haritasıdır. Her hücre tahmini eğim β(τ, θ)'yı gösterir: pozitif ve anlamlı bir değer, X'in τ-inci nicemine yakın olmanın θ-inci nicemindeki Y ile ilişkili olduğu anlamına gelir ve anlamlılık tipik olarak noktalar veya tarama ile gösterilir.
Bant genişliği h'yi nasıl seçmeliyim?
Yaygın uygulama, örneklem boyutuna uyarlanmış Silverman'ın bant genişliği gibi bir kural kullanmak veya nicem kaybı üzerinde çapraz doğrulama yoluyla h'yi seçmektir. Bant genişliği seçimine sonuçların bağlı olmadığını göstermek için iki veya üç bant genişliği için sonuçların raporlanması şiddetle tavsiye edilir.
RQQR panel verilerini işleyebilir mi?
Evet; yöntem, X'in havuzlanmış ampirik CDF'si kullanılarak havuzlanmış panel verilere uygulanabilir, ancak gözlemlenmeyen heterojenliği gidermek için tahmin öncesinde sabit etki ayarlamaları veya grup içi dönüşümler gerekebilir.
RQQR'yi hangi yazılım uygular?
Evrensel olarak benimsenmiş kullanıma hazır bir paket yoktur. Araştırmacılar tipik olarak bunu R veya MATLAB'da nicem regresyon rutinlerini (örneğin, R'deki quantreg paketi) özel çekirdek ağırlıklandırma döngüleriyle birleştirerek uygularlar. StatWise, yönlendirmeli bir uygulama sunar.
Kaynaklar
- Sim, N., & Zhou, H. (2015). Oil prices, US stock return, and the dependence between their quantiles. Journal of Banking & Finance, 55, 1–8. DOI: 10.1016/j.jbankfin.2015.01.013 ↗
- Quantile regression. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Quantile-on-Quantile Regression. ScholarGate. https://scholargate.app/tr/econometrics/robust-quantile-on-quantile-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Kuantil RegresyonuEkonometri↔ karşılaştır
- Kuantil-Üzeri-Kuantil (QQ) RegresyonuEkonometri↔ karşılaştır
- Sağlam Regresyonİstatistik↔ karşılaştır