Koenker ve Machado , belirli ( ) kuantildeki yerel bir uygunluk ölçüsü olan tanımlar . R 1 τ[ 1 ]R,1τ
LetV( τ) = dkb∑ ρτ( yben- x'benb )
Let ve \ yaklaşık işareti {\ p} (\ tau) tam modeli ve sınırlı bir model için katsayı kestirimleri olabilir ve izin \ şapka {V} ve \ yaklaşık işareti {V} olmak karşılık gelen V terimleri. ~ β (τ) V ~ V Vβ^(τ)β~(τ)V^V~V
Uygunluk kriterinin iyiliğini tanımlarlar R,1(τ) = 1 - V^V~ .
Koenker için kodu verir V burada ,
rho <- function(u,tau=.5)u*(tau - (u < 0))
V <- sum(rho(f$resid, f$tau))
Bu yüzden, sadece kesen bir model için ( - veya aşağıdaki kod parçasında) ve sonra da sınırlandırılmamış bir modelde ( ) hesaplarsak, bunu en azından değil - her zamanki gibi .~ V V R 2VV~V0
V^R1 <- 1-Vhat/V0
R,2
Düzenleme: Sizin durumunuzda, elbette, ikinci f$tau
kod sırasındaki çağrıda nereye yerleştirilecek ikinci argüman, hangi değeri kullanırsanız kullanacaktır tau
. İlk satırdaki değer yalnızca varsayılanı ayarlar.
'Ortalamaya ilişkin varyansı açıklamak' gerçekten kuantil regresyon ile yaptığınız şey değildir, bu yüzden gerçekten eşdeğer bir önlem almayı beklememelisiniz.
kavramının kuantil regresyona iyi dönüştüğünü sanmıyorum . Burada olduğu gibi, daha fazla veya daha az benzer miktarları tanımlayabilirsiniz, fakat ne seçerseniz seçin, gerçek OLS regresyonundaki özelliklerinin çoğuna sahip olamazsınız . Hangi özelliklere ihtiyaç duyduğunuz ve neye ihtiyacınız olmadığı konusunda net olmanız gerekir - bazı durumlarda istediğiniz şeyi yapan bir önlem almak mümkün olabilir.R 2R,2R,2
-
[ 1 ] Koenker, R ve Machado, J (1999),
Kuantil Regresyon için Uygunluk ve İlgili Çıkarım Süreçleri
, Amerikan İstatistik Kurumu Dergisi, 94 : 448, 1296-1310