Kantil regresyonun temel fikri, analistin sadece veri anlamına gelmek yerine verilerin dağıtımı ile ilgilenmesinden kaynaklanmaktadır. Hadi ortalama ile başlayalım.
Ortalama regresyon , veri ortalamasına şeklinde bir çizgiye uyar . Başka bir deyişle, E ( Y | X = x ) = x β . Bu çizgiyi tahmin etmek için genel bir yaklaşım en az kare yöntemi kullanmaktır, arg min β ( y - x β ) ′ ( y - X β ) .y= XβE( Y| X= x ) = x βargminβ( y- x β)'( y- Xβ)
Öte yandan, medyan regresyon, verilerin yarısının yanlarda olmasını bekleyen bir çizgi arar. Bu durumda hedef fonksiyon nerede | . | ilk norm.argminβ| y- Xβ|| . |
Medyan fikrini kuantileştirme, kuantil regresyonda sonuçlanır. Bunun arkasındaki fikir, verinin yüzde 'sinin ötesinde olduğu bir çizgi bulmak .α
Burada küçük bir hata yaptınız, Q-regresyonu bir miktar veri bulmak gibi değil, o alt kümeye (hatta daha zorlu sınırlara bile) uyacak şekilde bir çizgiye uyuyor.
Q-regresyonu, verileri bir q grubuna kuantil ve diğerlerine ayıran bir çizgi arar . Hedef fonksiyonu, S-gerileme söyleyerek kontrol fonksiyonu olan
β a = arg dakika β { a | y - X β | I ( y > X β ) + ( 1 - α ) | y - X β | I ( y < X β ) } .α
β^α= argminβ{ α| y- Xβ| ben( y> Xβ) + ( 1 - α ) | y- Xβ| ben( y< Xβ) } .
Gördüğünüz gibi bu akıllı hedef işlevi, nicel ifadeyi bir optimizasyon problemine çevirmekten başka bir şey değildir.
Üstelik, gördüğünüz gibi, Q-regresyonu belirli bir miktar ( ) için tanımlanmıştır ve daha sonra tüm miktarları bulmak için genişletilebilir. Başka bir deyişle, Q-regresyonu yanıtın (koşullu) dağılımını çoğaltabilir.βα