The summary.rq
fungsi dari sketsa quantreg menyediakan banyak pilihan untuk perkiraan standard error dari koefisien regresi kuantil. Apa skenario khusus di mana masing-masing menjadi optimal / diinginkan?
"peringkat" yang menghasilkan interval kepercayaan untuk parameter yang diestimasi dengan membalikkan tes peringkat seperti yang dijelaskan dalam Koenker (1994). Opsi default mengasumsikan bahwa kesalahan adalah iid, sedangkan opsi iid = FALSE mengimplementasikan proposal Koenker Machado (1999). Lihat dokumentasi untuk rq.fit.br untuk argumen tambahan.
"iid" yang menganggap bahwa kesalahannya adalah iid dan menghitung perkiraan matriks kovarians asimptotik seperti pada KB (1978).
"nid" yang mengandaikan linearitas lokal (dalam tau) (dalam x) dari fungsi kuantil bersyarat dan menghitung estimasi sandwich Huber menggunakan estimasi lokal sparsity.
"ker" yang menggunakan estimasi kernel dari sandwich seperti yang diusulkan oleh Powell (1990).
"boot" yang mengimplementasikan salah satu dari beberapa alternatif bootstrap yang memungkinkan untuk memperkirakan kesalahan standar.
Saya telah membaca setidaknya 20 makalah empiris di mana ini diterapkan baik dalam deret waktu atau dimensi cross-sectional dan belum melihat penyebutan pilihan kesalahan standar.
rms
paket Rbootcov
adalah untuk menyimpan koefisien regresi replikasi bootstrap ( s) dan menggunakan pendekatan interval persentil konfidensial nonparametrik bootstrap untuk mendapatkan interval kepercayaan untuk setiap kontras (kombinasi s) yang menarik.Jawaban:
Apakah Anda membaca makalah Koenker dan Hallock (2000): Regresi Kuantil: Pengantar (econ.uiuc.edu/~roger/research/intro/rq.pdf)? Bootstrap lebih disukai karena tidak membuat asumsi tentang distribusi respon (p. 47, Quantile regressions, Hao dan Naiman, 2007). Juga, perhatikan bahwa "... asumsi untuk prosedur asimptotik biasanya tidak berlaku, dan bahkan jika asumsi ini terpenuhi, sulit untuk menyelesaikan kesalahan standar dari skala yang dikonstruksi dan pergeseran skewness (p. 43) .. . "
sumber