分位数回归 (Quantile Regression)

概述

分位数回归是一种统计技术，用于估计因变量条件分布的分位数（如中位数、第 90 百分位数等），而不仅仅是条件均值。与普通最小二乘法 (OLS) 相比，它对异常值更具鲁棒性，并能提供关于响应变量分布形态的更全面信息。

核心原理

该方法通过最小化加权绝对偏差和来求解：
$$ \min_{\beta} \sum_{i=1}^{n} \rho_\tau(y_i - x_i^T \beta) $$
其中 $\rho_\tau(u) = u(\tau - I(u < 0))$ 是检查函数 (Check Function)，$\tau$ 为目标分位点。

应用场景

• 经济学：分析收入分布的不平等性（不仅看平均收入，还看低收入和高收入群体）。
• 医学：研究生长曲线中的极端值（如儿童身高的第 5 和第 95 百分位）。
• 金融风险管理：估算在特定置信水平下的风险价值 (VaR)。
• 生态学：分析环境因素对物种数量上限或下限的影响。

结果展示说明

本模块不包含图像渲染，以下描述展示了当用户输入特定数据后，系统将输出的文本结果格式。

场景一：单变量中位数回归 ($\tau = 0.5$)

• 用户输入：*

X 矩阵 (带截距): [[1, 2], [1, 4], [1, 6], [1, 8]]
y 向量: [3, 5, 7, 100] (注：包含一个极大异常值)
tau: 0.5

• 系统输出：*

[计算完成]
分位点 (tau): 0.5
回归系数 (Beta):

    - 截距 (Intercept): 1.0000
    - 斜率 (Slope): 1.0000

拟合方程: y = 1.0000 + 1.0000 * x
残差绝对值和: 2.0000
说明：由于使用中位数回归，异常值 100 未显著拉高斜率，模型稳健地捕捉了主要趋势。

场景二：多分位点对比分析

• 用户输入：*

数据集：房价预测 (面积 vs 价格)
Tau 列表: [0.1, 0.5, 0.9]

• 系统输出：*

[多分位点分析报告]

1. 低分位回归 (tau = 0.1):
    - 系数：[截距=50000, 斜率=2000]
    - 解释：对于低价位房产，每增加 1 平米，价格平均上涨 2000 元。

2. 中位回归 (tau = 0.5):
    - 系数：[截距=80000, 斜率=3500]
    - 解释：对于中等价位房产，每增加 1 平米，价格平均上涨 3500 元。

3. 高分位回归 (tau = 0.9):
    - 系数：[截距=150000, 斜率=6000]
    - 解释：对于高价位房产，面积对价格的边际效应显著增强，每平米上涨 6000 元。

结论：面积对高价房产的影响力度远大于低价房产，表明存在异方差性。