分位数回归 (Quantile Regression) 简介

什么是分位数回归？

分位数回归是一种统计技术，用于估计因变量在不同分位数（如中位数、第 25 百分位数、第 75 百分位数等）下的条件分布。与传统的普通最小二乘法 (OLS) 不同，OLS 仅关注因变量的均值，而分位数回归能够提供更全面的视角，揭示自变量对因变量分布不同位置的影响。

为什么使用 quantreg 包？

R 语言中的 quantreg 包是实现分位数回归的标准工具。它由 Roger Koenker 开发，提供了高效的算法来拟合线性分位数回归模型，并支持假设检验、置信区间估计以及可视化功能。

主要应用场景

1. 非对称分布数据：当数据存在偏态或异常值时，均值回归可能产生误导，分位数回归（尤其是中位数回归）更加稳健。
2. 异方差性分析：研究自变量如何影响因变量的离散程度（例如，收入增加不仅影响平均消费，还可能改变消费的波动范围）。
3. 极端事件研究：通过分析尾部极值（如 0.05 或 0.95 分位数），评估风险或极端情况下的关系。

核心函数

• rq(): 拟合分位数回归模型的核心函数。
• summary.rq(): 获取模型系数的详细统计信息，包括标准误和置信区间。
• plot.rq(): 可视化不同分位数下的系数变化轨迹。

结果展示说明

本部分描述运行 main.R 脚本后，在 R 控制台或 RStudio 中预期的文本输出内容。

1. 输入操作

用户在 R 环境中源文件运行 main.R，或者直接复制其中的代码块执行。核心代码为调用 rq() 函数对 mtcars 数据集进行建模，并随后调用 summary() 函数。

2. 预期输出描述

A. 模型调用信息

首先，系统会回显模型的调用公式，确认使用的数据和分位数设置：

Call: rq(formula = mpg ~ wt, tau = c(0.25, 0.5, 0.75), data = mtcars)

B. 分位数过程详情 (tau 循环)

接着，输出将针对每一个指定的分位数（0.25, 0.5, 0.75）分别展示详细的回归结果表格。对于每个 tau 值，输出包含以下列：

• Coefficients: 显示截距项 (Intercept) 和自变量 (wt) 的系数估计值。
  • 预期趋势：随着分位数从 0.25 增加到 0.75，截距项通常会增大（代表高油耗车的基准 MPG 更高），而 wt 的系数（负值）绝对值可能会发生变化，反映重量对低油耗车和高油耗车影响的差异。
• Lower BD / Upper BD: 95% 置信区间的下限和上限。
• t value: t 统计量，用于检验系数是否显著不为零。
• Pr(>|t|): P 值。如果小于 0.05，通常表示在该分位数下，汽车重量对 MPG 有显著影响。

C. 具体数值示例 (模拟)

输出中将看到类似以下的结构化文本块（数值仅为示意）：

• 对于 tau = 0.25:*
• 截距约为 35.x，wt 系数约为 -4.x。

• 表明在燃油效率较低的车辆群体中（下四分位），重量每增加 1 单位，MPG 下降约 4.x。

• 对于 tau = 0.50 (中位数回归):*

• 截距约为 37.x，wt 系数约为 -5.x。

• 这是最稳健的估计，不受极端高油耗或低油耗车辆的过度影响。

• 对于 tau = 0.75:*

• 截距约为 39.x，wt 系数约为 -3.x。
• 表明在燃油效率较高的车辆群体中，重量对 MPG 的负面影响可能相对较小或呈现不同模式。

D. 结论性观察

通过对比这三个部分的输出文字，用户可以得出结论：汽车重量对 MPG 的影响并不是恒定的（即斜率在不同分位数间发生了变化）。如果 OLS 回归（均值回归）被同时计算，其系数通常介于这些分位数系数之间，但无法捕捉到这种分布上的异质性。