Koenker i Machado opisują , lokalną miarę dobroci dopasowania dla konkretnego kwantylu ( ). R 1 τ[ 1 ]R1τ
NiechV.( τ) = minb∑ ρτ( yja- x′jab )
Niech i będą oszacowaniami współczynników dla pełnego modelu i modelu ograniczonego, i niech i będą odpowiednie warunki ~ β (τ) V ~ V Vβ^( τ)β~( τ)V.^V.~V.
Określają kryterium dobroci dopasowania .R1( τ) = 1 - V^V.~
Koenker daje kod tutaj ,V.
rho <- function(u,tau=.5)u*(tau - (u < 0))
V <- sum(rho(f$resid, f$tau))
Jeśli więc obliczymy dla modelu z tylko przechwytywaniem ( - lub we fragmencie kodu poniżej), a następnie z nieograniczonym modelem ( ), możemy obliczyć, że - przynajmniej teoretycznie - nieco jak zwykle .~ V V R 2V.V.~V0
V.^R1 <- 1-Vhat/V0
R2)
Edycja: W twoim przypadku, oczywiście, drugi argument, który zostałby wstawiony w f$tau
wywołaniu w drugim wierszu kodu, będzie dowolną tau
użytą wartością. Wartość w pierwszym wierszu określa jedynie wartość domyślną.
„Wyjaśnianie wariancji średniej” nie jest tak naprawdę tym, co robisz z regresją kwantową, więc nie powinieneś oczekiwać naprawdę równoważnej miary.
Nie sądzę, aby koncepcja dobrze przekładała się na regresję kwantową. Możesz zdefiniować różne mniej lub bardziej analogiczne wielkości, jak tutaj, ale bez względu na to, co wybierzesz, nie będziesz mieć większości właściwości, które ma prawdziwa w regresji OLS. Musisz jasno określić, jakich właściwości potrzebujesz, a czego nie - w niektórych przypadkach może być możliwe wykonanie pomiaru, który spełni Twoje oczekiwania.R 2R2)R2)
-
[ 1 ] Koenker, R i Machado, J (1999),
Dobroć dopasowania i powiązane procesy wnioskowania dla regresji kwantowej,
Journal of American Statistics Association, 94 : 448, 1296-1310