Regresion Cuantílica 02

Regresion
Regresion por cuantiles

Estimacion e Inferencia
Lecturas y Software
Avances Recientes en Regresion por Cuantiles

Walter Sosa Escudero
(wsosa@udesa.edu.ar)
Universidad de San Andres
Noviembre de 2007
Universidad Nacional de Cordoba
Regresion
Lecturas y Software
Outline
Regresion
Lecturas y Software
Regresion
Lecturas y Software
Una digresion
Quantile regression:
Regresion cuantil?
Regresion cuantilica?
Retroceso del quantile?
(Algoritmo no convergente)
quantile regression = regresion por cuantiles
Regresion
Lecturas y Software
Esperanzas condicionales y regresion
Consideremos un modelo lineal simple:

y = x0 + u
con E(u|x) = 0. De modo que:
E(y|x) = x0
x0 es una funcion de regresion, es la esperanza condicional de y
en x.
Regresion
Lecturas y Software
Trivialmente:
E(y|x)
= k
xk
mide como cambios marginales en x afectan a E(y|x).

Si u es independiente de x, tambien es cierto que:
y
=
x
La independencia es lo que le da sentido a la idea de alterar x
dejando u constante.
El efecto de x sobre E(y|x) resume tambien el efecto de x
sobre y.
Regresion
Lecturas y Software
Consideremos el siguiente caso de heterocedasticidad:
Cual es el efecto de x sobre E(y|x)?

Cual es el efecto de x sobre y?
Regresion
Lecturas y Software
El efecto de x es mayor
arriba. El efecto no es
homogeneo.
= E(y|x)/x no
resume el ejemplo de x
sobre y.
Es posible que x no afecte a E(y|x) pero que si a y?
Regresion
Lecturas y Software
x no afecta a E(y|x)
pero si afecta a y.

Intenta modelar el efecto de x sobre toda la distribucion de y.
Regresion
Lecturas y Software
Cuantiles condicionales y quantile regression
Z F (z) continua y monotona.
El -esimo cuantil de Z es un numero QZ ( ) que satisface:

F (QZ ( )) =
o sea, el -esimo cuantil es un numero del soporte de la distribucion
tal que la probabilidad de que ocurran valores menores es .
Regresion
Lecturas y Software
Cuantiles de la distribucion normal estandar
Regresion
Lecturas y Software
Recordar que el modelo simple de regresion puede ser visto como

E(y|x) = x0
En forma analoga, el modelo de regresion para el -esimo cuantil
de la distribucion de y condicional en x sera:
Qy|x ( ) = x0 ( )
Con :
Qy|x ( )
= ( )
x
Estamos permitiendo que el efecto de x sobre y sea distinto en
distintos lugares de la distribucion de y dado x
Regresion
Lecturas y Software
Ejemplo: Qy|x (0.75) = 0 (0.75) + 1 (0.75) x
La recta une los cuantiles 0.75 de cada distribucion condicional.
Regresion
Lecturas y Software
Importante: el metodo estima rectas para distintos lugares de la

distribucion condicional (y no de la no condicional!!!!)
A esta arriba de la
distibucion
condicional y abajo
en la no
condicional.
B esta en el medio
de la no
condicional, y muy
abajo en la
condicional.
Regresion
Lecturas y Software
Ejemplo: Retornos a la Educacion
El retorno medio es 0.0925.

Regresion
Lecturas y Software
Estimacion por quantile regression:
El retorno es superior en los niveles mas altos.

Regresion
Lecturas y Software
Resumen de resultados:
Cuantiles
0.10
0.25
0.50
0.75
0.90
Retorno medio (MCO)
intercepto
-0.2260
0.1420
0.3841
0.6580
0.9055
0.3385
educacion
0.0753
0.0787
0.0881
0.0992
0.1083
0.0925
Regresion
Lecturas y Software
Ejemplo: Growth-Size Charts
Regresion
Lecturas y Software
Ejemplo: Factores Limitantes en Ecologia

Cade, B., Terrell, J. y Schroeder, R., 1999, Estimating the effects of
limiting factors with regression quantiles, Ecology, 80(1), 311/323.
Factor limitante: menos disponible entre los que afectan al

crecimiento, supervivencia y reproduccion...
Ley de Liebig del minimo
Efecto de factores: no separable. Interacciones.
Problema: como medir el efecto de un factor cuando es el
unico limitante.
Regresion
Lecturas y Software
Caso: 43 parcelas de 0.2 Ha (1989-1993) en Missouri (EEUU)

y : produccion de bellotas en un bosque de robles.
(Densidad o biomasa).
x : forest suitability index (porcentaje de cobertura, numero
de especies, etc.).
(y, x) muy similar al caso de educacion.
CTS: en el medio estan los casos en donde hay factors no
observables (clima?) que actuan como limitantes.
El verdadero efecto de x esta mejor medido arriba de la
distribucion.
Regresion
Lecturas y Software
y = densidad, x = calidad del bosque, u = no observables (clima?)

y = 0 + 1 x + g(x)u
g(.) es una funcion arbitraria, introduce una interaccion entre x y
u.
y
= 1 + u
x
si > 0 el efecto de x sobre y es mayor cuanto mayor es u.
Los metodos de regresion por cuantiles permite modelar el efecto

de estas interacciones sin hacer supuestos sobre la forma en la que
x y u interactuan.
Regresion
Lecturas y Software
Estimacion
Minimos cuadrados ordinarios: argmin
P
i )2
(yi
x
La solucion es una recta en (X, Y ).

La recta pasa por el medio (los errores son penalizados en
forma simetrica)
Minimos desvios absolutos: argmin
i|
|yi
x
La solucion es una recta en (X, Y ).

La recta pasa por el medio (los errores son penalizados en
forma simetrica)
Regresion
Lecturas y Software
Koenker y Bassett (1978): la solucion al problema pasa por

penalizar asimetricamente los errores de estimacion.
) = argmin
(
n
X
(yi x0i )
i=1
con (z) z ( I(z < 0)), (0, 1), produce estimadores

consistentes y asintoticamente normales.
Penaliza a los errores positivos con y a los negativos con
1
Cuando = 0.5, minimos desvios absolutos, penalizacion
simetrica
Regresion
Lecturas y Software
Cuestiones computacionales
El problema de estimacion puede ser reescrito como:
min
(b( ),u,v) <<2n

+
{ 10n u + (1 )10n v | 10n b( ) + u v = y}
ei x0i b( ), 1n un vector columna de n, u y v son variables de

holgura complementaria: es un programa lineal.
Regresion
Lecturas y Software
i ), i = 1, . . . , m (coeficientes para m
En la practica estimamos (
cuantiles)
Denominemos con (i ) a los coeficientes poblacionales y
construyamos los siguientes vectores.
1 )0 (
m )0 )0
((
((1 )0 (m )0 )0
Regresion
Lecturas y Software
Inferencia
Bajo el supuesto de que la muestra es independiente (pero no
necesariamente identicamente distribuida) y bajo condiciones de
regularidad estandar, es posible mostrar que:
n( ) N (0, )
= j,p , j = 1, . . . , m, p = 1, . . . , m con:
j,p = (min{j , p }j p )
1

1
E[fj (0|x) xx0 ]
E[xx0 ] E[fj (0|x) xx0 ]
en donde fs (0|x) es la funcion de densidad de y condicional en

x0 (s ).
Regresion
Lecturas y Software
Alternativas:
Estimar , pasa por estimar fs (0|x)1 (sparsity) no
parametricamente.
Metodo de inversion de test de rangos (Koenker, 1994).
Bootstrap (Buchinksky, 1998)
Regresion
Lecturas y Software
Evolucion de la literatura
Fuente: Econlit
Regresion
Lecturas y Software
Teoria
Seminal paper: Koenker y Bassett (1978, Econometrica)

Datos censurados: Powell (1986, JoE), Portnoy (2003, JASA).
Selectividad: Buchinsky (2001, EE)
Regresion no-lineal: Koenker y DOrey (94, JoE), Lee (2003,
ET).
Datos en paneles: Koenker (2004), Lamarche (2004).
Modelos binarios: Kordas (2003), Belluzo (2004, JBES).
Regresion
Lecturas y Software
Endogeneidad y variables instrumentales: Abadie, Angrist e

Imbens (2002, Econometrica), Arias, Hallock y Sosa Escudero
(EE, 2001).
Raices unitarias y series temporales (Hassan y Koenker, 2000,
Econometrica)
Algoritmos: Fitzenberger (2001, JoE), Bilias et al (2000, JoE).
Modelos de duracion: Koenker y Goesling (2003, JASA).
Modelos mal especificados (Angrist et al (2004), Kim y White
(2002))
Regresion
Lecturas y Software
Aplicaciones
Seminal papers: Buchinsky (1994), Chamberlain (1994),
ecuaciones de Mincer.
Ecuaciones de Mincer (Buchinsky, 94, 98).
Frontera estocastica: Bernini, et al. (2004), EE.
Modelos de crecimiento: Canarella y Pollard (2004, JDE).
Brecha de generos: Garcia et al. (2001)
Asimetria y volatilidad en finanzas: Park (2002, EcJ), Bassett
et al. (2002)
Tama
no de firmas al inicio: Machado y Mata (2000, JAE).
Efecto del tama
no de clase: Levin (2001)
Regresion
Lecturas y Software
Demanda de alcohol: Manning (1995)

Descomposicion de desigualdad: Martins y Pereira (LabEc,
2004), Machado y Mata (JAE, 2004)
CAVIAR (conditional value at risk): Engle y Manganelli
(2000).
Pobreza: Arias y Sosa Escudero (2004).
Willingness to pay: Belluzo (2004, JBES).
Imputacion de rentas (Gasparini y Sosa Escudero, 2005,
JIncDist).
Brecha publico-privado (Mueller (98), Poterba y Reuben
(1995).
Regresion
Lecturas y Software
Libros y articulos generales

Articulos generales:
Koenker (2000, JoE): nota historica
Koenker y Hallock (2001,JEPersp): Articulo general
Buchinsky (1998, JHR): Articulo general.
Cade y Noon (2003, FrontEcology): Introduccion en ecologia.
Textos:
Machado, Koenker y Fitzenberger (2001): Economic
Applications of Quantile Regression, Springer-Verlag, texto de
aplicaciones.
Koenker, R. (2005): Quantile Regression, Cambridge
University Press.
Regresion
Lecturas y Software
Software
Splus y R
Stata

Regresion Cuantílica 02

Cargado por

Copyright:

Formatos disponibles

Regresion Cuantílica 02

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Regresion Cuantílica 02

Cargado por

Copyright:

Formatos disponibles

Regresion

Regresion por cuantiles

Avances Recientes en Regresion por Cuantiles

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

Regresion por cuantiles

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

quantile regression = regresion por cuantiles

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

Esperanzas condicionales y regresion

Consideremos un modelo lineal simple:

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

mide como cambios marginales en x afectan a E(y|x).

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

Consideremos el siguiente caso de heterocedasticidad:

Cual es el efecto de x sobre E(y|x)?

Avances Recientes en Regresion por Cuantiles

Es posible que x no afecte a E(y|x) pero que si a y?

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

Regresion por cuantiles

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

Cuantiles condicionales y quantile regression

Z F (z) continua y monotona.

El -esimo cuantil de Z es un numero QZ ( ) que satisface:

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

Cuantiles de la distribucion normal estandar

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

Recordar que el modelo simple de regresion puede ser visto como

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

Ejemplo: Qy|x (0.75) = 0 (0.75) + 1 (0.75) x

La recta une los cuantiles 0.75 de cada distribucion condicional.

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

Importante: el metodo estima rectas para distintos lugares de la

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

Ejemplo: Retornos a la Educacion

El retorno medio es 0.0925.

Avances Recientes en Regresion por Cuantiles

Estimacion por quantile regression:

El retorno es superior en los niveles mas altos.

Avances Recientes en Regresion por Cuantiles

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

Ejemplo: Growth-Size Charts

Walter Sosa Escudero

Avances Recientes en Regresion por Cuantiles

Ejemplo: Factores Limitantes en Ecologia

Factor limitante: menos disponible entre los que afectan al