Quantile regression is based on the

Quantile regression is based on the minimi
zation of weighted absolute deviations
(also known as L_1 method) to estimate c
onditional quantile (percentile) functions
(Koenker and Bassett, 1978; Koenker and Ha
llock, 2001). For the median (quantile =
0.5), symmetric weights are used, and fo
r all other quantile
s (e.g., 0.1, 0.2 ....., 0.9)
asymmetric weights are employed. In contra
st, classical OLS regression (also known as
L_2 method) estimates conditional mean functi
ons. Unlike OLS, quantile regression is
not limited to explaining the mean of the
dependent variable. It
can be employed to
explain the determinants of the dependent vari
able at any point of the distribution of the
dependent variable. For hedoni
c price functions, quantile regr
ession makes it possible to
statistically examine the exte
nt to which housing characteri
stics are valued differently
across the distribution of housing prices.
One may argue that the same goal
may be accomplished by segmenting the
dependent variable, such as house price, in
to subsets according
to its unconditional
distribution and then applying OLS on the subs
ets, as done, for example, in Newsome
and Zietz (1992). However, as clearly argue
d by Heckman (1979), this “truncation of the
dependent variable” may create biased parame
ter estimates and shoul
d be avoided. Since
quantile regression employs the full data set,
a sample selection problem does not arise.
Quantile regression generalizes the con
cept of an unconditional quantile to a
quantile that is conditioned on one or more
covariates. Least squares minimizes the sum
of the squared residuals,
{}
0
2
,
0
min
k
j
j
k
ijji
b
ij
ybx
=
=

−



∑∑
,

Kết quả (Việt) 1:

Quantile regression is based on the minimization of weighted absolute deviations (also known as L_1 method) to estimate conditional quantile (percentile) functions (Koenker and Bassett, 1978; Koenker and Hallock, 2001). For the median (quantile = 0.5), symmetric weights are used, and for all other quantiles (e.g., 0.1, 0.2 ....., 0.9) asymmetric weights are employed. In contrast, classical OLS regression (also known as L_2 method) estimates conditional mean functions. Unlike OLS, quantile regression is not limited to explaining the mean of the dependent variable. It can be employed to explain the determinants of the dependent variable at any point of the distribution of the dependent variable. For hedonic price functions, quantile regression makes it possible to statistically examine the extent to which housing characteristics are valued differently across the distribution of housing prices. One may argue that the same goal may be accomplished by segmenting the dependent variable, such as house price, into subsets according to its unconditional distribution and then applying OLS on the subsets, as done, for example, in Newsome and Zietz (1992). However, as clearly argued by Heckman (1979), this “truncation of the dependent variable” may create biased parameter estimates and should be avoided. Since quantile regression employs the full data set, a sample selection problem does not arise. Hồi qui Quantile generalizes các conCEPT một quantile vô điều kiện cho một quantile đó lạnh vào một hoặc nhiều hơn covariates. Tối thiểu tối thiểu hoá tổng hợp số dư bình phương, {}02,0MinkjjkIJJIbIJybx==−∑∑,

Kết quả (Việt) 2:

Hồi quy quantile được dựa trên Minimi
zation của độ lệch tuyệt đối trọng
(còn được gọi là phương pháp L_1) để ước tính c
onditional quantile (percentile) chức năng
(Koenker và Bassett, 1978; Koenker và Hà
llock, 2001). Đối với trung bình (quantile =
0,5), trọng lượng đối xứng được sử dụng, và fo
r tất cả quantile khác
s (ví dụ, 0.1, 0.2 ....., 0,9)
trọng lượng không đối xứng được sử dụng. Trong contra
st, OLS hồi quy cổ điển (còn được gọi là
phương pháp L_2) ước tính có điều kiện functi bình
ons. Không giống như các phương pháp OLS, hồi quy quantile là
không giới hạn để giải thích ý nghĩa của các
biến phụ thuộc. Nó
có thể được sử dụng để
giải thích các yếu tố quyết định sự phụ thuộc vari
có thể ở bất kỳ điểm nào của sự phân bố của các
biến phụ thuộc. Đối với hedoni
chức năng giá c, quantile regr
ession làm cho nó có thể để
kiểm tra thống kê các exte
nt mà characteri nhà
stics có giá trị khác nhau
trên các phân phối của giá nhà đất.
Người ta có thể lập luận rằng cùng một mục tiêu
có thể được thực hiện bằng cách phân chia các
biến phụ thuộc, chẳng hạn như giá nhà ở đối
với các tập con theo
để vô điều kiện của nó
phân phối và sau đó áp dụng OLS trên các tàu ngầm
ETS, như thực hiện, ví dụ, trong Newsome
và Zietz (1992). Tuy nhiên, rõ ràng lập luận
d của Heckman (1979), điều này "cụt của
biến phụ thuộc" có thể tạo parame thiên vị
dự toán ter và shoul
muốn được tránh. Kể từ
hồi quy quantile sử dụng tập dữ liệu đầy đủ,
một vấn đề chọn mẫu không phát sinh.
Hồi quy quantile khái quát các con
khái của một quantile vô điều kiện cho một
quantile được điều kiện trên một hoặc nhiều
biến số. Hình vuông ít nhất giảm thiểu tổng
của các số dư bình phương,
{}
0
2
,
0
phút
k
j
j
k
ijji
b
ij
ybx
=
=

-



ΣΣ
,