6where yi is the dependent variable

6
where
y
i
is the dependent variable at observation
i
,
x
j,i
the
j
th regressor variable at
observation
i
, and
b
j
an estimate of the model’s
j
th regression coefficient. By contrast,
quantile regression minimizes a weighted
sum of the absolute deviations,
{}
0
,
0
min
k
j
j
k
ijjii
b
ij
ybxh
=
=
−
∑∑
,
where the weight
h
i
is defined as
2
i
hq
=
if the residual for the
i
th observation is strictly positive or as
22
i
hq
=
−
if the residual for the
i
th observation is negativ
e or zero. The variable
q
(0
1)
q

Kết quả (Việt) 1:

6nơi ytôi là biến phụ thuộc tại quan sát tôi, xj, tôi Các jth regressor Bắc-Ðông Bắc quan sát tôi, và bj một ước tính của các mô hình jCác hệ số hồi qui th. Ngược lại, quantile hồi qui giảm thiểu một trọng tổng của các độ lệch tuyệt đối, {}0,0MinkjjkijjiibIJybxh==−∑∑, nơi trọng lượng htôi được định nghĩa là 2tôiHQ=Nếu dư cho các tôiquan sát th là hoàn toàn tích cực hoặc như 22tôiHQ=−Nếu dư cho các tôiquan sát th là negative hoặc không có. Biến q(01)q<< là các quantile được ước lượng hoặc dự đoán. Lỗi chuẩn của hệ số ước tính được ước tính bằng cách sử dụng bootstrapping như đề nghị của Gould (1992, 1997). Họ là đáng kể ít nhạy cảm với heteroskedasticity hơn so với các tiêu chuẩn lỗi ước tính baSED về phương pháp được đề xuất bởi Rogers (1993).3Quantile hồi qui phân tích sự giống nhau hoặc dissimilarity hồi qui Hệ số tại các điểm khác nhau phân phối dependent biến, mà là bán hàng giá trong trường hợp của chúng tôi. Nó không xem xét không gian autocorrelation có thể có mặt trong các dữ liệu. Vì ngôi nhà tương tự giá unlikEly được tất cả clustemàu đỏ về mặt địa lý, một trong những không thể mong đợi hồi qui quantile sẽ loại bỏ sự cần thiết để giải thích cho không gian autocorrelation. 3 Quantile regressions sử dụng lệnh "sqreg" trong Stata cho hạt giống 1001. 7Trong bài báo này, không gian autocorrelation được kết hợp vào các hồi quy quantile khuôn khổ thông qua việc bổ sung một biến không gian tụt hậu. The không gian tụt hậu biến là định nghĩa như là WY, nơi W là một ma trận không gian trọng lượng của Kích cỡ nhà TxT, nơi mà T là số quan sát, và ở đâu ylà phụ thuộc vào biến vector, đó là kích thước Tx1. Bất kỳ trọng lượng không gian ma trận có thể được tuyển dụng, ví dụ, một dựa trên các tôith gần nhất phương pháp hàng xóm, hai vật tiếp giáp hoặc một số otheđề án r. Trong các presứng dụng tai mũi họng, một ma trận hai vật tiếp giáp được sử dụng.4Thêm một tụt hậu không gian cho một regres OLSSion là cũng được biết là gây ra suy luận Các vấn đề do endogeneity spatial các tụt hậu (Anselin, 2001). Đây không phải là bất kỳ khác nhau cho quantile táiOLS gression hơn. Chúng tôi follow là phương pháp được đề xuất bởi Kim và Muller (2004) để đối phó với endoge nàyneity các vấn đề trong quantile hồi qui. Như công cụ chúng tôi sử dụng các regressors và chậm lại không gian của họ.5 Tuy nhiên, thay vì sử dụng một công cụ ước tính mật độ chức năng cho các derivation tiêu chuẩn lỗi, chúng tôi làm theo tốt Các tuyến đường được thành lập của bootstrapping lỗi chuẩn (Greene, 2000, tr. 400-401).64. dữ liệu và kết quả dự toán Nghiên cứu này sử dụng nhiều danh sách Dịch vụ (MLS) dữ liệu từ Orem/Provo, Utah khu vực7. Các dữ liệu bao gồm 1.366 bán nhàs từ giữa năm 1999 đến giữa năm 2000. Bảng 3 cung cấp một mô tả của các biến. Hầu hết tiêu chuẩn nhà ở đặc điểm trong khi một số là dành riêng cho khu vực. Dữ liệu cũng bao gồm một số địa lý và 4 Xy2cont.m chương trình Matlab của hộp công cụ kinh tế lượng của J.LeSage được sử dụng, mà là một sự thích nghi của chương trình Matlab fdelw2.m của Kelley Tốc độ của hộp công cụ thống kê không gian 2.0. 5 Nếu X xác định các ma trận dữ liệu, sau đó spatial chậm của các regressors được tính như THIẾT BỊ WX, nơi W là các ma trận không gian trọng lượng được sử dụng để xây dựng của tụt hậu không gian của biến phụ thuộc. 6 Bootstrap dựa trên 500 replications. 7 Các dữ liệu được sử dụng là tương tự như các dữ liệu được sử dụng trong Zietz và Newsome (2002). 8khu phố biến, mà có nguồn gốc bởi geo-mã hóa tất cả quan sát. Một mục tiêu là để đo lường hiệu quả của quantile hồi qui trên một số lượng lớn các biến khác nhau. Bảng 4 mang lại cho bản tóm tắt thống kê cho các giải trình biếns và phụ thuộc vào biến, giá bán. Quantile giá trị repoRTed trong bảng 4 cho các biến độc lập là trung bình thgiá trị e được kết hợp với the bán giá được tìm thấy trong một trăm năm khoảng tin cậy xung quanh một quantil nhất địnhđiểm e (phụ thuộc vào biếnSP). Cho Ví dụ, giá bán liên kết với quantile điểm 0.2 là $123,000. phần trăm khoảng tin cậy của điểm này quantile bao gồm các phạm vi giá từ $121,902 cho $124,526 và những ngôi nhà với giá bán ở đây phạm vi có trên average cảnh vuông của 1,760.6. Mô hình đặt giá hedonic có dạng LN SP = Α + ∑tôi Βtôi Xtôi + Ε, nơi bán giá)SP) được thể hiện trong lo

Kết quả (Việt) 2:

6
nơi
y
i
là biến phụ thuộc vào quan sát
i
,
x
j, i
là
j
thứ biến regressor tại
quan sát
tôi
, và
b
j
ước tính của mô hình
j
thứ hệ số hồi quy. Ngược lại,
hồi quy quantile giảm thiểu một trọng
tổng các độ lệch tuyệt đối,
{}
0
,
0
phút
k
j
j
k
ijjii
b
ij
ybxh
=
=
-
ΣΣ
,
nơi mà trọng lượng
h
i
được định nghĩa là
2
i
hq
=
nếu số dư các
i
quan sát thứ đều lớn hơn hoặc là
22
i
hq
=
-
nếu còn sót lại cho
tôi
quan sát thứ là negativ
e hay không. Biến
q
(0
1)
q
<<
là
quantile được ước tính hoặc dự đoán.
Các sai số chuẩn của hệ số
ước lượng được ước tính bằng bootstrapping
như đề nghị của Gould (1992, 1997). Họ
là đáng kể ít nhạy cảm với
heteroskedasticity hơn
tiêu chuẩn ước tính lỗi ba
sed vào phương pháp được đề xuất bởi
Rogers (1993).
3
hồi quy quantile phân tích sự giống nhau hoặc không giống nhau của hồi quy
hệ số tại các điểm khác nhau
về sự phân bố của depe
biến ndent, mà là bán hàng
giá trong trường hợp của chúng tôi. Nó không
xem xét autocorrelatio không gian
n có thể có mặt trong các
dữ liệu. Bởi vì nhà có giá tương tự là unlik
ely là tất cả cluste
đỏ mặt địa lý, một
không thể mong đợi rằng hồi quy quantile sẽ
loại bỏ sự cần thiết phải chiếm không gian
tự tương quan.
3
Các hồi quy quantile sử dụng các "sqreg" lệnh trong Stata cho hạt giống 1001.
7
Trong bài báo này , tương quan không gian được đưa vào hồi quy quantile
khuôn khổ thông qua việc bổ sung
một biến lag không gian. Th
e biến lag không gian được
định nghĩa là
Wy
, nơi
W
là một ma trận trọng số không gian của
kích thước txt, trong đó T là số
quan sát, và nơi
y
là vector biến phụ thuộc, đó là kích thước của TX1. Bất kỳ
ma trận trọng số không gian có thể được sử dụng, ví dụ, một dựa trên
i
th vực gần
phương pháp hàng xóm, tiếp giáp, hoặc một số Othe
án r. Trong pres
ứng dụng ent, một
ma trận tiếp giáp được sử dụng.
4
Thêm một lag không gian để một OLS regres
sion nổi tiếng để gây ra suy luận
các vấn đề do sự nội sinh của các sp
lag atial (Anselin, 2001). Đây không phải là bất kỳ
khác nhau để tái quantile
hồi quy so với OLS. Chúng tôi follo
w phương pháp được đề xuất bởi Kim
và Muller (2004) để đối phó với điều này endoge
vấn đề neity trong hồi quy quantile. Như
cụ chúng tôi sử dụng các biến hồi quy và độ trễ không gian của họ.
5
Tuy nhiên, thay vì sử dụng một
hàm mật độ ước lượng cho nguồn gốc
của sai số chuẩn, chúng tôi làm theo cũng
lộ thành lập của bootstra
pping các sai số chuẩn
(Greene, 2000, tr. 400- 401).
6
4. Dữ liệu và dự toán Kết quả
nghiên cứu này sử dụng nhiều dịch vụ niêm yết (M
LS) dữ liệu từ Orem / Provo, Utah
khu
7
. Các dữ liệu bao gồm 1.366 nhà bán
s từ giữa năm 1999 đến giữa năm 2000. Bảng 3
cung cấp một mô tả của các biến. Hầu hết
là những đặc điểm nhà ở tiêu chuẩn, trong khi
một số đặc trưng cho khu vực. Các dữ liệu
cũng bao gồm một số địa lý và
4
Chương trình Matlab xy2cont.m của Econometrics Toolbox J.LeSage được sử dụng, đó là một sự thích nghi
của chương trình fdelw2.m Matlab của Kelley
không gian kê Toolbox Pace 2.0.
5
Nếu
X
xác định dữ liệu ma trận, sau đó các spatia
l trễ của các biến hồi quy được tính như
WX
, nơi
W
là
ma trận trọng không gian sử dụng cho việc xây dựng
của lag không gian của các biến phụ thuộc.
6
các bootstrap được dựa trên 500 lần nhắc lại.
7
các dữ liệu được sử dụng là tương tự các dữ liệu được sử dụng trong Zietz và Newsome (2002).
8
biến khu phố, trong đó
có nguồn gốc địa lý của
mã hóa tất cả các quan sát. Một mục tiêu
là để đo lường hiệu quả của hồi quy quantile trên một số lượng lớn các biến đa dạng.
Bảng 4 đưa ra thống kê tóm tắt cho các
biến giải thích
s và phụ thuộc
biến, giá bán. Các giá trị quantile repo
rted trong Bảng 4 cho các biến độc lập
là số trung bình của các thứ
giá trị e rằng có liên quan với thứ
giá bán điện tử được tìm thấy trong một năm phần trăm
khoảng tin cậy xung quanh một định quantil
e điểm của biến phụ thuộc (
sp
). Ví
dụ, giá bán kèm với qua
điểm NTILE 0.2 là $ 123,
000. Một năm phần trăm
khoảng tin cậy của điểm quantile này
bao gồm các phạm vi giá từ $ 121,902 đến
$ 124,526 và những ngôi nhà với giá bán trong này
nhiều có trên averag
vuông đ
1,760.6.
Các mô hình giá cả hưởng thụ có dạng
ln
sp
=
α
+
Σ
i
beta
i
X
i
+
ε,
nơi bán giá (
sp
) được thể hiện trong lo