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