Koenker и Machado описывают , локальную меру качества соответствия в определенном ( ) квантиле. R 1 τ[1]R1τ
ПустьV(τ)=minb∑ρτ(yi−x′ib)
Пусть и будут оценками коэффициентов для полной модели и ограниченной модели, и пусть и будут соответствующие термины. ~ β (τ) V ~ V Vβ^(τ)β~(τ)V^V~V
Они определяют критерий соответствия .R1(τ)=1−V^V~
Кенкер дает код для здесь ,V
rho <- function(u,tau=.5)u*(tau - (u < 0))
V <- sum(rho(f$resid, f$tau))
Поэтому, если мы вычисляем для модели с использованием только перехвата ( - или в фрагменте кода ниже) и затем неограниченной модели ( ), мы можем вычислить это - по крайней мере, условно - чем-то похож на обычный .~ V V R 2VV~V0
V^R1 <- 1-Vhat/V0
R2
Изменить: В вашем случае, конечно, второй аргумент, который будет вставлен в, где f$tau
находится в вызове во второй строке кода, будет любым значением, которое tau
вы использовали. Значение в первой строке просто устанавливает значение по умолчанию.
«Объяснение отклонения от среднего значения» на самом деле не то, что вы делаете с квантильной регрессией, поэтому не стоит ожидать, что будет действительно эквивалентный показатель.
Я не думаю, что концепция хорошо переводит квантильную регрессию. Вы можете определить различные более или менее аналогичные величины, как здесь, но независимо от того, что вы выберете, у вас не будет большинства свойств, которые имеет в регрессии OLS. Вы должны четко понимать, какие свойства вам нужны, а какие нет - в некоторых случаях может быть возможно иметь показатель, который делает то, что вы хотите.R 2R2R2
-
[1] Koenker, R and Machado, J (1999),
Goodness of Fit и связанные процессы вывода для квантильной регрессии,
журнал Американской статистической ассоциации, 94 : 448, 1296-1310.