Квантильный регрессионный прогноз

Я заинтересован в использовании квантильной регрессии для некоторых из моих моделей, но хотел бы получить некоторые разъяснения о том, что я могу достичь с помощью этой методологии. Я понимаю , что я могу получить более надежный анализ IV / DV отношений , особенно когда сталкивается с выбросами и гетероскедастичностью, но в моем случае акцент делается на предсказании.

В частности, я заинтересован в улучшении подгонки моих моделей, не прибегая к более сложным нелинейным моделям или даже кусочно-линейной регрессии. Можно ли при прогнозировании выбрать квантиль результата с наибольшей вероятностью на основе значения предикторов? Другими словами, возможно ли определить квантильную вероятность каждого прогнозируемого результата, основываясь на значении предикторов?

Правая часть модели в квантильной регрессии имеет ту же структуру и типы допущений, что и другие регрессионные модели, такие как OLS. Основные различия с квантильной регрессией заключаются в том, что квантили распределения обусловленного напрямую предсказываются, не прибегая к параметрическим распределенным манипуляциям (например, ), и что никакая форма распределения остатков не предполагается другой чем предполагая, что является непрерывной переменной.X ˉ x ± 1,96 с $Y$$X$$\bar{x} \pm 1.96s$$Y$

Квантильная регрессия - это предсказание квантилей зависимой переменной. В «регулярной» регрессии мы предсказываем среднее значение DV. Но интерес может быть и в других частях ДВ. Например, вам может быть интересно предсказать, какие новорожденные дети будут очень легкими, какие песни будут исключительно популярными или какие клиенты купят тонну вещей.

Я написал статью об этом для NESUG в прошлом году.