中国对外贸易对经济增长的影响——基于改进的两阶段面板数据分位数回归

针对面板数据回归模型,本文结合复合分位数回归,提出了改进的两阶段分位数回归估计方法,所提出的估计不仅保留了分位数回归的优点,而且保留了变量的含义.进一步,采用所提出的方法分析了对外贸易对经济增长的影响.分析表明,对外贸易对经济增长具有正向影响,且在对外贸易开放度越高的地区,其对经济增长的影响越大。     

面板数据分位回归中适应性LASSO调节参数的选择

在带有罚函数的变量选择中,调节参数的选择是一个关键性问题,但遗憾的是,在大多数文献中,调节参数选择的方法较为模糊,多凭经验,缺乏系统的理论方法.本文基于含随机效应的面板数据模型,提出分位回归中适应性LASSO调节参数的选择标准惩罚交叉验证准则(PCV),并讨论比较了该准则与其他选择调节参数的准则的效果.通过对不同分位点进行模拟,我们发现当残差E来自尖峰分布和厚尾分布时,该准则能更好地估计模型参数,尤其对于高分位点和低分位点而言.选取其他分位点时,PCV的效果虽稍逊色于Schwarz信息准则,但明显优于A1kaike 信息准则和交叉验证准则.且在选择变量的准确性方面,该准则比Schwarz信息准则、Akaike信息准则等更加有效.文章最后对我国各地区多个宏观经济指标的面板数据进行建模分析,展示了惩罚交叉验证准则的性能,得到了在不同分位点处宏观经济指标之间的回归关系.     

基于面板分位回归方法的我国金融发展对城乡收入差距影响分析

在收入差距的不同分位点上,金融发展对其的影响会展现出不一样的特征。由于我国区域金融发展不均,这一作用机制还具有显著的地区差异。本文利用面板分位回归模型和面板数据聚类方法探寻金融发展对贫富分化作用的分位点特征和地区差异。实证表明,我国大部分地区的金融发展加剧城乡收入差距的扩大,并且这一作用机制存在动态变化特征。当城乡收入差距从高分位点变动到低分位点时,金融发展拉大城乡收入差距的作用逐渐减缓,部分省份甚至具有金融发展抑制城乡收入差距扩大的效应。本文的研究结论将为业内人士和政府的相关决策提供参考依据。     

面板数据分位数回归模型求解的模式搜索法

本文应用最优化理论,对固定效应的面板数据分位数回归模型,提出一种模式搜索方法,此方法可以同时估计出所有分位点处的解释变量系数和所有个体的固定效应值。进一步利用蒙特卡洛模拟比较现有文献中涉及的面板数据分位数回归方法,结果显示无论误差项是否满足经典假设,模式搜索分位数回归法较之其他分位数回归估计方法更为有效.     

基于动态因子结构的贝叶斯分位面板协整研究

针对传统面板协整检验在建模过程中易受异常值影响以及其原假设设置的主观选择问题,本文利用动态公共因子刻画面板数据潜在的截面相关结构,提出基于动态因子的截面相关结构的贝叶斯分位面板协整检验,结合各个主要分位数水平下参数的条件后验分布,设计结合卡尔曼滤波的Gibbs抽样算法,进行贝叶斯分位面板协整检验;并进行Monte Carlo仿真实验验证贝叶斯分位面板协整检验的可行性与有效性。同时,采用中国各省金融发展和经济增长的面板数据进行实证研究,结果发现在各主要分位数水平下中国金融发展和经济增长之间具有协整关系。研究结果表明:贝叶斯分位面板协整检验方法避免了传统面板数据协整方法由于原假设设置不同而发生误判的问题,克服了异常值的影响,能够提供全面准确的模型参数估计和协整检验结果。     

面板数据分位数回归模型的工具变量估计

针对含有内生变量的面板数据回归模型,提出基于工具变量的分位数回归估计方法.首先,通过引入工具变量解决协变量的内生性问题,然后利用分位数回归的方法对回归系数进行估计.在一些正则条件下,证明所提出估计的大样本性质,通过模拟研究证实该方法的有限样本性质.     

空间分位自回归模型的EM估计

基于EM算法对空间分位自回归模型提出了一种新的参数估计方法,通过构造一个集中Q函数,简化了M步中空间滞后参数的估计.与已有的ELQR和ⅣQR方法相比,方法计算简单,蒙特卡洛模拟结果表现较好.     

社会经济地位与教育回报率的无条件分位回归分析——基于CGSS2010年调查数据

无条件分位回归可以在不同分位点上提取教育对收入的一般边际影响。本文使用FFL的无条件分位回归技术,分析了CGSS2010年调查数据,综合父亲的最高教育程度、母亲的最高教育程度和本人认为的14岁时的家庭社会等级三个变量,使用因子分析方法度量了家庭社会经济地位,并根据不同的家庭社会经济地位分别进行了教育回报率的无条件分位回归分析,得出了家庭社会经济地位的不同正在加大群体性的教育回报率差异的结论。     

我国城乡居民收入影响因素研究——基于省际面板分位数回归分析

随着我国经济的快速发展,居民收入差距逐渐成为众多学者的研究热点之一。本文利用2002-2009年我国30各省市自治区的省际面板数据,运用面板固定效应变换分位数回归方法对影响我国城乡居民收入的影响因素进行了实证分析。研究结果表明,人均教育年限、人均积累资本、就业率以及居民收入结构等因素在城镇与农村问的作用效果有所不同,人均受教育年限在农村中的边际收益更高,就业率在城镇中影响显著,而居民的转移性和财产性收入在总收入中的比重的提高对在城乡间影响作用相反。     

固定效应面板数据的无条件分位数回归方法及其应用

针对含固定效应的面板数据,讨论一般化的无条件分位数回归建模问题。基于两个矩条件,得到面板数据无条件分位数回归的点估计,并通过Bootstrap重抽样技术进一步给出置信区间估计办法。其次,通过计算机蒙特卡洛模拟,详细比较无条件分位数回归估计与条件分位数回归估计的效果。研究结果表明,在数据量、误差项分布、估计参数真实值的不同情况下,UQR的估计偏差和均方根误差都很小,UQR是含固定效应面板数据的有效估计办法。当样本量增加或者估计参数真实值数量级增大的情况下,UQR估计会更有效。UQR估计在0.5分位点的估计效果最佳,低分位点的估计效果优于高分位点的估计效果。最后,根据各省市的消费收入数据进行了实证研究,发现UQR能更好地解释实际的消费情况。     

中国城镇居民消费结构的平行数据分析

基于持久收入假设消费函数理论,运用平行数据模型建立中国城镇居民消费函数的计量形式,运用平行数据的基本模型、变截距模型和变系数模型进行估计和检验,分析中国城镇居民收入差异及其变动对消费结构变化的影响。     

中国农村居民消费结构的Panel Data模型分析

基于持久收入假设消费理论,建立中国农村居民消费的Panel Data模型,分析中国农村居民不同收入层次之间的消费差异,以及这种差异对农村居民消费结构的影响.结果表明:不同收入层次的农村居民的总消费支出差异显著,衣着消费模型为变截距模型,而居民食品、居住等其他消费支出差异不显著,模型表现形式一致,因此启动农村居民消费需求归根到底是要提高低收入层次居民的收入,拉动高收入层次居民的消费需求。     

一种面板数据分位数回归模型的工具变量方法

本文将工具变量分位数回归模型(IVQR)应用到面板数据中,结合Canay对面板分位数回归的两步估计法以及Chernozhukov对IVQR模型的估计方法,提出了两步面板分位数工具变量估计法(2S-IVFEQR),并给出相应的参数估计。本文提出的方法较已有的方法计算复杂度低,蒙特卡洛模拟结果显示在数据量不大或者处理长面板数据时,2S-IVFEQR方法要优于传统的IVFEQR方法,且运算时间短。     

大规模数据的L1惩罚分位数回归方法研究--基于特征筛选和随机抽样方法

为解决大规模数据在进行回归分析时存在的计算内存不足和运行时间较长的问题,提出两个新的回归分析方法:先筛选后抽样的大规模数据L₁惩罚分位数回归方法(FSSLQR)和先抽样后筛选的大规模数据L₁惩罚分位数回归方法(SFSLQR),其数值模拟和实际应用结果表明:FSSLQR和SFSLQR方法不仅能够显著降低计算内存和运行时间,而且其估计预测和变量选择的结果与全量L₁惩罚分位数回归基本一致。此外,与Xu等(2018)提出的大规模数据的L1惩罚分位数回归方法(SLQR)相比,FSSLQR和SFSLQR方法在估计预测、变量选择和运行时间等方面都更具优势。     

Modal Regression Based on Nonparametric Quantile Estimator

Modal regression based on nonparametric quantile estimator is given. Unlike the traditional mean and median regression, modal regression uses mode but not mean or median to represent the center of a conditional distribution, which helps the model to be more robust for outliers, asymmetric or heavy-taileddistribution. Most of solutions for modal regression are based on kernel estimation of density. This paper studies a new solution for modal regression by means of nonparametric quantile estimator. This method builds on the fact that the distribution function is the inverse of the quantile function, then the flexibility of nonparametric quantile estimator is utilized to improve the estimation of modal function. The simulations and application show that the new model outperforms the modal regression model via linear quantile function estimation.     

Fast Nonparametric Quantile Regression With Arbitrary Smoothing Methods

The calculation of nonparametric quantile regression curve estimates is often computationally intensive, as typically an expensive nonlinear optimization problem is involved. This article proposes a fast and easy-to-implement method for computing such estimates. The main idea is to approximate the costly nonlinear optimization by a sequence of well-studied penalized least squares-type nonparametric mean regression estimation problems. The new method can be paired with different nonparametric smoothing methods and can also be applied to higher dimensional settings. Therefore, it provides a unified framework for computing different types of nonparametric quantile regression estimates, and it also greatly broadens the scope of the applicability of quantile regression methodology. This wide applicability and the practical performance of the proposed method are illustrated with smoothing spline and wavelet curve estimators, for both uni- and bivariate settings. Results from numerical experiments suggest that estimates obtained from the proposed method are superior to many competitors. This article has supplementary material online.