问题标签 [quantile-regression]

我正在尝试通过 Matlab 中的简单设置来实现分位数回归过程。此页面包含对作为线性程序的分位数回归的描述，并显示了适当的矩阵和向量。我试图在 Matlab 中实现它，但我没有得到正确的bhat向量的最后一个元素。它应该在 1 左右，但我得到的值非常低（<1e-10）。使用我拥有的另一种算法，我得到的值为 1.0675。我哪里做错了？我猜A，b或者f错了。

我试过玩optimset，但我认为这不是问题。我想我在从数学到代码时犯了一个转换错误，我只是看不到在哪里。

我有这个包含两列（Y 和 X）的数据框。

使用quantreg包我可以估计以 X 为条件的 Y 的分位数。

我无法以 X 为条件建立 Y 的累积密度函数。有人可以帮助我吗？

估计分位数：

在此之后，如何生成累积分布函数 (Fx)？

这是我的data.frame：

我正在寻找一种在 R 中进行非负分位数和 Huber 回归的快速方法（即所有系数均 > 0 的约束）。我尝试使用CVXR用于分位数和 Huber 回归的quantreg包以及用于分位数回归的包，但是当我使用非负约束时，CVXR它非常慢并且quantreg看起来有问题。有人知道 R 中有一个好的快速解决方案吗，例如使用Rcplex包或R gurobi API，从而使用更快的 CPLEX 或 gurobi 优化器？

请注意，我需要运行低于 80 000 次的问题大小，因此我只需要y在每次迭代中更新向量，但仍然使用相同的预测矩阵X。从这个意义上说，我觉得CVXR我现在必须obj <- sum(quant_loss(y - X %*% beta, tau=0.01)); prob <- Problem(Minimize(obj), constraints = list(beta >= 0))在每次迭代中做效率低下，而问题实际上保持不变，而我想要更新的只是y. 有什么想法可以更好/更快地完成这一切吗？

最小的例子：

使用 CVXR 的非负分位数回归：

非负 Huber 回归的语法相同，但会使用

quantreg使用包的非负分位数回归：

我使用quantreg包估计了一个线性回归模型。我现在想使用以下plot()函数以图形方式显示结果：

结果如下（我只能链接图像）：

例子

正如您在最左边看到的那样，y 轴的描述被截断了。然后我尝试调整边距参数，但它似乎对情节的影响为零。例如：

当我现在运行上述代码时，它会产生完全相同的图。另一方面，当绘制简单数据（而不是summary()分位数回归rq()）时，边距会被调整，并且绘图会显示新的边距向量。

我会很感激这方面的帮助。谢谢你。

我正在为 R 中的波士顿住房数据构建分位数回归模型 + LASSO 惩罚。我发现了 2 个可以构建这种模型的包：rqPen 和 quantreg。rqPen 实现了一个交叉验证过程来调整 LASSO 参数 lambda，所以我决定使用这个。我考虑了算法自动选择的 100 个不同的 lambda 值和 10 个折叠：

CV 的结果是最小绝对误差为 4.2，λ 值为 0.46。该模型仅考虑预测变量“zn”、“tax”、“b”和“lstat”，并将与其余预测变量相关的系数发送为零。

我决定使用另一个包 quantreg 包构建相同的模型，但保持 lambda 值。我预计这两个包中的模型不完全相等，但在模型中包含的预测变量方面相似。

我发现在这个模型中所有的预测变量都被使用了，所以它与第一个完全不同。

难道我做错了什么？rqPen 包在计算上是否失败？

我通过应用 rq 估计了之前由 OLS 估计的线性回归模型的 0.1 条件分位数。原始数据由 8760 行组成（一年的每小时数据）。

我现在想使用估计的模型来预测更小的时间跨度：

但它会导致以下警告消息：

我得到的结果包含 8760 行。似乎它只是使用旧数据。

这里到底是什么问题，有没有办法解决这个问题？

编辑：当我使用具有相同行数的新数据时，它工作得很好。

我正在尝试使用 Python 中的分位数回归来预测我的目标变量。

我正在考虑用于训练和验证的数据来自 2015 年 10 月 -2017 年 12 月 31 日期间。

现在模型已经开发，我试图预测 2018 年 1 月的值，这会引发以下错误：

ValueError：操作数无法与形状一起广播 (34,) (33,)

如果我检查，错误来自statmodels中的分位数regression.py文件。

我看过类似的关于堆栈溢出的帖子，建议检查目标变量的数据类型是否为数字。这是变量的 dtype：

ASBCU_SUM：int64

月份：类别

年份：类别

WeekofMonth：类别

isHoliday: int64

天数：int32

PCOP_SUM：int64

PCOP_CS：int64

PCOP_LS：int64

PCOP_IFS：int64

PCOP_LSS：int64

PCOP_FS：int64

PCOP_FSS：int64

DayOfWeek_3：float64

DayOfWeek_2：float64

DayOfWeek_5：float64

DayOfWeek_7：float64

DayOfWeek_4：float64

DayOfWeek_6：float64

使用 2015-2017 年数据开发模型时，数据类型也相同。

我真的很感激任何帮助..

我正在使用Stata中的几种回归（概率，logit，分位数回归，......）我想知道如何在回归者的样本均值处预测因变量。这对于 OLS 来说很简单，但看不到如何为分位数回归获取它。

我确信这很容易解决，但我有一个关于分位数回归的问题。

假设我有一个遵循二阶多项式曲线趋势的数据框，并且我构建了一个通过数据的不同部分拟合的分位数回归：

我可以通过“predict.rq”函数获得最大 y 值，您可以在下面的图中看到。

所以我的问题是如何获得与每个分位数的最大 y 值（即斜率中断）相对应的 x 值？

我已经开始使用scikit-garden包中的分位数随机森林 (QRF)。以前我使用RandomForestRegresserfrom创建常规随机森林sklearn.ensemble。

看起来 QRF 的速度与具有小数据集大小的常规 RF 相当，但是随着数据大小的增加，QRF 在做出预测时变得比 RF 慢得多。

这是预期的吗？如果是这样，有人可以解释为什么做出这些预测需要这么长时间和/或就如何更及时地获得分位数预测提供任何建议。

请参阅下面的玩具示例，我在其中测试各种数据集大小的训练和预测时间。

这是输出： RF 和 QRF 训练和预测的时间比较