Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 344 · 2017 Informatyka i Ekonometria 12
Grażyna Trzpiot
Uniwersytet Ekonomiczny w Katowicach Wydział Informatyki i Komunikacji
Katedra Demografii i Statystyki Ekonomicznej grazyna.trzpiot@ue.katowice.pl
GEOMETRYCZNE WŁASNOŚCI REGRESJI KWANTYLOWEJ
Streszczenie: Zastosowania miar porządkowych, w tym kwantyli, znajdujemy w róż- nych obszarach zastosowań, w szczególności w statystyce odpornej. Odejście od kla- sycznego podejścia bazującego na momentach zmiennej losowej wynika zazwyczaj z analizowanego zbioru danych, który nie spełnia założeń modeli. Dwa pierwsze mo- menty zmiennej losowej, na których budujemy dalej modele regresji, nie są adekwatne w opisie zbiorów danych z obserwacjami odstającymi. Zbiory danych z asymetrycznymi rozkładami również nie powinny być analizowane z wykorzystaniem modeli regresji estymowanych MNK. Celem artykułu jest prezentacja własności geometrycznych regre- sji kwantylowej. To podejście metodologiczne wykorzystuje wartości rozkładu, wyzna- czając zbiór kwantyli oraz zbiór modeli regresji.
Słowa kluczowe: kwantyle, regresja kwantylowa, własności modeli regresji kwantylo- wych.
JEL Classification: C14, C20, C21.
Wprowadzenie
Regresja kwantylowa pozwala na estymację wpływu zmian wartości roz- kładu zmiennej objaśniającej na rozkład zmiennej objaśnianej. Podstawowe zasady przyświecające temu podejściu znajdujemy w pracy autorów Koenker i Bassett [1978] oraz podjęte raz jeszcze w pracy Koenker [2005]. Wykorzysta- nie tego podejścia jest coraz powszechniejsze, zwłaszcza w analizach zbiorów o zależnościach nieliniowych czy o obserwacjach odstających, dla których po- dejmujemy się oceny ryzyka wystąpienia zdarzeń.
Grażyna Trzpiot 146
W ilościowym zarządzaniu ryzykiem miary ryzyka służą do określania pre- ferencyjnego porządku wśród pozycji finansowych z losowym wynikiem. Pozy- cja finansowa jest postrzegana jako zmienna losowa, która odwzorowuje każdy stan natury x w rzeczywistą wartość. Wartość zmiennej losowej odpowiada wy- nagrodzeniu (lub jest to stopa zwrotu) zapewnianemu przez instytucję finansową, gdy wystąpi stan x. Miary ryzyka mają na celu uwzględnienie kompromisu między wartościami, jakie może zajmować pozycja finansowa, a ryzykiem lub zmienno- ścią tych wartości. Wybór miary ryzyka określa profil ryzyka inwestycyjnego.
Miara ryzyka, jaką jest wartość zagrożona (VaR), kwantyl rozkładu prawdopo- dobieństwa dla stopy zwrotu z inwestycji, została wykorzystana w instytucjach finansowych [RiskMetrics, 1995]. Miara ta została skrytykowana za brak wy- krywania niekorzystnych wartości stóp zwrotu w ogonie rozkładu prawdopodo- bieństwa [Donnelly, Embrechts, 2010; Trzpiot, 2007a; 2007b; 2009a]. Wprowadzo- no klasy ryzyka, które spełniają pewne pożądane właściwości. Klasa wypukłych miar ryzyka [Föllmer, Schied, 2002] obejmuje monotonne i wypukłe odwzoro- wania, które posiadają własność niezmienniczości translacji. Koherentne miary ryzyka [Artzner i in., 1999] stanowią podklasę wypukłych miar ryzyka, są to miary dodatnio homogeniczne. Mogą być wyrażone jako najgorszy oczekiwany wynik portfela, gdy miara prawdopodobieństwa stóp zwrotów z aktywów zmie- nia się w zbiorze niepewnych stóp zwrotu [Artzner i in., 1999; Trzpiot, 2016].
Warunkowa wartość zagrożona (CVaR), czyli oczekiwana wartość portfela na ogonie rozkładu stopy zwrotu portfela, która leży poza ustalonym kwantylem rozkładu, jest koherentną miarą ryzyka. Optymalny portfel wykorzystaniem CVaR można wyznaczyć, wykorzystując różne estymatory [Rockafellar, Uryasev, 2000; Trzpiot, 2007a; 2007b; 2008; 2009a; 2009b]. W artykule podejmujemy problem geometrycznych własności regresji kwantylowej celem wskazania zalet metodologii, która jest wykorzystywana w wielu analizach, a w szczególności w opisie ryzyka, w tym finansowego.
1. Funkcja kwantyli rozkładu zmiennej losowej
Rozważamy przestrzeń probabilistyczną (Ω, F, Ƥ) oraz klasę zmiennych lo- sowych L1(Ω, F, Ƥ). Dystrybuanta zmiennej losowej Y ∈ L1(Ω, F, Ƥ) będzie zapisana jako FY(y) = P(Y ≤ y).
Funkcja kwantyli zdefiniowana jest następująco:
QY(u) = inf { y ∈ R : FY (y) ≥ u},
co można zapisać równoważnie QX(u) = FX−1
( )
u . Możemy rozważać:R Ź
w
2
c z
W
g Rys Źród
war
2. E
cji, z dy
Qˆτ
Wó
gdz Za
s. 1.
dło: O
Po runk
Est W w t ystr Za
τ= a
ówc
zie f atem
Prz Opra
opr kow
ym W ba tym rybu apis argm
zas
f jes m d
zykł cowa
zez wyc
mac ada m kw
uan szem min
s dla
st fu dla d
łado anie
z de ch F
cja nia wan ntą F
my n{∑
= n i
a n
unk dow
owe wła
efin F(y|x
kw ch ntyl F.
y Qτ
∑= n
1 R
→
kcja Ge
woln
e wy sne.
nicję x) =
wan nie li. R
τ = Rqτ
∞:
a gę eom
Q nej
ykre
ę pr
= P
nty zwy Rozw
arg (yi
Rqτ
n( ęsto
metry
QY( ros
esy f
rzy [Y ≤
yli r ykl waż gmi
− q
τ(u)
(Qˆ ści
yczn
(u) = snąc
funk
ytoc
≤ y
roz e is żmy in{E q)},
) =
τ − zm
ne w
= su cej
kcji
czon
|X =
kła stot
y pr E [R
dla u ·(
Qτ) mien
włas
up{
tran
i dy
ną p
= x]
adu tny
rób Rqτ a fu (τ −
τ) → nnej
snoś
{y ∈ ansf
ystry
pow ] i r
u zm jes bę p (Y unkc
− 1(
→ N j Y.
ści r
∈ R form
ybua
wyż rów
mie t pr pros
− q cji r (u <
N (0 regr
R: F macj
anty
żej wnow
enn robl stą { q)]}
ryz
< 0)
0, τ
resji
FY (y cji t,
y i fu
otrz waż
nej lem {y1, }, g yka )), τ
τ (1 i kw
y) <
, Qt
funk
zym żnie
los m es , … gdzi a:
τ ∈ − τ
want
< u}
t(Y )(
kcji
muje e Q
sow stym
…, yn ie Y
[0,
τ)/f2 tylow
}.
(τ) =
kwa
emy QY |x(
wej mac
n} p Y m
1].
f2(Q wej
= t(
anty
y z (u)
cji p poch ma d
.
Qτ), j
(QY
yli
zapi
= F
para hod dyst
Y(τ
is d F−1(
ame dząc tryb
)).
dla r u|x
etró cą z buan
roz x).
ów p z po antę
zkła
pop opu
F 14
adów
pula ulacj ora
7
w
a- ji az
Grażyna Trzpiot 148
Estymacje empirycznych kwantyli na podstawie próby, które możemy wy- konać z wykorzystaniem Minitab i SPSS, zostały opisane w pracy Hyndman i Fan [1996]. Na kolejnych rysunkach przedstawiono metody estymacji i wyniki estymacji różnych opisanych w tej pracy algorytmów wraz z kodami w R (rys. 2-4).
Rys. 2. Odwrotność empirycznej dystrybuanty Źródło: Hyndman, Fan [1996].
Rys. 3. Liniowa interpolacja empirycznej dystrybuanty Źródło: Hyndman, Fan [1996].
Geometryczne własności regresji kwantylowej 149
Rys. 4. Liniowa interpolacja empirycznej dystrybuanty Źródło: Hyndman, Fan [1996].
3. Modele regresji i metody estymacji
Modele regresji mają na celu wskazanie wpływu zbioru zmiennych objaśnia- jących na wybraną zmienną objaśnianą. Klasyczny model regresji liniowej jest wartością oczekiwaną rozkładu warunkowego zmiennej objaśnianej. Model regre- sji kwantylowej jest rozkładem warunkowym kwantyla odpowiedniego rzędu.
Rozważmy model liniowy y = β0 + xTβ +ε , prawie wszędzie, wówczas:
E[Y |X = x] = xTβ.
Następnie rozważmy funkcję regresji względem rozkładu warunkowego dowol- nego kwantyla rzędu τ:
Q(τ |X = x) = β0 + Qε(τ ) + xTβ.
Estymacje przeprowadzamy odpowiednio metodą najmniejszych kwadratów (rys. 5 i 6) oraz metodą najmniejszych bezwzględnych odchyleń1. Dla modelu liniowego: yi = β0 + xTβi + εi wyznaczamy rozwiązania:
⎟=
⎠⎞
⎜⎝
⎛βˆMNK,βˆMNK
0 argmin( ∑
= n
i 1 (yi − β0 + xTβi )2),
⎟=
⎠⎞
⎜⎝
⎛βˆLAD,βˆLAD
0 argmin( ∑
= n i 1
|yi − β0 + xTβi |).
1 LAD – Least Absolute Deviation – metoda najmniejszych bezwzględnych odchyleń.
1
R Ź
[ t n e
R Ź
150
Rys Źród
[ε|X tym nie esty
Rys Źród
0
s. 5.
dło: O
R X] = mato jes yma
s. 6.
dło: O Zb Opra
ozw
= 0, oram
t sy ator
Re Opra
iór cowa
waż , w mi p yme ram
szty cowa
obs anie
żając wów
par etry mi β
y reg anie
serw wła
c za wcza
ram yczn β. Je
gres wła
wacj sne.
ada as ⎜⎝⎛ metró
ny, eżel
sji o sne.
i i l
anie
⎝⎛βˆ0M ów
ale i M
oraz linio
tak 0MNK
(
β e E[Me[ε
z lin owa
kie, NK,
β0,, [ε|X
|X]
niow G
a fun
że βˆM
)
β X] =
= γ
wa fu Graż
nkcj
roz MNK . R
= 0, γ, w
funk żyna
ja re
zkła
⎟⎠
⎞ K Rozw
wó wów
kcja a Tr
egre
ad ε or waż ówc wcza
reg rzpi
esji
ε|X az żają czas as β
gresj iot
jes
⎜⎝
⎛βˆ ąc p s βˆ
0L
βˆ
ji t sy βˆ0LAD
przy βˆMN LAD
yme D,β ypa NK Djes
etry βˆLA adek
ora st zb
yczn AD k ta az β
bież ny o
⎟⎠
⎞ s aki, βˆLA żne
oraz są z , że AD e do
z E[
zgo e ro
są o β0
[ε|X odny ozk
zgo
0 + γ X] =
ymi kład
odn γ.
= M i es d ε|X
nym Me
s- X mi
β
W
g
s w – –
– Z m m i
R Ź
ˆM
β
W s
gdz
szą wag – o r – r s ( – w Zate mni muj i wy
Rys Źród
Es
MNK
swo
zie:
Ta wa gi z
A obs rozk regr skła (sce wła em iejs jem yzn
s. 7.
dło: O
stym , je
ojej
ak z ażo zależ Aby
serw kład reso adn entr asno reg zyc my
nacz
Mo Opra
mat est r
pra
zap ną żą o
esty wacj
dzie ory nik row ość gres ch k
k (
εi
zmy
odel cowa
tor rozw
acy
ωτ prop śre od ś ym je ( e, y (z
loso wana
„lo sja kwa
=
) k
y w
le w anie
wy wią
An
β
ˆτ(
βτ
pon edni
śred mato
(Yi, zmie owy a), okal kw adra
= yi ażo
waru wła
Ge
yzna ązan
ˆM
β ngri
=
)
β = ow iokw dnie
ry b Xi enn y, ε lnej want atów
i− oną
unko sne.
eom
acz niem
MNK
ist, arg
= ∫1
0
ana wad ej w były
i) m ne o ε je j ide tylo w. W
T
xi β MN
owe metry
zony m ró
K = Ch gmin
(1 a me dra waru
y zg musz obja est
enty owa
Wybβ(k
NK
ej śr yczn
y m ówn
= arg hern
n {E
1 − etod tow unk god zą aśn
zm yfik a m
bier−1), K, ab
redn ne w
meto nan gmi nozh E [
u)fy
da p wą a kow dne, być niają mien kacj może ram , a by e
niej włas
odą nia r in{E huk
ωτ
fy|x(u poz apr wej , mu ć (w ące) nną
ji”
e by my p
na esty
ora snoś
ą na rów E([
kov
(
βuxT
zwa roks fun usz war ) m
los [fε( yć poc astę ymo
az m ści r
ajm wnow
E[Y
)
i F(QTβ +
ala n sym nkcj zą b runk mus
sow (0)X pos zątk ępni
owa
mode regr
mnie waż Y |X ern Qτ [Y
+ (1 na w macj
i gę być
kow zą wą c
XXT strz kow ie d ać β
ele w resji
ejszy żne X = x nand
Y |X
− u wyz ją r ęsto spe wo) mi ciąg
T] je ega we β
defi β(k).
waru i kw
ych ego:
x] − dez- X =
u)Q
zna regr ości ełnio
nie eć głą est d ana
β(0) finiu
unk want
h kw :
− xT -Va x]
Qτ [Y
acze resj i Y one ezal ogr Xi, dod jak , np ujem
kow tylow
wad
Tβ) al [2
− x
Y |X
enie ji k wzg e pe
leżn ran
z datn ko i p. β my
wych wej
drat
2]}.
200 xTβ)
X = e
β
ˆτkwa ględ ewn
ne niczo
me nio iter βMNK
wa
h kw j
tów
. 06] u
)2]}
x])
β
τ, k antydem ne w ora ony dia okr racy
K. W agi
want w, z
udo ,
)du.
któr ylow m xT waru az o y d aną reśl yjna W k ωτ
tyli zapi
owo
. re j wej
Tβ. unk o ty drug wy ona a m krok( )k
ωτ isan
odn
est , w ki:
ym gi m ynos
a.
meto ku k
=R ny j
nili,
naj w kt
sam mom sząc
oda k pr
(
Rτ ε 15
jak
że:
jlep tóre
mym men
cą
naj rzyj( )k
εi
1
ko
:
p- ej
m nt 0
j-
)j-
)
1
c r
J
g r
4
c
W
R Ź
n M l n 152
ciąg regr
Jak
gdz runk
4. W
cje,
Wp
Rys Źród
niem Mu linii nie
2
W głyc resj
zap
zie kow
Wy M na
prow
s. 8.
dło: O
Pr my usim i w
z k W kl
ch, je k
prop
FˆY
weg
ybr Może
któ
wad
Wł Opra
rzes pun my m wzgl
kier lasy
roz kwa
pon
Y |X=
go.
ane emy óryc
dzam
łasn cowa
sun nkt min
ęde runk
yczn zwi anty
now
=x(y
e w y za ch b
my
nośc anie
nięc t po nąć em
kiem nym iązu ylow
wan
y) m
włas aob bud
tran
ci ge wła
ie w o lew pe pun m o
m z ujem we,
o w
moż
sno bser duje
nsfo
eom sne.
w g wej wie nktu osi
zada my pró Q w pr Qˆ że b
ości rwo emy
form
metry
górę , a en p u w
OY aniu
za óbuj QY |X raca
Y |X
być
i re owa
y m
macj min
yczn
ę od nas pun wspi Y), w
u re dan jem
X = x ( ach
X = x ( est
egr ać, ż mode
ję: y nim
ne r
d w stęp nkt
iera wów
G
egre nie my r
(u) Ne (u) tym
resj że r el. Z
y yi =
mum
regr
wyzn pne (su ając wcz
Graż
esji E[
rozw
= in ewe
= i mato
i k regr Zac yi =
= (β m ∑
= n i
resji
nacz prz uma cego
zas żyna
, w Y |X wią
nf{
ey, P inf{
orem
kwa resj czyn
= β0
β0 ±
∑=
n y
1
i me
zon zesu a je o (r po
a Tr
w sz X = ązać {y : Pow {y :
m j
anty ja m nam
0 + β
± ε)+
i−
edia
nej unię est l rys.
owię rzpi
cze
= x ć za
FY well
Fˆ ądr
ylo med my o
β1x + β
( β
0anow
lini ęcie lini
9).
ęks iot
egól x] = adan
|X=x
l [1
Y |X=
row
owe dian od l
i. β1xi,
0+
wej
ii ob e bę
ow . Je za
lnoś
= ∫
R
nie (y) 987
=x(y wym
ej now
linii
a n
1x
β
– pr
bni ędz wa w
żeli się
ści
R∫ yd (ry
≥ u 7] o y) ≥ m dy
wa z i re
nast
i
)
x
rzes
iża zie p w ε) i ob wa
dla dFY
s. 7 u}.
oraz u}
ystr
zaw egre
tępn .
suni
war pow ε). R brót arto
a zm
= x X
7):
z Li , rybu
wsze esji:
nie
ięci
rtoś więk Roz
t bę ość
miex
(
yi, R
uan
e m :
wy
e
ść s ksza zwa
ędzi sum
nny
)
y .
Racin
nty
a d
yzna
sum ać s ażm ie w my
ych Wy
ne
roz
dwie
acza
my o sum my t
w g (du
h lo yzn
[20
zkła
e ob
amy
o ε, mę ( tera górę uży
sow nacz
007]
adu
bser
y:
, aż (rys az o ę (zg
wp wyc
zają
]:
wa
rwa
ż mi s. 8) obró god pływ
ch ąc
a-
a-
i- ).
ót d- w
p o
R Ź
w r 1
2
τ
2
3
pun osi
Rys Źród
wów regr 1) R
2) R M
τ
a
2 1 2
3 B3
nktu OY
s. 9.
dło: O
Je wcz resj R Rów
Rów Ma
W a
β
> li
> fi
> w Badan
u po Y), w
Wł Opra
eżel zas ja m
ozw wno
wno acier
Wyk
β
ˆτ p
brar it <- which
nia d
o pr wów
łasn cowa
li o pom med
waż owa
β
owa rz A
korz prac
ry (q rq(d h (p dla d
raw wcz
nośc anie
obró mn dian żym ażn
β
ˆτ( ażn A mzyst cę A
quan dist redi duże
wej) zas
ci ge wła
ót b niejs now my w
nik s (αY ność ma w
tam Abr
ntreg
~sp ict (f ej pr
Ge
Jeż pom
eom sne
będz szm wa p wyb skal Y,X) ć po wym
my reva
g), peed
fit)=
róby eom
żeli mni
metry
zie my w
posi bran
li: D X) =
o rep miar
dla aya
, da
== ca y now
metry
obr iejs
yczn
w war ada ne tr Dla
α
β
par ry p
a il a [20
ata = ars $ wor
yczn
rót szm
ne r
dó rtoś a za ran a do
β
ˆτ( ram p ×β
ˆτlust 001
=cars
$ dis rodk
ne w
będ my w
regr
ół (k ść s awsz nsfo owo (Y,X metry p o (Y,X trac 1]3.
s , ta st.
ków w włas
dzie wart
resji
kier um ze d rma olne X) a yza oraz XA cji
au = w la
snoś
e w tość
i me
run my ( dwa acje ego and acji:
z τ ∈ A) =
wi
=.5), atach
ści r
w dó ć su
edia
nek aż a pu e re
α >
β
ˆτ∈ [ A− zua
h 19 regr
ół (k umy
anow
prz osi unk egre
> 0
τ(−α
0, 1
−1
β
ˆτaliza
992- resji
kier y (a
wej
zeci ągn kty w esji
ora αY,
1]:
β
τ(Y acji199 i kw
rune aż o
– ro
iwn niem
wsp kw az τ Y,X)
Y,X) i o
6 w want
ek p osiąg
otac
ny d my
pier want τ ∈
= −
X).
omó
USA tylow
prze gni
cja
do pun rają tylo [0,
−α
β
ówi
A.
wej
eciw em
ski nkt ące2 owe 1]:
β
ˆ1−one j
wny y p
iero po
2. ej:
:
τ
− (Y
ego y do
unk
owa o pr
Y,X
o o sk kt p
ania raw
X);
dw kier po p
a os wej).
wzor row praw
si O . Za
row 15
wani wej)
OY) atem
wani 3
ia ).
), m
ia
1
R Ź
k r z w k s j s d b t r M 154
Rys Źród
kszt rosó zmi wpł kszt sja jest się dos bard terp regr Mat 4
s. 10 dło: [
W tałc ów ienn ływ tałc kw t w fun tęp dzie pret
resj ta, 2
0. R w www
Wyk ceni prz nych w dla ceni want tym nkcj
ny ej u
acja ji, a
200 Regr wiek w 1].
korz ie m zez m
h. U a w ie ( tylo m z je w
onl użyt a m ale 05;
resja k ma
.
zysty matk
mat Uzy wyso SEX owa zbio wiel line tecz mod
odn d’H
a kw atki
ywa ki, o tkę yska okic XM a dl orze lom e, st zna deli nosi Hau
wan ora
ano opie ora ano ch k M, S la z e lin mian
tano a, od reg i się ultfo
tylo az w
o zb eka az w o zn
kwa SMO zmie
nio now
owi dno gre ę d oeui
owa waga
biór zdr wyz nacz anty OK enn we we, i do osi
sji o w illle
a dla a no
r zm row znac zącą yli KER
nej , dl
któ obry
się kw wart e, G
G
a zm owor
mie wotn
czon ą ist (rys RTR obj la z óre
y pr bo want
tośc Givo
Graż
mien rodk
enny na, w
no r totn s. 1 RUE
jaśn zmi
są rzy wie tylo ci w ord
żyna
nnej dka
ych wag regr ność 10 i E, W nian ienn trud ykła
em owy waru
, 20 a Tr
obj
h ta ga n resj ć m 11 WE nej nych dne ad s do ych unk 014
rzpi
jaśn
akic now je k mod ): p EITH wie h o e w ytu
roz jes kow ].
iot
nian
h j woro kwa deli płeć HGA
ek obja
int uacj zkła st a wego
nej w
ak:
odk anty dla ć, p AIN
ma aśni terp i, g adó anal o kw
wiek
pł ka, w ylow a do palac
N, C atki.
iany pret gdy ów b
logi wan
k m
łeć wie we d olny cz, CO . D ych acja
reg bad iczn ntyl
atki
now ek m
dla ych wa LL opa h (ry ach gres dany na, la r
i ora
wor matk
róż kw aga EG asow ys.
h. Z sja ych
jak rozk
az z
rodk ki, p żnyc want now GET
wan 11) Zbió kw h zm
k d kład
zbió
ka, pale ch p tyli wor TRU nie ) do ór d want mien dla k du [
ór da
ra enie prze ora rodk UE)
MN opa dany
tylo nny kla [Ma
anyc
sa, e pa ekro az m
ka, , re NK asow
ych owa ych syc ach
ch:
wy apie ojów mał
wy egre K ni wuj h jes a jes . In czne hado y- e- w ły y- e- ie ją st st n-
ej o,
R
Ź
P
k w n r z z Rys
Źród
Pod
kwa wej nież row zast zag
s. 11
dło: [
dsu W anty . W ż m wych
toso adn
1. W w re www
umo W pr
ylow Wsk możl
h.
owa nien
Wpły wyks egre w 1].
ow racy wyc aza liwo
Reg ania niu
yw z szta esja
.
wani y om ch w ano
ośc gres ach
po zmi ałcen
kw
ie mów w p
na i w sja . K oświ
Ge
ienn nie wanty
wio pow róż wizu kw Koja
ięca eom
nych (SE ylow
ono wiąz żne ualiz
wan arzo a s
metry
h ob EXM
wa d
wy zani me zacj ntyl ona się
yczn
bjaś M, S dla
ybra iu z etod ji w ow
jes w
ne w
niaj SMO
zmi
ane z ró dy w wyn
a j t z wię
włas
jący OKE
ienn
e wł óżny
wyk nikó est mi ększ
snoś
ych ERT nej
łasn ym korz ów t m
ara zoś
ści r
taki TRU
obja
nośc i m zys z w meto mi ści
regr
ich j UE,
aśni
ci f meto tyw wyk odą ryz pra
resji
jak WE iane
funk odam wan korz sto zyka ace
i kw
płe EITH ej: w
kcji mi ne w
zyst oso a n ba
want
eć, p HG wiek
i kw esty w es
tani owa a o adaw
tylow
pala GAIN
k ma
wan yma stym iem
ną gon wcz
wej
cz, N, C
atki
ntylo acji mac m pro
z nach ze [
j
wag COL
i
owy i re cji m
ogr uw h ro [Trz
ga n LLE
ych egre mod ram wagą
ozk zpio
now EGE
h or esji delu mów
ą w kład
ot, woro
ETR
raz kw u, ja w ko
w r dów Kr
odka RUE
reg want ak r omp różn w i t
rężo 15
a, E),
gresj tylo rów pute nyc tem ołek
5
ji o- w- e- ch mu k,
Grażyna Trzpiot 156
2009, Trzpiot, Majewska, 2010] W tym artykule wykorzystano dostępną bazę danych, aby wskazać możliwość pracy na zbiorach niekoniecznie posiadających wartości odstające. Niezależną ścieżką badawczą są zastosowania regresji kwan- tylowej z parametrem przestrzennym [Trzpiot, 2014; Trzpiot, Orwat-Acedańska, 2016]. Prace aplikacyjne w powiązaniu z miarami ryzyka to osobne rozważania, często modele mają wówczas charakter modeli dynamicznych w odniesieniu do szeregów czasowych.
Literatura
Abrevaya J. (2001), The Effects of Demographics and Maternal Behavior on the Distribu- tion of Birth Outcomes, “Empirical Economics” March, Vol. 26, No. 1, s. 247-257.
Angrist J., Chernozhukov V., Fernandez-Val I. (2006), Quantile Regression under Mis- specification, “Econometrica” March, Vol. 74, Iss. 2, s. 539-563.
Artzner P., Delbaen F., Eber J.-M., Heath D. (1999), Coherent Risk Measures, “Mathe- matical Finance”, No. 9(3), s. 203-228.
d’Haultfoeuillle X., Givord P. (2014), La régression quantile en pratique, “Économie et Statistique”, No. 471, s. 85-113.
Donnelly C., Embrechts P. (2010), The Devil is in the Tails: Actuarial Mathematics and the Subprime Mortgage Crisis, “ASTIN Bulletin”, May, Vol. 40(01), s. 1-33.
Föllmer H., Schied A. (2002), Convex Measures of Risk and Trading Constraints, “Fi- nance & Stochastics”, No. 6(4), s. 429-447.
Hyndman R., Fan Y. (1996), Sample Quantiles in Statistical Packages, “American Stat- istician”, No. 50, s. 361-365.
Koenker R. (2005), Quantile Regression, Econometric Society Monograph Series, Cam- bridge University Press, Cambridge.
Koenker R., Bassett G. (1978), Regression Quantiles, “Econometrica”, No. 46, s. 33-50.
Li Q., Racine J.S. (2007), Nonparametric Econometrics: Theory and Practice, Princeton University Press, Princeton.
Machado J., Mata J. (2005), Counterfactual Decomposition of Changes in Wage Distri- butions using Quantile Regression, “Journal of Applied Econometrics” May/June, Vol. 20, Iss. 4, s. 445-465.
Newey W.K., Powell J.L. (1987), Asymmetric Least Squares Estimation and Testing,
“Econometrica”, Vol. 55, No. 4, s. 819-847.
RiskMetrics (1995), Technical Document. Technical Report, Morgan Guarantee Trust Company, Global Research, New York.
Rockafellar R.T., Uryasev S. (2000), Optimization of Conditional Value-at-Risk,
“The Journal of Risk”, No. 2(3), s. 21-41.
Geometryczne własności regresji kwantylowej 157 Trzpiot G. (2007a), Decomposition of Risk and Quantile Risk Measures [w:] Dynamicz-
ne Modele Ekonometryczne, Prace Naukowe Uniwersytetu Mikołaja Kopernika w Toruniu, s. 35-42.
Trzpiot G. (2007b), Regresja kwantylowa a estymacja VaR, „Prace Naukowe Akademii Ekonomicznej we Wrocławiu”, nr 1176, s. 465-471.
Trzpiot G. (2008), Implementacja metodologii regresji kwantylowej w estymacji VaR,
„Studia i Prace”, nr 9, Uniwersytet Szczeciński, Szczecin, s. 316-323.
Trzpiot G. (2009a), Application Weighted VaR in Capital Allocation, “Polish Journal of Environmental Studies”, Vol. 18, No. 5B, s. 203-208.
Trzpiot G. (2009b), Estimation Methods for Quantile Regression, „Studia Ekonomiczne.
Zeszyty Naukowe Akademii Ekonomicznej w Katowicach”, nr 53, s. 81-90.
Trzpiot G. (2014), Some Properties of Spatial Quantiles, “Acta Universitatis Lodziensis.
Folia Oeconomica. Spatial Econometrics”, nr 5(307), Wydawnictwo Uniwersytetu Łódzkiego, s. 141-152.
Trzpiot G. (2016), Semi-parametric Risk Measures, „Studia Ekonomiczne. Zeszyty Na- ukowe Uniwersytetu Ekonomicznego w Katowicach”, nr 288(5), s. 108-120.
Trzpiot G., Krężołek D. (2009), Quantiles Ratio Risk Measures for Stable Distributions Models in Finance, „Studia Ekonomiczne. Zeszyty Naukowe Akademii Ekono- micznej w Katowicach”, nr 53, s. 109-120.
Trzpiot G., Majewska J. (2010), Estimation of Value at Risk: Extreme Value and Robust Approaches, „Operation Research and Decisions”, vol. 20, nr 1, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław, s. 131-143.
Trzpiot G., Orwat-Acedańska A. (2016), Spatial Quantile Regression in Healthy Life Years in the UE Countries, „Comparative Economic Research”, vol. 19, nr 5, Uni- wersytet Łódzki, s. 179-199.
[www 1] http://freakonometrics.free.fr/natality2005.txt (dostęp: 15.06.2017).
GEOMETRIC PROPERTIES OF THE QUANTILE REGRESSION Summary: The use of ordinal measures, including quantles, is found in various areas of application, in particular robust statistics. The retreat from the classical approach based on the moments of random variables is usually the result of a data set that does not meet the assumptions of the models. The first two moments of the random variable, on which we are building the regression models, are not adequate in describing the sets of observa- tion data sets. Data sets with asymmetric distributions should also not be analyzed using regression models estimated by MNK. The aim of this paper is to present the geomet- rical properties of quantile regression. This methodological approach uses the values of the distribution of the random variables by determining the set of quantiles and the set of regression models.
Keywords: quantiles, quantile regression, property of quantile regression models.