Regresion Cuantilica

REGRESION CUANTILICA
La regresión mínimo cuadrática es uno de los métodos más empleados en las

estimaciones econométricas, debido a la sencillez de las hipótesis que lo sustentan y su
facilidad de cálculo. Sin embargo, las hipótesis de partida necesarias para su aplicación
a menudo se incumplen y de forma especial cuando se trabaja con grandes bases de
datos microeconómicos procedentes de encuestas. La presencia de heterocedasticidad,
cambio estructural o datos atípicos son algunas de las frecuentes circunstancias que dan
lugar a tales incumplimientos. La técnica de regresión cuantílica, que nace de manos de
Koenker y Basset en 1978, representa una solución a estos problemas a través de un
método de estimación basado en la minimización de desviaciones absolutas ponderadas
con pesos asimétricos que no se ven afectadas por datos extremos.
En los modelos de regresión, los errores se asumen como una sucesión de variables
aleatorias independientes e idénticamente distribuidas con media cero. Generalmente la
distribución que se asume es la normal. Sin embargo, no siempre se cumple el supuesto
de normalidad ya que la distribución puede ser asimétrica. Koenker & Bassett (1978)
introducen el concepto de regresión cuantílica (RC) como una solución a dichos
problemas y demuestran que los estimadores por cuantiles son más eﬁcientes que el
estimador máximo verosímil de muchos modelos para métricos convencionales.
En los métodos de regresión clásicos el objetivo es minimizar la suma de los residuales

al cuadrado y utilizar la media como estimador. La regresión cuantílica busca minimizar
una suma de error es absolutos ponderados con pesos asimétricos y utiliza los cuantiles
como estimadores.
DEFINICION DE CUANTIL
Así como la regresión por MCO se encuentra vinculada con la media como se veía en la
introducción, la regresión cuantílica, como su propio nombre deja entrever, se basa en el
concepto de cuantil. Si suponemos que disponemos de una muestra de observaciones de
una variable Y con una distribución F(.),
tendremos que el cuantil Ɵ de la

muestra, con 0< Ɵ <1, será aquel valor þ que deje una proporción Ɵ de observaciones
por debajo de þ y una proporción (1- Ɵ) por encima. En el caso de la mediana Ɵ =0,5,
quedarán un 50% de los datos por debajo de þ =Мe y un 50% de los datos por encima.
Si utilizamos el primer cuartil Ɵ =0,25sería un 25% de los valores de Y los que
quedarían por debajo de þ =Q1y un 75% por encima, y de forma similar e inversa con el
tercer cuartil. Los cuartiles dividen la muestra en 4 partes, pero de igual manera
podemos dividir la muestra en 10 partes con los deciles, Ɵ =0,1,0,2,…..0,9 o cualquier
otra proporción. Estas partes es lo que denominaremos cuantiles, de los que como
hemos visto la mediana, los cuartiles o deciles son casos particulares.
Una forma alternativa de expresar la definición de los cuantiles que es además una
primera aproximación al método de estimación de la regresión cuantílica, viene dada
por la siguiente expresión:
Siendo Ɵ el cuantil (0,10 para el primer decil, 0,25 para el primer cuartil, 0,50 para la
mediana, etc.), Ɵ los distintos valores que toman las observaciones de la muestra para la
variable ƴ y þ el valor que minimiza la expresión. Se puede demostrar fácilmente que el
valor þ que minimiza la expresión anterior es el de la observación que deja una
proporción Ɵ de la muestra por debajo y una proporción (1-Ɵ) por encima, siendo Ɵ,
por tanto, un valor entre 0 y 1 correspondiente al cuantil que se quiere estimar.
VENTAJAS
Koenker (2004,cap.2) expone ejemplos en los cuales la regresión cuantílica provee

ventajas como:
 Permitir modelar los extremos de la variable respuesta.
 Permitir identificar mejor el efecto de las variables sobre la distribución condicional.

 Brinda mayor flexibilidad en el modelamiento de los datos con altos niveles de
variabilidad, describiendo el comportamiento para cada cuantil deseado.
EJEMPLO
1.3 CESAR PEREZ LOPEZ

CONCLUSION
La minimización de las desviaciones en valor absoluto en lugar de al cuadrado (MCO),

hace que la regresión cuantílica sea especialmente que la regresión cuantílica sea
especialmente útil ante la presencia de atípicos, heteroscedasticidad o cambio
estructural.

Regresion Cuantilica

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Regresion Cuantilica

Cargado por

Copyright:

Formatos disponibles

REGRESION CUANTILICA

La regresión mínimo cuadrática es uno de los métodos más empleados en las

En los métodos de regresión clásicos el objetivo es minimizar la suma de los residuales

tendremos que el cuantil Ɵ de la

Koenker (2004,cap.2) expone ejemplos en los cuales la regresión cuantílica provee

 Permitir modelar los extremos de la variable respuesta.

 Permitir identificar mejor el efecto de las variables sobre la distribución condicional.

1.3 CESAR PEREZ LOPEZ

La minimización de las desviaciones en valor absoluto en lugar de al cuadrado (MCO),

También podría gustarte