薛老师stata课堂

2022-03-20

附件:: 地址|代码|结果
备注::

/*——————————————
逐步回归
——————————————*/
stepwize,pr(0.2): regress y (x1) (x2) (x3)

/*——————————————
分位数回归
——————————————*/

数据地址逐步回归

1 2	stepwize,pr(0.2): regress y (x1) (x2) (x3)

分位数回归 - 不想研究均值，只想研究高回报的风险、学习好的影响因素 - 分位数回归，研究在不同的回报率水平下，其回报率是多少 - 统计 → 非参数分析 → 分位数回归 - 同时分位数回归 ，自助法重复次数 - 后验估计

qreq y x,quantile(50)//分位数回归



sqreg ermsoft ersandp, quantiles(10,20,30,40,50,60,70,80,90) reps(20)//同时分位数回归
test (_b[q10:ersandp] = _b[q20:ersandp])

主成分分析 - 变量共线性问题，影响推断的结果 - 要找到几个主成分，能够代表xi的信息，且主成分之间不相关 - 变量个数减少了，相关度降低了，预测效果也提高了

主成分分析（principal components analysis，PCA）探索性因子分析中常用的一种因子提取方法。在这种方法中，单位相关系数（即1.0）作为因子分析矩阵的对角线元素。如果假设分析中每个观测变量对题项集合的共享方差具有同等贡献，那么这是一种更优的因子提取方法。 - 如果相关性很弱，就不需要主成分分析 - p1-k=αxi-k的线性组合 - 因子载荷：α - 要满足因子载荷的平方和为1 - 主成分排序 - 主成分回归之后估计值是有偏估计，其和无偏估计的β之间的关系是线性关系 - 主成分对回归的变量单位比较敏感 #重要 - 通常应该对变量进行标准化，不要单位，减去均值除以标准差 [[数据标准化方法]] - 主成分可以解释自变量的变化，但不一定能解释因变量的变化，可以替代自变量

利率案例