抽样问题 - 第2页 - 经管之家

由package "plm"
找了个数据格式跟你类似
的data "Produc" US States Production
做个panel linear model比较.
A panel of 48 observations from 1970 to 1986
total number of observations : 816
observation : regional
country : United States
   state year    pcap    hwy water
1  ALABAMA 1970 15032.67 7325.80 1655.68
2  ALABAMA 1971 15501.94 7525.94 1721.02
3  ALABAMA 1972 15972.41 7765.42 1764.75
4  ALABAMA 1973 16406.26 7907.66 1742.41
5  ALABAMA 1974 16762.67 8025.52 1734.85
6  ALABAMA 1975 17316.26 8158.23 1752.27
7  ALABAMA 1976 17732.86 8228.19 1799.74
8  ALABAMA 1977 18111.93 8365.67 1845.11
9  ALABAMA 1978 18479.74 8510.64 1960.51
10 ALABAMA 1979 18881.49 8640.61 2081.91
11 ALABAMA 1980 19012.34 8663.50 2138.52
12 ALABAMA 1981 19118.52 8628.83 2218.91
13 ALABAMA 1982 19118.25 8645.14 2215.84
14 ALABAMA 1983 19122.00 8612.47 2230.91
15 ALABAMA 1984 19257.47 8655.94 2235.16
16 ALABAMA 1985 19433.36 8726.24 2253.03
17 ALABAMA 1986 19723.37 8813.24 2308.99
18 ARIZONA 1970 10148.42 4556.81 1627.87
19 ARIZONA 1971 10560.54 4701.97 1627.34
20 ARIZONA 1972 10977.53 4847.84 1614.58
...............
####
library(plm)
data("Produc", package = "plm")
iwi<- plm(log(gsp) ~ log(pcap) + log(pc) + log(emp) + unemp,
   effect = "individual",model = "within",data = Produc, index = c("state","year"))
summary(iwi)
####
Oneway (individual) effect Within Model
Call:
plm(formula = log(gsp) ~ log(pcap) + log(pc) + log(emp) + unemp,
data = Produc, effect = "individual", model = "within", index = c("state",
      "year"))
Balanced Panel: n=48, T=17, N=816
Residuals :
Min.  1st Qu. Median  3rd Qu.    Max.
-0.12000 -0.02370 -0.00204  0.01810  0.17500
Coefficients :
         Estimate  Std. Error t-value  Pr(>|t|)
log(pcap) -0.02614965  0.02900158 -0.9017 0.3675
log(pc) 0.29200693  0.02511967 11.6246 < 2.2e-16 ***
log(emp) 0.76815947  0.03009174 25.5273 < 2.2e-16 ***
unemp    -0.00529774  0.00098873 -5.3582 1.114e-07 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Total Sum of Squares: 18.941
Residual Sum of Squares: 1.1112
F-statistic: 3064.81 on 4 and 764 DF, p-value: < 2.22e-16
#####
#####
撷取transformed data做block bootstrap
xplm.txt

xplm.txt
大小:(60.06 KB)

马上下载

yplm.txt

yplm.txt
大小:(15.89 KB)

马上下载

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

#epoh,谢谢您了
那个block_length=51 数值是怎么定的？保证能整除就可以吗
rdf应该取812吧，而不是764？

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

n=48, T=17, N=816
effect='individual'
rdf=814-n-4=764 # rdf=iwi$df.residual

effect='time'
rdf=814-T-4=795

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

#epoh谢谢您了，rdf我想的太简单了，原来是错的，呵呵

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

library(plm)
data("Produc", package = "plm")
iwi<- plm(log(gsp) ~ log(pcap) + log(pc) + log(emp) + unemp,
   effect = "individual",model = "within",data = Produc, index = c("state","year"))
summary(iwi)

plm 程序就是依据
你给的模型条件
effect = "individual"
model = "within"
......
经"原始数据"转换为要回归的数据
然后进行回归.

原始数据:
log(gsp) log(pcap) log(pc) log(emp) unemp
1 10.254778  9.617981 10.485530 6.918201 4.7
2 10.287899  9.648720 10.526746 6.929419 5.2
3 10.351469  9.678618 10.562827 6.977561 4.7
4 10.417209  9.705418 10.598733 7.034828 3.9
5 10.426706  9.726910 10.646788 7.064588 5.5
........
815  9.394494  8.603074 10.286262 5.332236 7.1
816  9.293762  8.648293 10.207677 5.279644 9.0

转换后的数据:
"X"  (save as "xplm.txt")
      log(pcap)    log(pc)    log(emp)       unemp
1 -0.1733793180 -0.3278166032 -0.2118450288 -3.347058824
2 -0.1426399734 -0.2866003835 -0.2006266470 -2.847058824
3 -0.1127422920 -0.2505194337 -0.1524844124 -3.347058824
4 -0.0859421814 -0.2146137956 -0.0952172041 -4.147058824
5 -0.0644507605 -0.1665580853 -0.0654574926 -2.547058824
..........
815  0.2403908559  0.3565542886  0.2142460296  2.229411765
816  0.2856106412  0.2779692166  0.1616545461  4.129411765

"y"  (save as "yplm.txt")
         1          2          3          816
-0.2827512361 -0.2496300108 -0.1860600437 .......0.0587137678

进行回归
lm(y ~ X - 1)

plm_modify.R

plm_modify.rar
大小:(2.05 KB)

马上下载

本附件包括：

plm_modify.R

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

#epoh，您给我的plm_modify.rar 应该怎么调用，计算出转换后的数据:
"X" 和"y"，没有看懂，呵呵。
还有，如果我也是使用面板数据，但是不是做一般的面板回归，也可以这样先转换吗？

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

plm_modify.rar 应该怎么调用?
library(plm)
souece(plm_modify.R)
data("Produc", package = "plm")
iwi<- plm(log(gsp) ~ log(pcap) + log(pc) + log(emp) + unemp,
effect = "individual",model = "within",data = Produc, index = c("state","year"))
summary(iwi)

面板数据分位数回归
请告诉我哪个package
请告诉我哪个function

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

呵呵，没有想到用不是自带的命令，要先用命令调出
谢谢提醒，知道了

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可以套用你的panel function
下例由于要估63个系数
数度很慢,慢慢等.哈哈!
plm 是将数据转换后用lm()
你的panel function是依你给的
w=c(.25,.5,.25);taus=(1:3)/4;lambda = 1;
将数据转换后用rq.fit.sfn()
#########
library(plm)
library(quantreg)
source("rq.fit.panel.R")

data("Produc", package = "plm")  #816 x 10
#n=48, T=17, N=816
x1=log(Produc$pcap)
x2=log(Produc$pc)
x3=log(Produc$emp)
x4=Produc$unemp
x=cbind(1,x1,x2,x3,x4)
y=log(Produc$gsp)
s= rep(1:48,rep(17,48))
fit.panel <- rq.fit.panel(x,y,s)
fit.panel
#$coef
# [1]  3.118656397 -0.005988952  0.225901003  0.815564755 -0.004602142  3.119945875 -0.007845497
# [8]  0.235256382  0.805310837 -0.002951217  3.181808004 -0.029966225  0.244450823  0.816287376
#[15] -0.003222933 -0.778432651 -0.602754278 -0.708138295 -0.482017503 -0.578463715 -0.532159174
#[22] -0.571021450 -0.655726863 -0.728350315 -0.631343018 -0.590175281 -0.705272036 -0.642795950
#[29] -0.620498901 -0.574135828 -0.433881303 -0.725441321 -0.589238720 -0.641496878 -0.566439902
#[36] -0.671504192 -0.726567325 -0.666319798 -0.586663167 -0.653408627 -0.616725309 -0.695914886
#[43] -0.548287848 -0.491432708 -0.520697881 -0.745379402 -0.593921249 -0.660324993 -0.542739118
#[50] -0.626318833 -0.695713796 -0.631415934 -0.868032592 -0.665941523 -0.757551602 -0.542522330
#[57] -0.653282198 -0.658349987 -0.606419103 -0.531104645 -0.661890514 -0.659069504 -0.270763035

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

#epoh，非常感谢
您上面程序好像没有经过数据转换吧？

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

楼主会想用Quantile Regression
一定有你的理由
楼主应多试试改变条件
w;taus;lambda
以配合你的数据测试.

panel function
就是将给的数据 x,y,s
依w,taus,lambda
转换为D,y,a
再呼叫rq.fit.sfn(D,y,rhs=a)
估算系数

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

#epoh，非常感谢您一直的帮忙
这个我知道
哈哈，我只是看到您操作plm例子时，先转换数据，再bootstrap，效果很好
而作quantile regression 时，确没有先转换，哈哈，效果差了点
不明白其中原因

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

panel data:
  package "Ecdat"
  Produc Us States Production
  a panel of 48 observations from 1970 to 1986
  number of observations : 816
##############
library(SparseM)
library(quantreg)
library(Ecdat)
data("Produc")
#n=48, T=17, N=816
x1=log(Produc$pcap)
x2=log(Produc$pc)
x3=log(Produc$emp)
x4=Produc$unemp
X=cbind(x1,x2,x3,x4)
y=log(Produc$gsp)
s= rep(1:48,rep(17,48))
X <- as.matrix(X)
n <- length(levels(as.factor(s)))
Z <- as.matrix.csr(model.matrix(~as.factor(s)-1))

####case 1
####use function rq.fit.panel()
w=1
xx<- cbind(as(w,"matrix.diag.csr") %x% X,w %x% Z)
rq.fit.sfn(xx,y,tau=0.5)
>$coef
[1] -0.001856897  0.227955745  0.806905899 -0.003254027  2.348518722
[6]  2.531511125  2.416402785  2.646310826  2.554288408  2.598468250
[11]  2.540988532  2.473361510  2.401692284  2.497764134  2.537963266
[16]  2.425204261  2.482897448  2.510841856  2.553142722  2.703008416
[21]  2.404225489  2.537962766  2.486090983  2.567535469  2.455404207
[26]  2.403301315  2.463135907  2.545757570  2.474922409  2.515871136
[31]  2.443668078  2.580372182  2.643673666  2.605560174  2.384878447
[36]  2.541337214  2.468143678  2.587964518  2.509402455  2.432777812
[41]  2.495204924  2.258353874  2.465798076  2.372996183  2.600392620
[46]  2.471721790  2.457974490  2.519673773  2.590197854  2.472063213
[51]  2.470425047  2.862672642

####case 2
####use function rqss()
tt=as.matrix(xx)
fit=rqss(y~tt-1)
summary(fit)
>
Formula:
y ~ tt - 1
Parametric coefficients:
   Estimate Std. Error t value Pr(>|t|)
tt1  -0.001857 0.040474  -0.046 0.9634
tt2 0.227956 0.033949 6.715 3.68e-11 ***
tt3 0.806906 0.041542  19.424  < 2e-16 ***
tt4  -0.003254 0.001402  -2.321 0.0205 *
tt5 2.348519 0.227838  10.308  < 2e-16 ***
tt6 2.531511 0.226443  11.179  < 2e-16 ***
tt7 2.416403 0.216806  11.145  < 2e-16 ***
tt8 2.646311 0.254619  10.393  < 2e-16 ***
tt9 2.554288 0.222018  11.505  < 2e-16 ***
tt10  2.598468 0.220106  11.806  < 2e-16 ***
tt11  2.540989 0.210428  12.075  < 2e-16 ***
tt12  2.473362 0.234957  10.527  < 2e-16 ***
tt13  2.401692 0.226512  10.603  < 2e-16 ***
tt14  2.497764 0.208589  11.975  < 2e-16 ***
tt15  2.537963 0.241893  10.492  < 2e-16 ***
tt16  2.425204 0.227976  10.638  < 2e-16 ***
tt17  2.482897 0.232136  10.696  < 2e-16 ***
tt18  2.510842 0.231957  10.825  < 2e-16 ***
tt19  2.553143 0.231057  11.050  < 2e-16 ***
tt20  2.703008 0.244407  11.059  < 2e-16 ***
tt21  2.404225 0.201550  11.929  < 2e-16 ***
tt22  2.537963 0.228998  11.083  < 2e-16 ***
tt23  2.486091 0.220021  11.299  < 2e-16 ***
tt24  2.567535 0.239121  10.737  < 2e-16 ***
tt25  2.455404 0.235207  10.439  < 2e-16 ***
tt26  2.403301 0.223782  10.739  < 2e-16 ***
tt27  2.463136 0.226028  10.897  < 2e-16 ***
tt28  2.545758 0.227966  11.167  < 2e-16 ***
tt29  2.474922 0.232918  10.626  < 2e-16 ***
tt30  2.515871 0.211395  11.901  < 2e-16 ***
tt31  2.443668 0.201243  12.143  < 2e-16 ***
tt32  2.580372 0.224698  11.484  < 2e-16 ***
tt33  2.643674 0.222489  11.882  < 2e-16 ***
tt34  2.605560 0.253096  10.295  < 2e-16 ***
tt35  2.384878 0.221027  10.790  < 2e-16 ***
tt36  2.541337 0.225034  11.293  < 2e-16 ***
tt37  2.468144 0.238798  10.336  < 2e-16 ***
tt38  2.587965 0.227848  11.358  < 2e-16 ***
tt39  2.509402 0.221705  11.319  < 2e-16 ***
tt40  2.432778 0.239579  10.154  < 2e-16 ***
tt41  2.495205 0.191899  13.003  < 2e-16 ***
tt42  2.258354 0.211827  10.661  < 2e-16 ***
tt43  2.465798 0.222536  11.080  < 2e-16 ***
tt44  2.372996 0.232450  10.209  < 2e-16 ***
tt45  2.600393 0.251702  10.331  < 2e-16 ***
tt46  2.471722 0.214506  11.523  < 2e-16 ***
tt47  2.457974 0.199837  12.300  < 2e-16 ***
tt48  2.519674 0.226890  11.105  < 2e-16 ***
tt49  2.590198 0.241976  10.704  < 2e-16 ***
tt50  2.472063 0.224931  10.990  < 2e-16 ***
tt51  2.470425 0.229340  10.772  < 2e-16 ***
tt52  2.862673 0.230734  12.407  < 2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

  Quantile Fidelity at tau = 0.5  is    10.8697
  Effective Degrees of Freedom = 52       Sample Size = 816

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

epoh,谢谢，我感觉这样把时间相关考虑进去会好点
我试试效果，非常感谢

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

epoh老师，能不能把您的这个工作做成完整的文件，作为附件
发上来，让我们初学者好好学学？包括数据和各种包的调用。
近期我也在学习bootstrap抽样，书是能基本看懂，就是用软件操作不会。
非常非常感谢！

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

同意zhangtao想法，epoh老师上面点评很精彩，是平时课堂上学不到的东西，难得讲义呀。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

paneldata1.rar
大小:(22.02 KB)

马上下载

本附件包括：

paneldata1.csv

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

ywh19860616 发表于 2013-1-13 09:36

> sfit1

Call: rqpd(formula = y ~ x | s1, panel = panel(taus = c(0.1, 0.25,
0.5, 0.75, 0.9), tauw = rep(1/5, 5), lambda = 1), data = data1)

taus: [1] 0.10 0.25 0.50 0.75 0.90

tau weights: [1] 0.2 0.2 0.2 0.2 0.2

Coefficients:
               Value    Std. Error t value Pr(>|t|)
(Intercept)[0.1] 4.33797 3.95823 1.09594 0.27356
x1[0.1]          -22.89356 8.79802 -2.60212 0.00950
x2[0.1]          -0.00016 0.00012 -1.40792 0.15969
x3[0.1]          -0.17156 0.80597 -0.21286 0.83151
x4[0.1]          0.01788 0.04518 0.39561 0.69254
x5[0.1]          -0.00807 0.05704 -0.14153 0.88750
(Intercept)[0.25] 7.01849 4.55759 1.53996 0.12412
x1[0.25]       -31.63536  10.89619 -2.90334 0.00383
x2[0.25]          -0.00021 0.00015 -1.41683 0.15707
x3[0.25]          0.43922 1.09672 0.40049 0.68895
x4[0.25]          -0.00933 0.05668 -0.16461 0.86931
x5[0.25]          -0.02297 0.06510 -0.35293 0.72427
(Intercept)[0.5] 8.79186 6.65358 1.32137 0.18690
x1[0.5]          -33.13955  12.11413 -2.73561 0.00642
x2[0.5]          -0.00023 0.00021 -1.07795 0.28151
x3[0.5]          0.81523 1.35506 0.60162 0.54766
x4[0.5]          -0.00316 0.08573 -0.03688 0.97060
x5[0.5]          -0.03796 0.09206 -0.41233 0.68025
(Intercept)[0.75] 9.12721 6.84795 1.33284 0.18311
x1[0.75]       -42.40238  11.49644 -3.68831 0.00025
x2[0.75]          -0.00024 0.00019 -1.29779 0.19488
x3[0.75]          -0.35265 1.50398 -0.23448 0.81469
x4[0.75]          0.02920 0.08561 0.34112 0.73314
x5[0.75]          -0.00020 0.09149 -0.00219 0.99825
(Intercept)[0.9] 15.48845 6.30238 2.45756 0.01428
x1[0.9]          -40.19373  10.93352 -3.67619 0.00026
x2[0.9]          -0.00021 0.00015 -1.37395 0.16999
x3[0.9]          -1.11463 1.19046 -0.93630 0.34951
x4[0.9]          -0.01422 0.08619 -0.16502 0.86899
x5[0.9]          -0.05623 0.08618 -0.65251 0.51433

> sfit2

Call: rqpd(formula = y ~ x | s2, panel = panel(taus = c(0.1, 0.25,
0.5, 0.75, 0.9), tauw = rep(1/5, 5), lambda = 1), data = data1,
control = list(tmpmax = tmpmax))

taus: [1] 0.10 0.25 0.50 0.75 0.90

tau weights: [1] 0.2 0.2 0.2 0.2 0.2

Coefficients:
               Value    Std. Error t value Pr(>|t|)
(Intercept)[0.1] 17.63073 2.17831 8.09376 0.00000
x1[0.1]          -2.66352 2.39167 -1.11366 0.26591
x2[0.1]          -0.00013 0.00007 -1.90210 0.05768
x3[0.1]          0.84435 0.53529 1.57737 0.11528
x4[0.1]          -0.11371 0.02784 -4.08413 0.00005
x5[0.1]          -0.19204 0.04452 -4.31341 0.00002
(Intercept)[0.25]  17.57215 1.42378 12.34191 0.00000
x1[0.25]          -4.21867 2.14175 -1.96973 0.04937
x2[0.25]          -0.00013 0.00006 -2.08870 0.03719
x3[0.25]          0.73098 0.53819 1.35822 0.17495
x4[0.25]          -0.10731 0.02137 -5.02111 0.00000
x5[0.25]          -0.18630 0.02378 -7.83368 0.00000
(Intercept)[0.5] 18.45369 1.69426 10.89188 0.00000
x1[0.5]          -6.88755 2.39927 -2.87068 0.00425
x2[0.5]          -0.00010 0.00006 -1.88500 0.05996
x3[0.5]          0.74744 0.57665 1.29617 0.19546
x4[0.5]          -0.10565 0.02298 -4.59793 0.00001
x5[0.5]          -0.19990 0.02611 -7.65732 0.00000
(Intercept)[0.75]  18.57295 2.21500 8.38506 0.00000
x1[0.75]          -8.83605 4.02327 -2.19624 0.02849
x2[0.75]          -0.00011 0.00007 -1.66999 0.09549
x3[0.75]          0.45603 0.89127 0.51166 0.60909
x4[0.75]          -0.09109 0.02891 -3.15108 0.00171
x5[0.75]          -0.19819 0.03687 -5.37542 0.00000
(Intercept)[0.9] 18.05875 3.30046 5.47159 0.00000
x1[0.9]          -10.09126 7.19705 -1.40214 0.16144
x2[0.9]          -0.00013 0.00009 -1.48869 0.13714
x3[0.9]          -0.25719 1.54033 -0.16697 0.86746
x4[0.9]          -0.05353 0.03915 -1.36737 0.17206
x5[0.9]          -0.18616 0.05278 -3.52723 0.00045

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

epoh 发表于 2013-1-13 14:49
> sfit1

Call: rqpd(formula = y ~ x | s1, panel = panel(taus = c(0.1, 0.25,

谢谢epoh老师的精彩解答。
还有一个问题就是s1和s2的结果不一致，不清楚哪个为正确的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

epoh 发表于 2013-1-13 14:49
> sfit1

Call: rqpd(formula = y ~ x | s1, panel = panel(taus = c(0.1, 0.25,

应该是s2比较正确吧
看一下自带数据bwd,也是如此
# A CRE model
data(bwd)

cre.form <- dbirwt ~ smoke + dmage + agesq +
novisit + pretri2 + pretri3 | momid3 | smoke +
dmage + agesq

明日我拆一下差异点

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

epoh 发表于 2013-1-13 21:49
应该是s2比较正确吧
看一下自带数据bwd,也是如此
# A CRE model

谢谢老师解答
data(bwd) 里面的字段momid3如何判断是为factor variable？
另外发现在用s2时，需要待估计的参数比较多，所以在没有设置
tmpmax时常出现问题：Icrease tmpmax。
然而，用s1不存在这个问题。

其实s1或者s2是用于定义面板数据模型中的个体固定效应的，如附件图形的
alpha项。epoh老师，如果仅看s1和s2的结构对比，没有看出很大区别。两者
在运行程序时会出现结果很大不同的原因在程序哪处体现？

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

ywh19860616 发表于 2013-1-14 08:23
谢谢老师解答
data(bwd) 里面的字段momid3如何判断是为factor variable？
另外发现在用s2时，需要待估计 ...

差异在Slot "dimension",
fit1 :  609  1
fit2 :  609  29
#####
> fit1$Z
An object of class "matrix.csr"
Slot "ra":
  [1]  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  2  2  2
[25]  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  3  3  3  3  3  3
[49]  3  3  3  3  3  3  3  3  3  3  3  3  3  3  3  4  4  4  4  4  4  4  4  4
[73]  4  4  4  4  4  4  4  4  4  4  4  4  5  5  5  5  5  5  5  5  5  5  5  5
[97]  5  5  5  5  5  5  5  5  5  6  6  6  6  6  6  6  6  6  6  6  6  6  6  6
[121]  6  6  6  6  6  6  7  7  7  7  7  7  7  7  7  7  7  7  7  7  7  7  7  7
[145]  7  7  7  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8
[169]  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9 10 10 10
[193] 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 11 11 11 11 11 11
[217] 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 12 12 12 12 12 12 12 12 12
[241] 12 12 12 12 12 12 12 12 12 12 12 12 13 13 13 13 13 13 13 13 13 13 13 13
[265] 13 13 13 13 13 13 13 13 13 14 14 14 14 14 14 14 14 14 14 14 14 14 14 14
[289] 14 14 14 14 14 14 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15
[313] 15 15 15 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
[337] 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 18 18 18
[361] 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 19 19 19 19 19 19
[385] 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 20 20 20 20 20 20 20 20 20
[409] 20 20 20 20 20 20 20 20 20 20 20 20 21 21 21 21 21 21 21 21 21 21 21 21
[433] 21 21 21 21 21 21 21 21 21 22 22 22 22 22 22 22 22 22 22 22 22 22 22 22
[457] 22 22 22 22 22 22 23 23 23 23 23 23 23 23 23 23 23 23 23 23 23 23 23 23
[481] 23 23 23 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24
[505] 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 26 26 26
[529] 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 27 27 27 27 27 27
[553] 27 27 27 27 27 27 27 27 27 27 27 27 27 27 27 28 28 28 28 28 28 28 28 28
[577] 28 28 28 28 28 28 28 28 28 28 28 28 29 29 29 29 29 29 29 29 29 29 29 29
[601] 29 29 29 29 29 29 29 29 29

Slot "ja":
  [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[37] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[73] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[109] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[145] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[181] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[217] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[253] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[289] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[325] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[361] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[397] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[433] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[469] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[505] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[541] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[577] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Slot "dimension":
[1] 609 1

> fit2$Z
An object of class "matrix.csr"
Slot "ra":
  [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[37] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[73] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[109] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[145] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[181] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[217] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[253] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[289] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[325] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[361] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[397] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[433] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[469] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[505] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[541] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[577] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

Slot "ja":
  [1]  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  2  2  2
[25]  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  3  3  3  3  3  3
[49]  3  3  3  3  3  3  3  3  3  3  3  3  3  3  3  4  4  4  4  4  4  4  4  4
[73]  4  4  4  4  4  4  4  4  4  4  4  4  5  5  5  5  5  5  5  5  5  5  5  5
[97]  5  5  5  5  5  5  5  5  5  6  6  6  6  6  6  6  6  6  6  6  6  6  6  6
[121]  6  6  6  6  6  6  7  7  7  7  7  7  7  7  7  7  7  7  7  7  7  7  7  7
[145]  7  7  7  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8  8
[169]  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9  9 10 10 10
[193] 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 11 11 11 11 11 11
[217] 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 12 12 12 12 12 12 12 12 12
[241] 12 12 12 12 12 12 12 12 12 12 12 12 13 13 13 13 13 13 13 13 13 13 13 13
[265] 13 13 13 13 13 13 13 13 13 14 14 14 14 14 14 14 14 14 14 14 14 14 14 14
[289] 14 14 14 14 14 14 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15
[313] 15 15 15 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16 16
[337] 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 17 18 18 18
[361] 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 19 19 19 19 19 19
[385] 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 20 20 20 20 20 20 20 20 20
[409] 20 20 20 20 20 20 20 20 20 20 20 20 21 21 21 21 21 21 21 21 21 21 21 21
[433] 21 21 21 21 21 21 21 21 21 22 22 22 22 22 22 22 22 22 22 22 22 22 22 22
[457] 22 22 22 22 22 22 23 23 23 23 23 23 23 23 23 23 23 23 23 23 23 23 23 23
[481] 23 23 23 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24 24
[505] 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 25 26 26 26
[529] 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 26 27 27 27 27 27 27
[553] 27 27 27 27 27 27 27 27 27 27 27 27 27 27 27 28 28 28 28 28 28 28 28 28
[577] 28 28 28 28 28 28 28 28 28 28 28 28 29 29 29 29 29 29 29 29 29 29 29 29
[601] 29 29 29 29 29 29 29 29 29

Slot "dimension":
[1] 609  29

#####
至于你说的
m <- 3
n <- 10
s <- rep(1:n,rep(m,n))
其实有这么一句
Z <- as.matrix.csr(model.matrix(~as.factor(s)-1))

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

epoh 发表于 2013-1-14 10:45
差异在Slot "dimension",
fit1 : 609 1
fit2 : 609 29

epoh老师，您看问题太深入了
的确，在rq.fit.panel函数里面有Z <- as.matrix.csr(model.matrix(~as.factor(s)-1))
所以不管用s1或者s2得出的结果都是一样的。
但是在rqpd里面没有这个，所以存在区别。

老师，还想请问as.matrix.csr得出的ia如何理解，ra和ja都可以理解

ia: an integer array of n+1 elements containing pointers to the beginning of each row in the arrays ra and ja. Thus ia indicates the position in the arrays ra and ja where the ith row begins. The last, (n+1)st, element of ia indicates where the n+1 row would start, if it existed

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

ywh19860616 发表于 2013-1-14 10:56
epoh老师，您看问题太深入了
的确，在rq.fit.panel函数里面有Z

Sparse Matrices — Data Structure Matrix Computations

Sparse Matrices — Data Structure Matrix Computations.pdf
大小:(108.61 KB)

马上下载

Compressed Row Storage
  http://web.eecs.utk.edu/~dongarra/etemplates/node373.html
#####
> model.matrix(~as.factor(s)-1)
as.factor(s)1 as.factor(s)2 as.factor(s)3 as.factor(s)4 as.factor(s)5
1             1          0          0          0          0
2             1          0          0          0          0
3             1          0          0          0          0
4             0          1          0          0          0
5             0          1          0          0          0
6             0          1          0          0          0
7             0          0          1          0          0
8             0          0          1          0          0
9             0          0          1          0          0
10          0          0          0          1          0
11          0          0          0          1          0
12          0          0          0          1          0
13          0          0          0          0          1
14          0          0          0          0          1
15          0          0          0          0          1
16          0          0          0          0          0
17          0          0          0          0          0
18          0          0          0          0          0
19          0          0          0          0          0
20          0          0          0          0          0
21          0          0          0          0          0
22          0          0          0          0          0
23          0          0          0          0          0
24          0          0          0          0          0
25          0          0          0          0          0
26          0          0          0          0          0
27          0          0          0          0          0
28          0          0          0          0          0
29          0          0          0          0          0
30          0          0          0          0          0
as.factor(s)6 as.factor(s)7 as.factor(s)8 as.factor(s)9 as.factor(s)10
1             0          0          0          0             0
2             0          0          0          0             0
3             0          0          0          0             0
4             0          0          0          0             0
5             0          0          0          0             0
6             0          0          0          0             0
7             0          0          0          0             0
8             0          0          0          0             0
9             0          0          0          0             0
10          0          0          0          0             0
11          0          0          0          0             0
12          0          0          0          0             0
13          0          0          0          0             0
14          0          0          0          0             0
15          0          0          0          0             0
16          1          0          0          0             0
17          1          0          0          0             0
18          1          0          0          0             0
19          0          1          0          0             0
20          0          1          0          0             0
21          0          1          0          0             0
22          0          0          1          0             0
23          0          0          1          0             0
24          0          0          1          0             0
25          0          0          0          1             0
26          0          0          0          1             0
27          0          0          0          1             0
28          0          0          0          0             1
29          0          0          0          0             1
30          0          0          0          0             1
attr(,"assign")
[1] 1 1 1 1 1 1 1 1 1 1
attr(,"contrasts")
attr(,"contrasts")$`as.factor(s)`
[1] "contr.treatment"
> as.matrix.csr(model.matrix(~as.factor(s)-1))
An object of class "matrix.csr"
Slot "ra":
[1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Slot "ja":
[1]  1  1  1  2  2  2  3  3  3  4  4  4  5  5  5  6  6  6  7  7  7  8  8  8  9  9  9 10 10 10
Slot "ia":
[1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Slot "dimension":
[1] 30 10

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

epoh 发表于 2013-1-14 12:30
Sparse Matrices — Data Structure Matrix Computations

Compressed Row Storage

谢谢epoh老师，明白了。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

epoh 发表于 2013-1-13 14:49
> sfit1

Call: rqpd(formula = y ~ x | s1, panel = panel(taus = c(0.1, 0.25,

这里是哪个命令来着，看不出来啊

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

epoh 发表于 2010-10-17 20:25
library(quantreg)
m

请问这个结果的系数有16个值表示什么意思？如何求每个分位点下的系数呢？如何辨别是哪个自变量的系数呢

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

好复杂

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

767217883 发表于 2014-5-23 21:19
这里是哪个命令来着，看不出来啊

请问您知道是哪个命令了嘛

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

分享

扫码加好友，拉您进群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群