用R语言进行分位数回归(5)

nullH=\ T2 = KhmaladzeTest(lnfoodexp ~ lnincome, taus=seq(.1,.9,by = .1), nullH=\ T1 T2 detach(dat2) 结果：根据以下结果，以位置漂移模型为原假设的统计量为2.84，以位置漂移模型为原假设的统计量为3.29,。相对而言，更容易拒绝位置漂移模型，故按照位置漂移模型相对合适一些，即不同分位点的斜率基本上可以认为是相同的，而截距不同。 > T1 $nullH [1] \ $Tn [1] 2.840216 $THn [1] 2.840216 attr(,\ [1] \ > T2 $nullH [1] \ $Tn [1] 3.2899 $THn [1] 3.2899 attr(,\ [1] \ （五）分位数回归的图形结果 # 画图 # 参数比较 windows(5,5) plot(s1) windows(5,5) plot(s2) windows(5,5) plot(s3) # 散点图 # - 总体 windows(5,5) attach(dat2) plot(lnincome,lnfoodexp,cex=0.25,type=\ xlab=\ main=\ points(lnincome,lnfoodexp,pch=\ abline( rq(lnfoodexp ~ lnincome, tau=0.5, method=\ abline( lm(lnfoodexp ~ lnincome), lty = 2, col=\ taus = c(0.05, 0.1, 0.25, 0.75, 0.9, 0.95) for(i in 1:length(taus)){ abline( rq(lnfoodexp ~ lnincome, tau=taus[i], method=\col=\ } legend(\\ detach(dat2) # - 城镇 windows(5,5) dat2a = dat2[dat2$urtype==1,] attach(dat2a) plot(lnincome,lnfoodexp,cex=0.25,type=\ xlab=\ main=\ points(lnincome,lnfoodexp,pch=\ abline( rq(lnfoodexp ~ lnincome, tau=0.5, method=\ abline( lm(lnfoodexp ~ lnincome), lty = 2, col=\ taus = c(0.05, 0.1, 0.25, 0.75, 0.9, 0.95) for(i in 1:length(taus)){ abline( rq(lnfoodexp ~ lnincome, tau=taus[i], method=\col=\ } legend(\\ detach(dat2a) # - 农村 windows(5,5) dat2b = dat2[dat2$urtype==2,] attach(dat2b) plot(lnincome,lnfoodexp,cex=0.25,type=\ xlab=\ main=\ points(lnincome,lnfoodexp,pch=\ abline( rq(lnfoodexp ~ lnincome, tau=0.5, method=\ abline( lm(lnfoodexp ~ lnincome), lty = 2, col=\ taus = c(0.05, 0.1, 0.25, 0.75, 0.9, 0.95) for(i in 1:length(taus)){ abline( rq(lnfoodexp ~ lnincome, tau=taus[i], method=\col=\ } legend(\\ detach(dat2b) 结果： 图3.2.a 整体数据的分位数回归的系数走势 图3.2.b 城镇数据的分位数回归的系数走势

图3.2.c 农村数据的分位数回归的系数走势

图3.3.a 全部数据的分位数回归的散点图

图3.3.b 城镇数据的分位数回归的散点图 图3.3.c 农村数据的分位数回归的散点图 （六）分位数分解 按照MM2005方法进行分解。注意的是： 1、group参数必须是包含1和2的向量，其中反事实模型的拟合值是采用1类的模型参数和2类的数据计算得到。相应地，在本案例中作为参照的拟合结果是假定农村流动人口按照城镇的决定模型，会得到什么样的食品支出。 2、data参数中只能包含模型中出现的变量。比如这里使用的变量只包括lnfoodexp和lnincome，所以只能保留这两个变量在data中。 # 按照城乡进行分解 group = as.character( dat2$urtype ) # 必须保证group是包含1和2的向量 group[group==\ group[group==\ taus = c(0.05,0.25,0.5,0.75,0.95) data = dat2[,c(\ res = MM2005(lnfoodexp ~ lnincome,taus, data, group, pic=F, m.rq=\ # 分位数 总差异 回报影响 变量影响 # 0.05 -0.051089859 0.06520406 -0.11629392 # 0.25 -0.056506090 0.04647729 -0.10298338 # 0.50 -0.014632774 0.08108505 -0.09571782 # 0.75 0.009629691 0.10826533 -0.09863564 # 0.95 0.028791246 0.10291667 -0.07412543 write.csv(res,\# 将结果保存为csv表格，方便整理 结果： 表3-2 分位数分解：按城乡的分解 分位数 0.05 0.25 0.50 0.75 0.95

总差异 -0.22 -0.18 -0.23 -0.27 -0.41

回报影响 -0.04 -0.01 -0.06 -0.10 -0.23

变量影响 -0.18 -0.17 -0.17 -0.17 -0.17

以上结果显示，无论对于高收入家庭还是低收入家庭，个体对食品支出的影响都差不多。但对于高收入家庭（分位数较高），总差异和回报影响更大。说明城乡高收入人群的食品消费差异较大，其中主要的差异来自于斜率的不同，即食品消费关于收入的敏感性不同带来的差异。