Включив в статью модель квантильной регрессии, рецензенты хотят, чтобы я включил скорректированный в статью. Я рассчитал псевдо- R 2 s (из статьи JASA Коенкера и Мачадо 1999 года ) для трех интересующих меня квантилей для моего исследования.
Однако я никогда не слышал о скорректированном для квантильной регрессии и не знал, как его рассчитать. Я прошу вас о любом из следующего:
предпочтительно: формула или подход к тому, как осмысленно рассчитать скорректированный для квантильной регрессии.
в качестве альтернативы: убедительные аргументы для предоставления рецензентам того, почему в квантильной регрессии нет такого понятия, как скорректированный .
goodness-of-fit
r-squared
quantile-regression
Стив Джонс
источник
источник
Ответы:
Я думаю, что рецензенты просят взять псевдо- -значения и «сместить» их для числа выборок в квантильном диапазоне, n Q , и количества параметров в модели, p . Другими словами, скорректированный R 2 в обычном контексте. То есть исправленная необъясненная фракция больше, чем валовая необъясненная фракция, с коэффициентом n Q - 1R2 nQ p R2 , т.е.nQ−1nQ−p−1
илиR2∗=1-nQ-11−R2∗=nQ−1nQ−p−1(1−R2) R2∗=1−nQ−1nQ−p−1(1−R2)
Я согласен с вами в том, что вы зашли слишком далеко, потому что это уже псевдо-значение а скорректированное псевдо-значение R 2 может оставить у читателя впечатление выполнения псевдо-корректировки.R2 R2
Один из вариантов - сделать расчеты и показать рецензентам, каковы результаты, а НЕ включать их в документ, объяснив, что он выходит за рамки опубликованных методов, которые вы используете, и вы не хотите нести ответственность за изобретение неопубликованных в противном случае скорректированная псевдо- процедура. Тем не менее, вы должны понимать, что причина, по которой рецензенты спрашивают, заключается в том, что они хотят получить заверения в том, что они не видят бессмысленные цифры. Теперь, если вы можете придумать другой способ сделать именно это, заверив рецензента (ов), что результаты надежны, тогда проблема должна исчезнуть ...R2
источник
Вам лучше не использоватьр2 сравнить две модели квантильной регрессии, потому что функция потерь модели квантильной регрессии не основана на MSE .
Вы можете попробовать AIC или BIC .
источник