目录

1. 课程缘起

实际生活中我们发现有这样的一个规律：相比收入较高的群体，多上一年学对收入较低群体的边际效应会更大。

如何利用计量模型对上述议题进行验证？

常用的方法是将样本根据收入水平进行分组，再对两组数据分别进行回归，然而这样的做法会导致样本数据的损失。

是否有更为合适的模型？- 分位数回归模型

分位数回归模型的主要优点：

全面刻画自变量与因变量之间关系

均值回归模型描述的是自变量与"平均"因变量（）之间的关系。然而，事实上人们往往更加关注极端分位特征。例如，在风险研究时，更加关注破坏性较强的极端尾部风险；在环境问题研究时，更加关注环境污染较高和较低的地区，厘清其内在原因，以便制定相应的对策。通过设置不同的分位点，分位数回归模型可以全面的刻画自变量与因变量之间的关系。

估计结果对偏态、多峰和异常值数据稳健

众所周知，与均值相比，中位数不易受到异常值的影响。因此，相比于普通的线性回归 (均值回归)，分位数回归的参数估计也对异常值有天然的「免疫力」，即结果更加稳健。

分位数回归已经被广泛应用于经济、金融、管理、环境等诸多领域，微软学术搜索 显示了一副生机勃勃的画面。

本课程采用「理论+ Stata 实操」的方式，介绍分位数回归的基本思想、结果的解释和可视化展示，继而演示通过两个论文案例来说明其在实证研究中的应用。我们希望能通过此次课程，帮助大家愉快地进入分位数回归的世界，开启一扇新的大门。

2. 课程概览

• 听课方式： 网络直播。报名后点击邀请码进入在线课堂收看，无需安装任何软件。支持手机、iPad、电脑等。附赠全套Stata重现资料。
• 直播嘉宾：游万海 老师 (福州大学)
• 软件/课件： Stata, 提供课程中展示的所有数据和 dofile.
• 时间/费用：2020 年 4 月 21 日(周二)，19:00-21:00，88 元
• 报名链接：连享会 - 分位数回归，亦可直接扫描海报二维码。
• 课程咨询： 李老师-18636102467（微信同号）

5. 参考文献

• Koenker R, Hallock K F. Quantile regression[J]. Journal of Economic Perspectives, 2001, 15(4): 143-156.
• Cade B S, Noon B R. A gentle introduction to quantile regression for ecologists[J]. Frontiers in Ecology and the Environment, 2003, 1(8): 412-420.
• Buchinsky M. Recent advances in quantile regression models: a practical guideline for empirical research[J]. Journal of Human Resources, 1998: 88-126.
• Yu K, Lu Z, Stander J. Quantile regression: applications and current research areas[J]. Journal of the Royal Statistical Society: Series D (The Statistician), 2003, 52(3): 331-350.
• Gamper-Rabindran S, Khan S, Timmins C. The impact of piped water provision on infant mortality in Brazil: A quantile panel data approach[J]. Journal of Development Economics, 2010, 92(2): 188-200.
• You, W. H., Zhu, H. M., Yu, K., & Peng. Democracy, financial openness, and global carbon dioxide emissions: heterogeneity across existing emission levels. World Development, 2015, 66, 189-207.