Nieklasyczne metody statystyki

Regresja kwantylowa

Dlaczego kwantylowa?

Dlaczego potrzebujemy regresji kwantylowej (QR)?

W szczególności, QR:

• jest odporna na punkty odstające i wpływowe

• nie zakłada stałej wariancji (znanej jako homoskedastyczność) dla zmiennej odpowiedzi lub reszt

• nie zakłada normalności ale główną zaletą QR w porównaniu z regresją liniową (LR) jest to, że QR bada różne wartości zmiennej odpowiedzi, a nie tylko średnią, i dostarcza w związku z tym pełniejszego obrazu związków między zmiennymi!

Wprowadzenie

Regresja kwantylowa (ang. quantile regression) została zaproponowana przez Koenkera i Bassetta (1978). Szczególny przypadek regresji kwantylowej dla kwantyla rzędu 0,5 (czyli mediany) jest równoważny estymatorowi LAD (ang. Least Absolute Deviation) – minimalizuje sumę bezwzględnych błędów.
Wprowadzenie różnych kwantyli regresji daje pełniejszy opis rozkładów warunkowych zwłaszcza w przypadku rozkładów asymetrycznych lub uciętych.

Regresja kwantylowa jest kolejną wariacją na temat najmniejszych kwadratów . Stratą jest współczynnik \(l_1\) funkcji:

\[ \phi(u) = \tau\max(u,0) - (1-\tau)\max(-u,0) = \frac{1}{2}|u| + \left(\tau - \frac{1}{2}\right)u, \]

gdzie \(\tau \in (0,1)\) oznacza konkretny kwantyl. Problemem jak poprzednio jest minimalizacja całkowitej straty resztowej. Model ten jest powszechnie stosowany w ekologii, ochronie zdrowia i innych dziedzinach, gdzie sama średnia nie wystarcza do uchwycenia złożonych zależności między zmiennymi.

Wymagania

Wymagana jest jedna liczbowa zmienna zależna. Zmienna przewidywana musi być zmienną ilościową. Predyktory mogą być zmiennymi ilościowymi lub sztucznymi zmiennymi w przypadku predyktorów jakościowych. Aby można było uruchomić analizę, wymagany jest wyraz wolny lub co najmniej jeden predyktor.

Regresja kwantylowa nie czyni założeń dotyczących rozkładu zmiennej przewidywanej i jest odporna na wpływ obserwacji odstających.

Analiza kwantylowa jest pokrewna regresji metodą najmniejszych kwadratów.

Przykład 1.

Wykorzystamy przykład z pakietu quantreg.

Jaki jest związek między całkowitym dochodem gospodarstwa domowego a odsetkiem dochodów wydatkowanych na żywność? Prawo Engela w ekonomii głosi, że w miarę wzrostu dochodów, część dochodów wydatkowanych na żywność spada, nawet jeśli wydatki na żywność bezwzględnie rosną. Stosując regresję kwantylową do tych danych, można określić, jakie wydatki na żywność ponosi 90% rodzin (dla 100 rodzin z danym dochodem), gdy nie interesują nas średnie wydatki na żywność.

Dane, które wykorzystamy - to zbiór “engel” - dane dotyczące wydatków na żywność. Jest to zbiór danych regresyjnych składający się z 235 obserwacji dotyczących dochodów i wydatków na żywność dla belgijskich gospodarstw domowych klasy robotniczej.

Powyższy wykres przedstawia dopasowanie regresji kwantylowej dla \(\tau = (0.1, 0.25, 0.5, 0.75, 0.90, 0.95)\). Dopasowanie KMNK to gruba czarna linia.

Poniżej znajduje się tabela z oszacowanymi współczynnikami.

knitr::kable(fits, format = "html", caption = "Oszacowania z KMNK oraz `quantreg`") %>%
    kable_styling("striped") %>%
    column_spec(1:8, background = "#ececec")

Oszacowania z KMNK oraz quantreg

	OLS	\(\tau_{0.10}\)	\(\tau_{0.25}\)	\(\tau_{0.50}\)	\(\tau_{0.75}\)	\(\tau_{0.90}\)	\(\tau_{0.95}\)
(Intercept)	147.4753885	110.1415742	95.4835396	81.4822474	62.3965855	67.3508721	64.1039632
income	0.4851784	0.4017658	0.4741032	0.5601806	0.6440141	0.6862995	0.7090685

Ok, możemy to zrobić bardziej przejrzyście i sformatować w ładnej tabeli wyników:

## 
## Wyniki regresji kwantylowych
## ==========================================
##                   Dependent variable:     
##              -----------------------------
##                         foodexp           
##                 (1)       (2)       (3)   
## ------------------------------------------
## income       0.474***  0.560***  0.644*** 
##               (0.029)   (0.028)   (0.023) 
##                                           
## Constant     95.484*** 81.482*** 62.397***
##              (21.392)  (19.251)  (16.305) 
##                                           
## ------------------------------------------
## Observations    235       235       235   
## ==========================================
## Note:          *p<0.1; **p<0.05; ***p<0.01

Finalnie, zaprezentujmy wyłącznie te 3 modele na wykresie:

Przykład 2.

Tutaj przeprowadzimy testy użycia pakietu quantreg, wykorzystując wbudowany zbiór danych “mtcars”. Zmienna “mpg” oznacza spalanie samochodów (mile/galon).

Zamodulejmy zależność regresyjną dla tej zmiennej od kilku predyktorów.

Najpierw oszacujmy regresję KMNK:

kmnk <- lm(mpg ~ disp + hp + factor(am) + factor(vs), data = mtcars)
summary(kmnk)

## 
## Call:
## lm(formula = mpg ~ disp + hp + factor(am) + factor(vs), data = mtcars)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4.7981 -1.9532  0.0111  1.5665  5.6321 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 24.832119   2.890418   8.591 3.32e-09 ***
## disp        -0.008304   0.010087  -0.823  0.41757    
## hp          -0.037623   0.013846  -2.717  0.01135 *  
## factor(am)1  4.419257   1.493243   2.960  0.00634 ** 
## factor(vs)1  2.052472   1.627096   1.261  0.21794    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.812 on 27 degrees of freedom
## Multiple R-squared:  0.8104, Adjusted R-squared:  0.7823 
## F-statistic: 28.85 on 4 and 27 DF,  p-value: 2.13e-09

Teraz oszacujmy warunkowe regresje kwantylowe na różnych kwantylach, błąd standardowy uzyskany przez bootstrap.

Zauważ, że istnieje gradient we współczynnikach kwantylowych hp, jak również disp. Znak disp odwraca się, również współczynnik na czynniku am jest różny w zależności od kwantyli:

kwantyle <- c(0.25, 0.50, 0.75)
reg_kwantylowa <- rq(mpg ~ disp + hp + factor(am),tau = kwantyle,data = mtcars)
summary(reg_kwantylowa, se = "boot")

## 
## Call: rq(formula = mpg ~ disp + hp + factor(am), tau = kwantyle, data = mtcars)
## 
## tau: [1] 0.25
## 
## Coefficients:
##             Value    Std. Error t value  Pr(>|t|)
## (Intercept) 25.34665  1.52409   16.63070  0.00000
## disp        -0.02441  0.00783   -3.11780  0.00419
## hp          -0.01672  0.01487   -1.12393  0.27059
## factor(am)1  1.39719  1.33824    1.04406  0.30539
## 
## Call: rq(formula = mpg ~ disp + hp + factor(am), tau = kwantyle, data = mtcars)
## 
## tau: [1] 0.5
## 
## Coefficients:
##             Value    Std. Error t value  Pr(>|t|)
## (Intercept) 27.49722  1.81353   15.16229  0.00000
## disp        -0.02253  0.01659   -1.35799  0.18531
## hp          -0.02713  0.02432   -1.11549  0.27412
## factor(am)1  3.37328  2.00874    1.67930  0.10422
## 
## Call: rq(formula = mpg ~ disp + hp + factor(am), tau = kwantyle, data = mtcars)
## 
## tau: [1] 0.75
## 
## Coefficients:
##             Value    Std. Error t value  Pr(>|t|)
## (Intercept) 28.06384  1.60415   17.49448  0.00000
## disp         0.00445  0.01494    0.29795  0.76794
## hp          -0.06662  0.01859   -3.58294  0.00127
## factor(am)1  7.91402  2.47587    3.19646  0.00344

Testy współczynników

Użyjemy funkcji rq.anova z pakietu regresji kwantylowej, aby przeprowadzić test WALDA. Pamiętaj, że test WALDA mówi, że biorąc pod uwagę nieograniczone oszacowania modelu, przetestujemy hipotezę zerową mówiącą, że współczynniki spełniają pewne liniowe ograniczenia.

Aby ją przetestować, użyjemy obiektu zwróconego z uruchomienia rq z różnymi liczbami kwantyli i ustawimy opcję joint na true lub false. Gdy joint jest true: “równość współczynników kierunkowych powinna być wykonana jako wspólne testy na wszystkich parametrach nachylenia”, gdy joint jest false: “należy zgłaszać oddzielne testy na każdym z parametrów nachylenia”.

Zauważ, że testy kwantylowe są testami “linii równoległej”. Oznacza to, że powinniśmy wyjąć różne x-wyrazy_wolne dla każdego kwantyla, ponieważ reprezentują one poziomy rozkładów warunkowych. Jeśli jednak współczynniki kwantyli dla współczynnikow są takie same, to nie ma efektów specyficznych dla kwantyli, wystarczą efekty średnie.

Badanie statystycznej różnicy między 25. i 50. kwantylem warunkowym:

Biorąc pod uwagę powyższe oszacowania kwantyli, różnica między kwantylami 0,25 i 0,50 istnieje, ale czy są one wystarczająco duże, aby być statystycznie różne? Jaka jest wartość p? Przeglądając poniższe wyniki, nie są one statystycznie różne!

Po pierwsze, joint = TRUE. To nie jest testowanie, czy współczynnik na disp jest taki sam jak współczynnik na hp. To jest wspólne testowanie, czy współczynniki dla różnych kwantyli disp i różnych kwantyli hp są takie same dla każdej zmiennej.

kwantyle <- c(0.25, 0.50)
reg_kwantylowa <- rq(mpg ~ disp + hp + factor(am),tau = kwantyle, data = mtcars)
anova(reg_kwantylowa, test = "Wald", joint=TRUE)

## Quantile Regression Analysis of Deviance Table
## 
## Model: mpg ~ disp + hp + factor(am)
## Joint Test of Equality of Slopes: tau in {  0.25 0.5  }
## 
##   Df Resid Df F value Pr(>F)
## 1  3       61  0.8421 0.4761

Po drugie, joint = False:

anova(reg_kwantylowa, test = "Wald", joint=FALSE)

## Quantile Regression Analysis of Deviance Table
## 
## Model: mpg ~ disp + hp + factor(am)
## Tests of Equality of Distinct Slopes: tau in {  0.25 0.5  }
## 
##             Df Resid Df F value Pr(>F)
## disp         1       63  0.0305 0.8619
## hp           1       63  0.5461 0.4627
## factor(am)1  1       63  1.3500 0.2497

Badanie statystycznej różnicy między 25, 50 i 75 kwantylem warunkowym:

Pierwszy kwartyl i mediana nie wydają się być statystycznie różne, teraz dołączymy trzeci kwartyl. Jak widać wcześniej, kwartyle wspólnie wykazują gradient. Teraz możemy zobaczyć, że disp, hp i am są oddzielnie statystycznie różne.

Po pierwsze, joint = TRUE:

kwantyle <- c(0.25, 0.50, 0.75)

reg_kwantylowa <- rq(mpg ~ disp + hp + factor(am),tau = kwantyle, data = mtcars)

anova(reg_kwantylowa, test = "Wald", joint=TRUE)

## Quantile Regression Analysis of Deviance Table
## 
## Model: mpg ~ disp + hp + factor(am)
## Joint Test of Equality of Slopes: tau in {  0.25 0.5 0.75  }
## 
##   Df Resid Df F value   Pr(>F)   
## 1  6       90  3.3173 0.005367 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Po drugie, joint = False:

anova(reg_kwantylowa, test = "Wald", joint=FALSE)

## Quantile Regression Analysis of Deviance Table
## 
## Model: mpg ~ disp + hp + factor(am)
## Tests of Equality of Distinct Slopes: tau in {  0.25 0.5 0.75  }
## 
##             Df Resid Df F value   Pr(>F)   
## disp         2       94  5.4903 0.005558 **
## hp           2       94  6.7221 0.001868 **
## factor(am)1  2       94  7.2758 0.001154 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Dobroć dopasowania

Możemy obliczyć współczynniki dobroci dopasowania regresji kwantylowej z wykorzystaniem reszt i reszt bezwarunkowych:

goodfit(resid, resid_nl, tau)

Miara dobroci dopasowania dla regresji kwantylowej jest szacowana jako 1 minus stosunek sumy odchyleń bezwzględnych w modelach w pełni sparametryzowanych do sumy odchyleń bezwzględnych w zerowym (bezwarunkowym) modelu kwantylowym.

Wartości te są przydatne do porównań między modelami kwantylowymi, ale nie są porównywalne ze standardowymi współczynnikami determinacji. Te ostatnie oparte są na wariancji odchyleń kwadratowych, natomiast wartości dobroci dopasowania dla regresji kwantylowej oparte są na odchyleniach bezwzględnych. Wartości dobroci dopasowania zawsze będą mniejsze niż wartości R².

## model kwantylowy
model1 <- rq(mpg ~ disp + hp + factor(am),tau = 0.5, data = mtcars)
reszty1 <- resid(model1)

## bezwarunkowy (pusty) model kwantylowy
model2 <- rq(mpg ~ 1, tau = 0.5,data=mtcars)
reszty2 <- resid(model2)

goodfit(reszty1, reszty2, 0.5)

## [1] 0.5403311

## r2 modelu KMNK dla porównania
model_lm <- lm(mpg ~ disp + hp + factor(am), data = mtcars)

summary(model_lm)$r.squared

## [1] 0.7992061

Zadanie

Teraz Wasza kolej ;-)

Waszym zadaniem dzisiaj jest zamodelowanie - porównanie KMNK oraz regresji kwantylowej (różno-poziomowej) dla zmiennej “earnings” - wynagrodzenia.

Dobierz i przetestuj predyktory, kwantyle dla modeli. Wykonaj testy różnic współczynnikow dla finalnych modeli.

W przypadku problemów - obejrzyj video tutorial (włącz polskie napisy) oraz wejdź na jego stronę ze źródłami. Możesz również wykorzystać w/w przykłady.

data("CPSSW9298")
dane <- CPSSW9298
dane92 <- dane %>% filter(year==1992)
dane98 <- dane %>% filter(year==1998)

Analiza zmiennej “earnings” w 1992 roku

plot <- ggplot(data = dane92) +
    geom_point(mapping = aes(x = age, y = earnings), color = "purple")+ labs(title= "Wykres rozrzutu earnings względem age")
plot

Budowa i porównanie modeli za pomocą KMNK oraz regresji kwantylowej.

model_liniowy <- lm(earnings~degree+gender+age, data=dane92)
model_qr1 <- rq(earnings~degree+gender+age, data=dane92, tau=0.25)
model_qr2 <- rq(earnings~degree+gender+age, data=dane92, tau=0.5)

## Warning in rq.fit.br(x, y, tau = tau, ...): Solution may be nonunique

model_qr3 <- rq(earnings~degree+gender+age, data=dane92, tau=0.75)
summary(model_qr1)

## 
## Call: rq(formula = earnings ~ degree + gender + age, tau = 0.25, data = dane92)
## 
## tau: [1] 0.25
## 
## Coefficients:
##                Value     Std. Error t value   Pr(>|t|) 
## (Intercept)      1.92427   0.58803    3.27240   0.00107
## degreebachelor   3.41880   0.13130   26.03821   0.00000
## genderfemale    -1.14850   0.11186  -10.26773   0.00000
## age              0.18222   0.01990    9.15846   0.00000

summary(model_qr3)

## 
## Call: rq(formula = earnings ~ degree + gender + age, tau = 0.75, data = dane92)
## 
## tau: [1] 0.75
## 
## Coefficients:
##                Value     Std. Error t value   Pr(>|t|) 
## (Intercept)      1.24944   0.84896    1.47173   0.14114
## degreebachelor   5.17262   0.17629   29.34186   0.00000
## genderfemale    -2.52525   0.16201  -15.58689   0.00000
## age              0.40965   0.02869   14.27611   0.00000

AIC(model_liniowy, model_qr1, model_qr2, model_qr3)

##               df      AIC
## model_liniowy  5 45918.10
## model_qr1      4 45184.45
## model_qr2      4 45737.55
## model_qr3      4 48091.87

AIC jest najniższe dla modelu “model_qr1”, co oznacza że model regresji kwantylowej z tau=0.25 w najlepszy sposób wyjaśnia zmienność tych danych spośród tych modeli. Model liniowy stworzony metodą KMNK gorzej objaśnia zmienną niż model kwantylowy dla pierwszego kwantyla i dla mediany.

W grupie osób, których zarobki znajdują się w pierwszym kwantylu (25% najmniej zarabiających) posiadanie wyższego wykształcenia przykłada się na zarobki wyższe srednio o 3,42 jednostki pieniężnej więcej względem osób z wykształceniem średnim. Wsród 25% najlepiej zarabiających (tau=0,75) różnica w zarobkach jest większa i wynosi 5,17 jednostek pieniężnych na korzyść osób wyżej wykształconych. Kobiety w pierwszej grupie zarabiają średnio o 1,14 jednostek mniej od mężczyzn, zaś w grupie o najwyższych zarobkach ta różnica również jest większa, 2,52 jednotki na niekorzyść kobiet. Wraz z wiekiem w obu grupach zarobki rosną przy czym również ta różnica jest wyższa w grupie najbogatszych.

model_rq5 <- rq(earnings~degree+gender+age, data=dane92, tau = seq(0.25, 0.75, 0.25))

## Warning in rq.fit.br(x, y, tau = tau, ...): Solution may be nonunique

intercept_slope <- model_rq5 %>% 
  coef() %>% 
  t() %>% 
  data.frame() %>% 
  rename(intercept = X.Intercept., slope = age) %>% 
  mutate(quantile = row.names(.))

ggplot() + 
  geom_point(data = dane92, aes(age, earnings), alpha = 0.5) + 
  geom_abline(data = intercept_slope, aes(intercept = intercept, slope = slope, color = quantile)) + 
  theme_minimal() + 
  labs(x = "Wiek", y = "Zarobki", title = "Regresje kwantylowe z tau = 0.25, 0.50 oraz 0.75")

hist(dane92$earnings)

hist(log(dane92$earnings))

Na podstawie histogramu przedstawiającego rozkład zmiennej można zauważyć, że zlogarytmowanie zmiennej może pomóc w uzyskaniu lepszego modelu.

dane92$log_earnings <- log(dane92$earnings)

plot2 <- ggplot(data = dane92) +
    geom_point(mapping = aes(x = age, y = log_earnings), color = "purple")+ labs(title= "Wykres rozrzutu log(earnings) względem age")
plot2

Budowa i porównanie modeli za pomocą KMNK oraz regresji kwantylowej dla zmiennej earnings zlogarytmowanej.

model_liniowy2 <- lm(log_earnings~degree+gender+age, data=dane92)
model_qrlog1 <- rq(log_earnings~degree+gender+age, data=dane92, tau=0.25)

## Warning in rq.fit.br(x, y, tau = tau, ...): Solution may be nonunique

model_qrlog2 <- rq(log_earnings~degree+gender+age, data=dane92, tau=0.5)

## Warning in rq.fit.br(x, y, tau = tau, ...): Solution may be nonunique

model_qrlog3 <- rq(log_earnings~degree+gender+age, data=dane92, tau=0.75)

## Warning in rq.fit.br(x, y, tau = tau, ...): Solution may be nonunique

summary(model_qrlog1)

## 
## Call: rq(formula = log_earnings ~ degree + gender + age, tau = 0.25, 
##     data = dane92)
## 
## tau: [1] 0.25
## 
## Coefficients:
##                Value    Std. Error t value  Pr(>|t|)
## (Intercept)     1.32454  0.08001   16.55439  0.00000
## degreebachelor  0.41185  0.01520   27.10356  0.00000
## genderfemale   -0.14206  0.01490   -9.53162  0.00000
## age             0.02206  0.00266    8.29927  0.00000

AIC(model_liniowy2, model_qrlog1, model_qrlog2, model_qrlog3)

##                df       AIC
## model_liniowy2  5  8750.943
## model_qrlog1    4 10873.415
## model_qrlog2    4  9249.473
## model_qrlog3    4  9527.585

W przypadku zlogarytmowanej zmiennej objaśnianej lepszą objaśnialność ma model liniowy (najniższe AIC) niż modele regresji kwantylowej. Spośród modeli regresji kwartylowej najlepszy zdaje się ten dla mediany.

Według wybranego modelu, czyli modelu liniowego osoby posiadające wykształcenie wyższe zarabiają średnio o 0,41 jednostki pieniężnej na godzinę więcej niż osoby posiadające wykształcenie średnie. Kobiety zarabiają przeciętnie 0,14 jednostki pieniężnej mniej niż mężczyźni. Wraz ze starzeniem się, z każdym kolejnym rokiem zarabia się średno 0,02 jednostki pieniężne na godzinę więcej.

Analiza zmiennej “earnings” w 1998 roku

plot3 <- ggplot(data = dane98) +
    geom_point(mapping = aes(x = age, y = earnings), color = "pink")+ labs(title= "Wykres rozrzutu earnings względem age")
plot3

Budowa i porównanie modeli za pomocą KMNK oraz regresji kwantylowej.

model_liniowy3 <- lm(earnings~degree+gender+age, data=dane98)
model_qr6 <- rq(earnings~degree+gender+age, data=dane98, tau=0.25)
model_qr7 <- rq(earnings~degree+gender+age, data=dane98, tau=0.5)

## Warning in rq.fit.br(x, y, tau = tau, ...): Solution may be nonunique

model_qr8 <- rq(earnings~degree+gender+age, data=dane98, tau=0.75)
summary(model_qr6)

## 
## Call: rq(formula = earnings ~ degree + gender + age, tau = 0.25, data = dane98)
## 
## tau: [1] 0.25
## 
## Coefficients:
##                Value     Std. Error t value   Pr(>|t|) 
## (Intercept)      3.12432   0.79243    3.94273   0.00008
## degreebachelor   3.80303   0.16637   22.85934   0.00000
## genderfemale    -1.64320   0.15013  -10.94525   0.00000
## age              0.18444   0.02659    6.93726   0.00000

summary(model_qr8)

## 
## Call: rq(formula = earnings ~ degree + gender + age, tau = 0.75, data = dane98)
## 
## tau: [1] 0.75
## 
## Coefficients:
##                Value     Std. Error t value   Pr(>|t|) 
## (Intercept)      1.44231   1.29329    1.11522   0.26480
## degreebachelor   6.25000   0.27978   22.33862   0.00000
## genderfemale    -3.36538   0.24212  -13.89986   0.00000
## age              0.48077   0.04298   11.18579   0.00000

AIC(model_liniowy3, model_qr6, model_qr7, model_qr8)

##                df      AIC
## model_liniowy3  5 38436.17
## model_qr6       4 37529.01
## model_qr7       4 38116.57
## model_qr8       4 40304.82

W 1998 roku podobnie jak w 1992 roku model regresji kwantylowej z tau=0.25 (najniższe AIC) w najlepszy sposób wyjaśnia zmienność zarobków. Model liniowy gorzej objaśnia zmienną niż model kwantylowy dla pierwszego kwantyla i dla mediany.

W 1998 roku w grupie osób, których zarobki znajdują się w pierwszym kwantylu (25% najmniej zarabiających) posiadanie wyższego wykształcenia przykłada się na zarobki wyższe srednio o 3,8 jednostki pieniężnej więcej względem osób z wykształceniem średnim. Wsród 25% najlepiej zarabiających (tau=0,75) różnica w zarobkach jest większa i wynosi 6,25 jednostek pieniężnych na korzyść osób wyżej wykształconych. Kobiety w pierwszej grupie zarabiają średnio o 1,64 jednostek mniej od mężczyzn, zaś w grupie o najwyższych zarobkach ta różnica również jest większa, 3,36 jednotki na niekorzyść kobiet. Wraz z wiekiem w obu grupach zarobki rosną przy czym również ta różnica jest wyższa w grupie najbogatszych.

Można zauważyć, że na przestrzeni lat od 1992 do 1998 roku w obu grupach, tej zarabiąjących najmniej, jak i tej zarabiających najwięcej różnice w osiąganych zarobkach ze względu na posiadane wykształcenie, płeć oraz wiek pogłębiły się. Posiadanie wyższego wykształcenia bardziej podwyższa zarobki, kobiety zarabiają jeszcze mniej względem mężczyzn, a zarobki jeszcze bardziej rosną wraz z wiekiem (w przypadku tej zmiennej głównie w grupie najlepiej zarabiających).

model_rq4 <- rq(earnings~degree+gender+age, data=dane98, tau = seq(0.25, 0.75, 0.25))

## Warning in rq.fit.br(x, y, tau = tau, ...): Solution may be nonunique

intercept_slope <- model_rq4 %>% 
  coef() %>% 
  t() %>% 
  data.frame() %>% 
  rename(intercept = X.Intercept., slope = age) %>% 
  mutate(quantile = row.names(.))

ggplot() + 
  geom_point(data = dane98, aes(age, earnings), alpha = 0.5) + 
  geom_abline(data = intercept_slope, aes(intercept = intercept, slope = slope, color = quantile)) + 
  theme_minimal() + 
  labs(x = "Wiek", y = "Zarobki", title = "Regresje kwantylowe z tau = 0.25, 0.50 oraz 0.75")

hist(dane98$earnings)

hist(log(dane98$earnings))

Również na podstawie histogramu danych z 1998 roku można zauważyć, że zlogarytmowanie zmiennej może pomóc w uzyskaniu lepszego modelu.

dane98$log_earnings <- log(dane98$earnings)

plot4 <- ggplot(data = dane98) +
    geom_point(mapping = aes(x = age, y = log_earnings), color = "pink")+ labs(title= "Wykres rozrzutu log(earnings) względem age")
plot4

Budowa i porównanie modeli za pomocą KMNK oraz regresji kwantylowej dla zmiennej earnings zlogarytmowanej.

model_liniowy4 <- lm(log_earnings~degree+gender+age, data=dane98)
model_qrlog6 <- rq(log_earnings~degree+gender+age, data=dane98, tau=0.25)

## Warning in rq.fit.br(x, y, tau = tau, ...): Solution may be nonunique

model_qrlog7 <- rq(log_earnings~degree+gender+age, data=dane98, tau=0.5)
model_qrlog8 <- rq(log_earnings~degree+gender+age, data=dane98, tau=0.75)
summary(model_liniowy4)

## 
## Call:
## lm(formula = log_earnings ~ degree + gender + age, data = dane98)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1.96583 -0.27644  0.02536  0.30209  1.50215 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     1.78845    0.06230   28.71   <2e-16 ***
## degreebachelor  0.38277    0.01173   32.64   <2e-16 ***
## genderfemale   -0.18003    0.01182  -15.23   <2e-16 ***
## age             0.02142    0.00207   10.35   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.4457 on 5907 degrees of freedom
## Multiple R-squared:  0.1828, Adjusted R-squared:  0.1824 
## F-statistic: 440.5 on 3 and 5907 DF,  p-value: < 2.2e-16

AIC(model_liniowy4, model_qrlog6, model_qrlog7, model_qrlog8)

##                df      AIC
## model_liniowy4  5 7228.160
## model_qrlog6    4 8725.172
## model_qrlog7    4 7555.391
## model_qrlog8    4 7968.480

W 1998 roku tak samo jak w 1992 w przypadku zlogarytmowanej zmiennej objaśnianej dotyczącej zarobków lepszą objaśnialność ma model liniowy (najniższe AIC) niż modele regresji kwantylowej. Spośród modeli regresji kwartylowej najlepszy zdaje się ten dla mediany.

Według wybranego modelu, czyli modelu liniowego osoby posiadające wykształcenie wyższe zarabiają średnio o 0,38 jednostki pieniężnej na godzinę więcej niż osoby posiadające wykształcenie średnie. Kobiety zarabiają przeciętnie 0,18 jednostki pieniężnej mniej niż mężczyźni. Wraz ze starzeniem się, z każdym kolejnym rokiem zarabia się średno 0,02 jednostki pieniężne na godzinę więcej.