Nieklasyczne metody statystyki

Regresja kwantylowa

## Warning: pakiet 'CVXR' został zbudowany w wersji R 4.4.2

## Warning: pakiet 'AER' został zbudowany w wersji R 4.4.2

## Warning: pakiet 'WRTDStidal' został zbudowany w wersji R 4.4.2

## Warning: pakiet 'kableExtra' został zbudowany w wersji R 4.4.2

## Warning: pakiet 'PogromcyDanych' został zbudowany w wersji R 4.4.2

## Warning: pakiet 'SmarterPoland' został zbudowany w wersji R 4.4.2

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  1.41371   17.92921  0.00000
## disp        -0.02441  0.00723   -3.37501  0.00218
## hp          -0.01672  0.01461   -1.14418  0.26224
## factor(am)1  1.39719  1.39957    0.99830  0.32668
## 
## 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  1.95354   14.07557  0.00000
## disp        -0.02253  0.01617   -1.39344  0.17445
## hp          -0.02713  0.02409   -1.12624  0.26963
## factor(am)1  3.37328  2.05603    1.64067  0.11205
## 
## 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  1.90571   14.72619  0.00000
## disp         0.00445  0.01652    0.26955  0.78948
## hp          -0.06662  0.02133   -3.12271  0.00414
## factor(am)1  7.91402  2.54073    3.11486  0.00422

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")

dane1992 <- filter(CPSSW9298, year == "1992" )
dane1998 <- filter(CPSSW9298, year =="1998")

kmnk92 <- lm(log(earnings) ~ degree + gender + age, data = dane1992)
summary(kmnk92)

## 
## Call:
## lm(formula = log(earnings) ~ degree + gender + age, data = dane1992)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1.80573 -0.26371  0.02737  0.29516  1.53710 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     1.486349   0.053186   27.95   <2e-16 ***
## degreebachelor  0.375044   0.010162   36.91   <2e-16 ***
## genderfemale   -0.167263   0.010009  -16.71   <2e-16 ***
## age             0.026398   0.001764   14.97   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.4305 on 7586 degrees of freedom
## Multiple R-squared:  0.1872, Adjusted R-squared:  0.1869 
## F-statistic: 582.3 on 3 and 7586 DF,  p-value: < 2.2e-16

Model dla zmiennej earnings w roku 1992 oszacowany klasyczna metodą najmniejszych kwadratów cechuje się dopasowaniem mierzonym R^2 = 0,1872

kmnk98 <- lm(earnings ~ degree + gender + age, data = dane1998)
summary(kmnk98)

## 
## Call:
## lm(formula = earnings ~ degree + gender + age, data = dane1998)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -16.448  -4.142  -0.890   2.978  32.109 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)      3.3003     0.8729   3.781 0.000158 ***
## degreebachelor   5.3357     0.1643  32.473  < 2e-16 ***
## genderfemale    -2.4932     0.1656 -15.055  < 2e-16 ***
## age              0.3144     0.0290  10.843  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.245 on 5907 degrees of freedom
## Multiple R-squared:  0.1823, Adjusted R-squared:  0.1819 
## F-statistic:   439 on 3 and 5907 DF,  p-value: < 2.2e-16

Dla zmiennej earnings w roku 1998 model jest dopasowany w 18,23% (r^2)

# Połączenie danych z lat 1992 i 1998
combined_data <- rbind(dane1992, dane1998)

# Wykres z ggplot
ggplot(combined_data) +
  # Punkty dla danych z lat 1992 i 1998
  geom_point(aes(x = degree, y = ifelse(year == "1992", log(earnings), earnings), color = year), alpha = 0.5) +
  labs(x = "Stopień wykształcenia", y = "Zarobki (log dla 1992, oryginalne dla 1998)", 
       title = "Porównanie modeli KMNK dla lat 1992 i 1998", 
       caption = "Źródło danych: CPSSW9298") +
  scale_color_manual(values = c("1992" = "blue", "1998" = "red")) +
  theme_minimal() +
  theme(legend.position = "bottom")

Patrząc na wykres można zauważyć, że po pierwsze: zarobki były wyższe w roku 1998 niż w roku 1992 oraz osoby z wyższym wykształceniem zarabiały więcej, niż osoby z wykształceniem średnim.

kwantyle <- c(0.25, 0.50, 0.75)
reg_kwantylowa92 <- rq(log(earnings) ~ degree + gender + age,tau = kwantyle,data = dane1992)

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

reg_kwantylowa98 <- rq(log(earnings) ~ degree + gender + age,tau = kwantyle,data = dane1998)

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

summary(reg_kwantylowa92, se = "boot")

## 
## Call: rq(formula = log(earnings) ~ degree + gender + age, tau = kwantyle, 
##     data = dane1992)
## 
## tau: [1] 0.25
## 
## Coefficients:
##                Value    Std. Error t value  Pr(>|t|)
## (Intercept)     1.32454  0.08190   16.17194  0.00000
## degreebachelor  0.41185  0.01384   29.76090  0.00000
## genderfemale   -0.14206  0.01476   -9.62619  0.00000
## age             0.02206  0.00267    8.25609  0.00000
## 
## Call: rq(formula = log(earnings) ~ degree + gender + age, tau = kwantyle, 
##     data = dane1992)
## 
## tau: [1] 0.5
## 
## Coefficients:
##                Value     Std. Error t value   Pr(>|t|) 
## (Intercept)      1.41968   0.06711   21.15468   0.00000
## degreebachelor   0.39768   0.01285   30.94697   0.00000
## genderfemale    -0.18271   0.01112  -16.43082   0.00000
## age              0.02955   0.00233   12.68263   0.00000
## 
## Call: rq(formula = log(earnings) ~ degree + gender + age, tau = kwantyle, 
##     data = dane1992)
## 
## tau: [1] 0.75
## 
## Coefficients:
##                Value     Std. Error t value   Pr(>|t|) 
## (Intercept)      1.69431   0.06079   27.87283   0.00000
## degreebachelor   0.35528   0.01216   29.20929   0.00000
## genderfemale    -0.18447   0.01141  -16.17311   0.00000
## age              0.02978   0.00200   14.89884   0.00000

summary(reg_kwantylowa98, se = "boot")

## 
## Call: rq(formula = log(earnings) ~ degree + gender + age, tau = kwantyle, 
##     data = dane1998)
## 
## tau: [1] 0.25
## 
## Coefficients:
##                Value     Std. Error t value   Pr(>|t|) 
## (Intercept)      1.53975   0.09831   15.66206   0.00000
## degreebachelor   0.39850   0.01721   23.15255   0.00000
## genderfemale    -0.18133   0.01740  -10.41935   0.00000
## age              0.02026   0.00332    6.10669   0.00000
## 
## Call: rq(formula = log(earnings) ~ degree + gender + age, tau = kwantyle, 
##     data = dane1998)
## 
## tau: [1] 0.5
## 
## Coefficients:
##                Value     Std. Error t value   Pr(>|t|) 
## (Intercept)      1.71413   0.07624   22.48251   0.00000
## degreebachelor   0.39563   0.01343   29.46302   0.00000
## genderfemale    -0.19526   0.01335  -14.62193   0.00000
## age              0.02479   0.00253    9.81581   0.00000
## 
## Call: rq(formula = log(earnings) ~ degree + gender + age, tau = kwantyle, 
##     data = dane1998)
## 
## tau: [1] 0.75
## 
## Coefficients:
##                Value     Std. Error t value   Pr(>|t|) 
## (Intercept)      1.94914   0.07178   27.15503   0.00000
## degreebachelor   0.36898   0.01336   27.61224   0.00000
## genderfemale    -0.21198   0.01389  -15.26105   0.00000
## age              0.02666   0.00238   11.18175   0.00000

# Wizualizacja dopasowania dla różnych kwantyli
ggplot(CPSSW9298, aes(x = age, y = earnings, color = gender)) +
  geom_point(alpha = 0.5) +
  geom_smooth(method = "lm", se = FALSE, color = "blue", linetype = "dashed") + # KMNK
  geom_smooth(method = "rq", formula = y ~ x, tau = 0.25, color = "red", se = FALSE) + # Kwantyl 25%
  geom_smooth(method = "rq", formula = y ~ x, tau = 0.5, color = "green", se = FALSE) + # Mediana
  geom_smooth(method = "rq", formula = y ~ x, tau = 0.75, color = "purple", se = FALSE) + # Kwantyl 75%
  labs(
    title = "Porównanie regresji KMNK i kwantylowej",
    x = "Wiek",
    y = "Wynagrodzenie"
  ) +
  theme_minimal()

## Warning in geom_smooth(method = "rq", formula = y ~ x, tau = 0.25, color =
## "red", : Ignoring unknown parameters: `tau`

## Warning in geom_smooth(method = "rq", formula = y ~ x, tau = 0.5, color =
## "green", : Ignoring unknown parameters: `tau`

## Warning in geom_smooth(method = "rq", formula = y ~ x, tau = 0.75, color =
## "purple", : Ignoring unknown parameters: `tau`

## `geom_smooth()` using formula = 'y ~ x'

## model kwantylowy 1992
model92.1 <- rq(log(earnings) ~ degree + gender + age,tau = 0.75, data = dane1992)

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

reszty92.1 <- resid(model92.1)

## bezwarunkowy (pusty) model kwantylowy 1992
model92.2 <- rq(log(earnings) ~ 1, tau = 0.75,data=dane1992)
reszty92.2 <- resid(model92.2)

goodfit(reszty92.1, reszty92.2, 0.75)

## [1] 0.1253759

## model kwantylowy 1998
model98.1 <- rq(earnings ~ degree + gender + age,tau = 0.75, data = dane1998)
reszty98.1 <- resid(model98.1)

## bezwarunkowy (pusty) model kwantylowy 1998
model98.2 <- rq(earnings ~ 1, tau = 0.75,data=dane1998)
reszty98.2 <- resid(model98.2)

goodfit(reszty98.1, reszty98.2, 0.75)

## [1] 0.1216411

r2_kmnk92 <- summary(kmnk92)$r.squared

# Dla modelu KMNK 1998
r2_kmnk98 <- summary(kmnk98)$r.squared

# Dla modelu kwantylowego 1992 (regresja kwantylowa nie ma standardowego R-squared, ale możemy użyć R-squared pseudo)
r2_model92.1 <- goodfit(reszty92.1, reszty92.2, 0.75)

# Dla modelu kwantylowego 1998
r2_model98.1 <- goodfit(reszty98.1, reszty98.2, 0.75)

# Tworzymy prostą tabelę porównawczą
comparison_table <- data.frame(
  Model = c("KMNK 1992", "KMNK 1998", "Kwantylowy 1992", "Kwantylowy 1998"),
  R_Squared = c(r2_kmnk92, r2_kmnk98, r2_model92.1, r2_model98.1)
)

# Wyświetlamy tabelę
print(comparison_table)

##             Model R_Squared
## 1       KMNK 1992 0.1871756
## 2       KMNK 1998 0.1823063
## 3 Kwantylowy 1992 0.1253759
## 4 Kwantylowy 1998 0.1216411

Porównując modele kmnk z regresją kwantylową dla tau=0.75 możemy zauważyć, że model kmnk jest w tym przypadku lepiej dopasowany od regresji kwantylowej. R^2 wynosi odpowiednio 0,1872 i 0,1823 dla metody kmnk dla lat 1992 i 1998, natomiast w metodzie regresji kwantylowej R^2 wynosi 0,1254 dla 1992r. i 0,1216 dla 1998r.