Quais gráficos de diagnóstico existem para regressão quantílica?

Seguindo minha pergunta para o OLS , pergunto-me: que gráficos de diagnóstico existem para a regressão quantílica? (e há R implementação deles?)

Uma rápida pesquisa no Google já veio com o gráfico de worms (sobre o qual nunca ouvi falar antes), e ficaria feliz em saber de mais métodos que você possa conhecer. (algum deles é da OLS portado para regressão quantílica?)

A regressão quantílica não faz suposições distributivas, isto é, suposições sobre resíduos, além de assumir que a variável resposta é quase contínua. Se você está lidando com o problema de estimar um único quantil como uma função preditora X, de longe as principais coisas que podem dar errado são a especificação incorreta do preditor linear $X\beta$pela falta de ajuste, ou seja, deixando de incluir efeitos não lineares (um problema comum) ou efeitos de interação. Existem pelo menos duas abordagens recomendadas. Primeiro, se o tamanho da sua amostra for grande, ajuste apenas um modelo mais flexível. Um bom compromisso é permitir que todos os efeitos principais sejam não lineares usando splines de regressão, como splines cúbicos restritos (splines naturais). Então não há nada que precise ser verificado, exceto as interações. A segunda abordagem é esperar que o modelo seja simples (por quê?), Mas permitir que ele seja complexo e depois avaliar o impacto das adições complexas ao modelo simples. Por exemplo, podemos avaliar as contribuições combinadas de termos não lineares ou de interação ou ambos. Um exemplo a seguir, usando R rmsequantregpacotes. Um formulário de interação de compromisso é usado para limitar o número de parâmetros. As interações são restritas para não serem duplamente não-lineares.

require(rms)
# Estimate 25th percentile of y as a function of x1 and x2
f <- Rq(y ~ rcs(x1, 4) + rcs(x2, 4) + rcs(x1, 4) %ia% rcs(x2, 4), tau=.25)
# rcs = restricted cubic spline, here with 4 default knots
# %ia% = restricted interaction
# To use general interactions (all cross product terms), use:
# f <- Rq(y ~ rcs(x1, 4)*rcs(x2, 4), tau=.25)
anova(f)   # get automatic combined 'chunk' tests: nonlinearity, interaction
# anova also provides the combined test of complexity (nonlin. + interact.)