Pesos em regressão quantílica para pesquisa complexa em R

Quero incluir pesos de amostra no meu modelo de regressão quantil, mas não sei como fazer isso.

Já defini meu peso, que são pesos replicados já fornecidos no conjunto de dados da pesquisa (calculado no pacote de pesquisa):

w<-svrepdesign(variables=data[,1:10],repweights=data[,11:30],type="BRR", 
  combined.weights=TRUE, weights=r.weights, rho=0.5,dbname="")

e meu modelo rq é:

rq(y~x,tau=c(.1,.2,.3,.4,.5,.6,.7,.8,.9),data=my.data))

Eu tentei usar a withReplicatesfunção, mas sem sucesso. Alguma sugestão?

r quantile-regression

— Alicja
fonte

Qual software você está usando? No Stata 13, você pode adicionar pesos de pesquisa à regressão quantílica.

— Maarten Buis

Certifique-se de que você está ponderando sobre algo que deseja marginalizar e compreenda que paga um preço de variação alto por fazer isso. Se a pesquisa fez uma amostragem excessiva de homens e você deseja desenvolver uma estimativa não específica para o sexo, a ponderação é para você. Se, por outro lado, você deseja estimativas condicionais, ou seja, deseja ajustar o sexo como uma covariável comum, a ponderação pode ser contraproducente.

— precisa

\sum_{i} w_{i} y_{i} / \sum_{i} w_{i} = 3 \sum_{i} y_{i} / \sum_{i} 1 = \bar{y}

$\sum_i w_i y_i/\sum_i w_i = 3 \sum_i y_i / \sum_i 1 = \bar y$

@ Allicja, verifique se você tem justificativa teórica para o que está prestes a fazer. Ou seja, qual método de estimativa de variação fornece erros padrão consistentes para o seu método. Para os rqdados do iid, os erros padrão envolvem uma estimativa da densidade do kernel da densidade dos erros em um ponto quantil escolhido. Isso pode ou não ser uma quantidade significativa com dados complexos de pesquisa. Como tal, rqé baseado em equações de estimativa não suaves que envolvem funções de salto, e a teoria de BRR geralmente é estabelecida apenas para estatísticas suaves.

— StasK

@StasK Eu não acho que esse seja o cálculo relevante. Estimativas específicas de gênero (por exemplo, dependentes de gênero) são o que são e nenhuma ponderação é necessária ou apropriada. Se alguém quiser "remover a amostra" de um grupo de gênero, a estimativa ponderada resultante (que inclui condições de gênero) tem baixa precisão, reduzindo efetivamente o tamanho da amostra para o grupo de amostra superior.

— Frank Harrell

Respostas:

não tenho certeza de que a resposta do @Metrics fornecerá os erros padrão corretos para uma chamada de quantreg ponderada pela pesquisa. Aqui está um exemplo do que você está tentando fazer. você certamente está atingindo um bug porque a qrfunção aninhada dentro da withReplicatesfunção neste momento não pode manipular vários tauparâmetros ao mesmo tempo (mesmo que a qrfunção possa por si só). basta ligar um de cada vez, talvez assim :)

library(survey)
library(quantreg)

# load some fake data
data(scd)
repweights <-
    cbind(c(4,0,3,0,4,0), c(3,0,0,4,0,3),c(0,3,4,0,0,2),c(0,1,0,4,3,0))

# tack on the fake replicate weights
x <- cbind( scd , repweights )

# tack on some fake main weights
x[,9] <- c( 3 , 2 , 3 , 4 , 1 , 4 )

# name your weight columns
names( x )[ 5:9 ] <- c( paste0( 'rep' , 1:4 ) , "wgt" )

# create a replicate-weighted survey design object
scdrep <-
    svrepdesign(
        data = x ,
        type = "BRR" , 
        repweights = "rep" ,
        weights = ~wgt ,
        combined.weights = TRUE
    )

# loop through each desired value of `tau`
for ( i in seq( 0.1 , 0.9 , by = 0.1 ) ){

    print( i )

    # follow the call described here:
    # http://www.isr.umich.edu/src/smp/asda/Additional%20R%20Examples%20bootstrapping%20with%20quantile%20regression.pdf
    print( 
        withReplicates( 
            scdrep , 
            quote( 
                coef( 
                    rq( arrests ~ alive , tau = i , weights = .weights ) 
                ) 
            )
        )
    )

}

— Anthony Damico
fonte

O uso de rqno pacote quantreg

rq(formula, tau=.5, data, subset, weights, na.action,
method="br", model = TRUE, contrasts, ...)

onde pesos = vetor de pesos de observação; se fornecido, o algoritmo se ajusta para minimizar a soma dos pesos multiplicados nos resíduos absolutos. O comprimento dos pesos deve ser o mesmo que o número de observações. Os pesos devem ser não negativos e é altamente recomendável que sejam estritamente positivos, pois os pesos zero são ambíguos.

Por favor, verifique se você tem zero peso em suas observações.

— Métricas
fonte