从二阶分位数回归中获取拟合值答案

【问题标题】：Obtaining fitted values from second-order quantile regressions从二阶分位数回归中获取拟合值
【发布时间】：2018-06-26 20:36:03
【问题描述】：

我确信这很容易解决，但我有一个关于分位数回归的问题。

假设我有一个遵循二阶多项式曲线趋势的数据框，我构建了一个通过数据的不同部分拟合的分位数回归：

##Data preperation
set.seed(5)
d <- data.frame(x=seq(-5, 5, len=51))
d$y <- 50 - 0.3*d$x^2 + rnorm(nrow(d))

##Quantile regression
Taus <- c(0.1,0.5,0.9)
QUA<-rq(y ~ 1 + x + I(x^2), tau=Taus, data=d)
plot(y~x,data=d)
for (k in 1:length(Taus)){
 curve((QUA$coef[1,k])+(QUA$coef[2,k])*(x)+(QUA$coef[3,k])*(x^2),lwd=2,lty=1, add = TRUE)
}

我可以通过 'predict.rq' 函数获得最大 y 值，您可以在下面的图中看到。

 ##Maximum prediction
 Pred_df<- as.data.frame(predict.rq(QUA))
 apply(Pred_df,2,max)

所以我的问题是如何获得与每个分位数的最大 y 值（即斜率中断）相对应的 x 值？

【问题讨论】：

我认为使用 broom 可以很容易地完成其中的一些工作，但我有点不清楚您认为错误的价值是什么？ 51.63 似乎是 0.9 分位数峰值的合理值，不是吗？
感谢您的评论。 51.63 是合理的，但这是数据集中的最大值（与分位数回归无关）。考虑到它出现在图表上的位置，我认为第 90 个百分位数的 48.88 似乎相当低。
好的，但这是平均值，而不是最大值？这就是我感到困惑的原因。
是的，您完全正确，这是我的一个非常基本的错字。我现在将对其进行编辑并对其进行更改以解决第二个问题。感谢您提请我注意！

标签： r prediction polynomials quantreg quantile-regression

【解决方案1】：

broom 包在这里可能非常有用：

library(broom)
library(dplyr)
augment(QUA) %>% 
  group_by(.tau) %>% 
  filter(.fitted == max(.fitted))

【讨论】：