自己做实证研究这些年有一类问题几乎每次都会被审稿人追问“你只报告了均值回归难道不同人群里自变量的影响没有差异吗”刚开始我不太当回事直到自己用OLS跑教育回报率得到一个“平均效应约为8%”的漂亮结果后来被人提醒“高收入人群和低收入人群的教育回报可能差出一倍”才意识到均值回归有时候真的会骗人。也是从那时候开始我认真学起了分位数回归并且把主力工具从顺手就用的回归命令换成了Stata里的一套组合拳。这篇文章就聊聊分位数回归到底在做什么以及我平时在Stata里具体怎么操作、怎么读结果、怎么画图、遇到问题怎么排查。内容基本按照我自己从入门到熟练的实际路径来写适合正在做实证分析、被“异质性分析”困扰的同学也适合刚接触Stata、想在论文里引入更丰富结论的科研新手。你会看到完整的命令、输出解读和踩坑记录照着做基本就能跑通。1. 为什么你需要分位数回归从“平均视角”到“全貌视角”1.1 均值回归的真正盲区普通最小二乘法OLS估计的是自变量对因变量条件均值的影响。这句话说起来很简单但很多人没有意识到“均值”这两个字有多大的掩盖作用。假设教育年限对收入的影响在低收入群体里是3%在高收入群体里是15%OLS给出来的可能就是一个中间值比如8.5%你会觉得“教育对所有人都挺重要”但实际上它对刚起步的年轻人可能没那么重要而对已经爬到管理层的资深人士来说决定意义却大得多。OLS也不是完全看不到这种差异最常用的替代方案是分组回归比如按收入中位数把样本砍成两组分别跑。但这里有个问题分组界限是你主观定的按30%分和按50%分结果可能不一样而且两组内部的个体差异依然存在等于用一次粗切把连续的变化硬掰成了离散的两块。另一个常见思路是在模型里加交互项比如education × high_income_group但交互项只能处理你明确写出来的那一个分组变量现实中影响机制的异质性往往不是单靠一两个虚拟变量能刻画的。分位数回归补上的正是这块拼图。它不要求你做任何分组切分而是直接在因变量的不同分位点10%、25%、50%、75%、90%上分别估计自变量的影响。这意味着你不需要事先定义“穷人”和“富人”数据会把人口从低到高排好队你只需要回答“在第10个百分位的人教育回报是多少在第90个百分位的人教育回报又是多少”。每一个分位点的回归都用了全样本所以估计效率比切子样本高得多结果也更稳定。1.2 分位数回归能回答什么问题简单说分位数回归回答的是“自变量的影响在整个结果分布中是否均匀”这个问题。如果一份政策评估报告只汇报“平均处理效应为X元”而政策对象当中最需要帮助的那批人恰好处于分布的底层那这个X可能完全无法反映政策对他们的真实效果。分位数回归让你看到的是从低分位到高分位一整条影响曲线而不是一个孤零零的点。我自己的经验里这种“全貌视角”在几类场景下特别有价值。一是劳动经济学里的收入决定因素研究收入分布通常右偏高收入段和低收入段的行为模式差异很大二是健康经济学里的医疗费用分析大部分人的医疗支出很低少数人账单高得离谱均值回归会被极端值拖着走三是教育经济学里的学业表现研究老师、班级规模等因素对尖子生和及格线附近学生的影响机制完全不同。这些场景的共同特点是因变量分布不均匀且关心的人群本来就不该被“平均化”。1.3 分位数回归跟分组回归怎么取舍有人会问既然分位数回归这么好分组回归是不是就该淘汰了也不是。分组回归的优势在于结果直观报告起来简单而且当分组变量本身就有经济学含义的时候比如性别、地区、城乡分组天然有意义。分位数回归适合回答“连续分布上的不同位置”分组回归适合回答“离散类别之间的差异”两者完全可以互补。实操中我经常这样组合使用先做全样本OLS拿到基准结果再做分位数回归看系数的连续变化轨迹最后挑选一两个有制度含义的分组变量做交互或子样本回归用分组结果给分位数回归的发现做交叉验证。审稿人看到这种思路基本不会再说你只看平均值了。2. 分位数回归的核心原理与参数解读2.1 Check Function分位数回归在优化什么要说清楚分位数回归的原理绕不开它的损失函数。OLS想找一组系数让残差平方和最小这个目标函数对极端值非常敏感一个异常值就能把整条回归线拉偏。分位数回归换了一个思路它想找一组系数让“加权绝对残差”最小权重由你选取的分位点τ决定。具体来说对于分位点τ比如0.5损失函数是 ρ_τ(u) u × (τ - I(u 0)) 其中u是残差I是指示函数。当残差为正实际值高于预测值损失是 τ×u当残差为负损失是 (τ-1)×u。你让这个加权绝对值之和最小化得到的系数β(τ)就是“第τ分位点的条件分位数回归系数”。这里的关键直觉是不同τ给正负残差分配了不同的相对权重。当τ0.9时模型更“在意”那些实际值很高、残差为正的样本点所以系数会更贴近高收入人群的规律当τ0.1时模型更关注低分位样本。这不是玄学而是数学上让回归线去“贴合”不同部位的数据分布。理解了这个后面看任何分位数回归结果都会顺很多。2.2 系数到底怎么读一个例子说清楚我用一个经典例子来解释。假设你在研究教育年限edu对收入income的影响跑出如下结果OLSedu系数0.08意为平均而言教育每多一年收入提高8%τ0.10edu系数0.03意为收入第10百分位的人群里教育每多一年收入提高3%τ0.90edu系数0.15意为收入第90百分位的人群里教育每多一年收入提高15%这三个数字放在一起结论就非常生动教育回报在低收入人群里并不高但在高收入人群里非常显著。如果你只报OLS的0.08等于把一个“两极分化”的故事讲成了一个乏味的平均故事。需要注意一个细节分位数回归的系数解释是“条件分位数”意义上的。也就是说τ0.90系数0.15应该理解为“在控制其他变量后预测收入分布第90分位点上教育的影响是15%”而不是“收入最高的那10%的人他们的教育回报是15%”。前者的表述更严谨后者在口语里说说可以写论文还是尽量按条件分位数的口径来。2.3 分位点的选择不是越密越好很多初学者一上来就报5个甚至9个分位点结果表格密密麻麻审稿人看着也累。我的建议是先根据研究问题确定核心关注的分布位置一般选τ0.10、0.25、0.50、0.75、0.90五个点就足够讲清楚故事了。如果你特别关心“底层人群”或“高分人群”可以在对应区间加密比如1%、5%这类极端分位。另外极端分位点比如0.01、0.99的估计通常不太稳定因为那里的有效样本数量天然就少标准误会显著变大。如果你非要报请使用bootstrap标准误并且对结果保持谨慎态度。我见过有人把τ0.99的系数跑出来特别大激动得不行结果换一个随机种子标准误区间能吞掉整个效应这种结果拿出去很容易被质疑。3. Stata实操从准备环境到跑通第一个模型3.1 开始之前确认你的Stata环境和外部命令分位数回归的基础功能不需要额外安装qreg、bsqreg、sqreg这些命令都是Stata自带的。但后面要做可视化grqreg、面板数据分位数回归xtqreg就需要从外部安装。所以第一步建议确认一下网络和ado路径是否正常。我自己最常用的安装命令是ssc install grqreg ssc install xtqreg ssc install qreg2如果你用的是Stata 14以上版本通常ssc仓库都能正常访问。装完之后输入which grqreg能显示路径就说明装好了。遇到“command ... not found”的错误先别慌去查这个命令对应的ssc包名经常会有人把“grqreg”和“grqreg”的拼写搞混或者把帮助文件下载下来但没真正安装二进制文件这些坑我都踩过。还有一个容易被忽略的小事Stata的版本会影响部分命令的语法。比如xtqreg早期版本只支持xtset后的面板数据新版本做了不少改动。建议装完命令后用help xtqreg看一眼版本说明和示例跑一遍自带示例再分析自己的数据能节省大量排查时间。3.2 数据探索用summarize看分布别急着回归拿到数据后第0步永远是看分布。你总得知道你的因变量到底在哪些区间集中、有没有极端异常值。Stata里最基础也最实用的命令summarize price weight mpg, detaildetail选项会输出最小值min、最大值max、几个分位点1%、5%、10%、25%、50%、75%、90%、95%、99%以及偏度峰度。这一步能帮你在跑模型前就形成直觉哪些变量适合看低分位、哪些高分位更有故事。比如汽车价格分布肯定右偏你可能对高价位高分位的影响机制更感兴趣。如果你需要生成变量层面的最大值最小值可以配合egen命令egen min_price min(price) egen max_weight max(weight)有时候在做分位数回归前你想先剔除那些因为数据录入错误导致的极端值比如收入变量出现负数、年龄出现300岁这种清洗用egen加条件删除是最快的。别小看这一步分位数回归虽然比OLS稳健但极端异常值依然能让高分位的结果彻底失真。3.3 qreg、sqreg、bsqreg到底怎么选Stata里搞分位数回归最常见的是三个命令qreg、sqreg、bsqreg。很多新手在三个命令前面懵住这里直接给结论qreg最基础的分位数回归一次只能估计一个τ标准误基于残差绝对值函数的渐近理论。速度快适合探索性分析。bsqreg在qreg基础上用bootstrap方法估计标准误更稳健但耗时较长。适合小样本或数据分布不规整的场景。sqreg同时估计多个分位点的模型标准误可以通过bootstrapreps指定次数或scores计算输出结果整齐适合直接放进论文表格。我的习惯是探索阶段用qreg分别跑几个核心分位点看看系数大概的走势正式分析用sqreg一次性跑5个分位点加上reps(200)做bootstrap标准误如果样本量很小我再补一个bsqreg做稳健性检验。三者结果应该高度一致如果有明显出入优先检查数据质量和模型设定而不是盲目调整命令。举个例子用Stata自带的auto数据跑不同分位点的价格对里程mpg的影响基本命令就是sysuse auto, clear qreg price mpg weight, quantile(0.5)这里quantile()用来指定分位点默认是0.5也就是中位数回归。中位数回归本身就是分位数回归里的一个特例它对异常值的稳健性远优于OLS这也是很多人第一次接触分位数回归的入口。4. 完整案例用auto数据做分位数回归4.1 模型设定我想看什么为了把流程走通我用Stata自带的auto数据来演示。这个数据集有1978年汽车的价格、里程、重量、维修记录等变量变量不算复杂但足够展示分位数回归的分析套路。研究问题设定为汽车的重量和燃油效率mpg如何影响价格并且这种影响在不同价格区间是否不同。模型设定为 price β0(τ) β1(τ) × mpg β2(τ) × weight ε(τ) 分别在τ0.10、0.25、0.50、0.75、0.90五个分位点估计。目标是看mpg每加仑行驶英里数的系数在哪里最大weight的系数又在哪里最明显。对汽车市场来说低价车市场和高价豪华车市场的定价逻辑很可能不一样分位数回归正好可以端到端地看一遍。4.2 跑模型sqreg一次性搞定我直接使用sqreg把五个分位点和200次bootstrap一起指定sqreg price mpg weight, quantile(0.10 0.25 0.50 0.75 0.90) reps(200)运行结束后Stata会输出一个合并的结果表格每一列对应一个分位点每一行对应一个自变量的系数、标准误、t值和置信区间。这个表格的结构很清晰可以直接复制到论文的附录或正文里。如果你想分开展示也可以分别用qreg跑但sqreg的优势在于它同时估计所有分位点后续做跨分位点系数差异检验时更方便。跑完命令后我强烈建议你看一下左上角的样本量和bootstrap次数。如果reps(200)因为某些原因没跑满输出里会有warning提示这时候结果中的标准误并不可靠需要加reps或检查数据的完整性问题。4.3 读结果系数在三个分位点上的变化以mpg变量为例假如输出显示τ0.10时系数-180不显著τ0.50时系数-95显著τ0.90时系数-350显著你的解读重点就不是“mpg对价格有负向影响”这种一句话结论而要说“mpg的负向影响主要集中在高价位汽车低价车市场mpg对定价的作用不明显”。这就是分位数回归最大的价值你能看到一个效应是从哪儿开始起作用的又在哪儿达到最强。weight系数的解读同理。如果weight在低分位显著为正、高分位不显著说明重量更多是低价车的定价支撑因素到了豪华车区间品牌、配置等未观测因素可能占据了主导。这种“效应转移”的发现在实证论文里往往就是亮点。还记得前面提到的最大值最小值处理吗如果你在探索阶段发现price变量有异常值比如某辆古董车价格高到离谱建议先用egen和summarize找出这些点判断是录入错误还是真实样本再决定是缩尾还是剔除。这一步决定了高分位回归结果是否可信。4.4 可视化grqreg画出一条系数轨迹线表格再清楚也不如图直观。我常用grqreg命令把某个变量的系数在多个分位点上的变化画成一条折线并加上置信区间带。这样一眼就能看出系数是否随分位点单调变化还是在某个位置突然反转。ssc install grqreg grqreg mpg weight, ci这里不加任何限定grqreg默认会把你刚才sqreg里面的所有分位点系数画出来。如果你只想看某个变量可以用grqreg mpg, ci olsols选项会在图上叠加一条OLS估计的系数水平线和置信区间用来直观对比分位数回归与均值回归的差异。我看到很多人画图后才发现原来OLS系数既不接近低分位也不接近高分位而是悬在中间这种视觉冲击比表格强烈得多。如果要进一步做多变量系数对比coefplot也可以胜任ssc install coefplot coefplot, keep(mpg weight) vertical bycoef它会按变量分组把每个分位点的系数画成点估计加置信区间的小图。具体用哪个命令看个人偏好grqreg更专注于分位数结果coefplot更通用。画图之后记得保存图像格式Stata里graph export成PDF或PNG宽度拉到8英寸以上清晰度才够用。5. 进阶场景面板数据、工具变量与异质性分析的关系5.1 面板数据里的分位数回归怎么跑实际研究中很多时候你手里的数据是面板结构比如多年追踪的住户调查数据。普通qreg直接忽略了个体固定效应会带来遗漏变量偏误。Stata里处理面板分位数回归的常用命令是xtqreg使用前先声明面板结构xtset id year xtqreg y x1 x2, quantile(0.25 0.50 0.75) ls其中ls选项表示用最小二乘估计作为初始值能提高收敛速度。安装命令前面已经说过ssc install xtqregxtqreg的实现比较新对于短面板或长面板都有对应的标准误处理方法。但注意面板分位数回归在小样本下面表现不如普通分位数回归稳定个体数太少时很容易不收敛。如果遇到收敛问题优先减少分位点数、简化模型或者改用qregpd、xtqr等替代命令。我一直觉得面板分位数回归是“锦上添花”型方法不要一上来就用。先跑清楚混合截面分位数回归和普通面板固定效应模型再看有没有必要引入分位数面板的结合。引入之前想清楚审稿人可能会问“为什么不用分组交互项”这类问题你需要有理有据地回答。5.2 内生性问题工具变量分位数回归分位数回归同样面临内生性挑战。如果你的核心解释变量与误差项相关各分位点的系数都会不一致。Stata里处理这个问题的常见命令是ivqregqreg2它结合了工具变量思想在不同分位点上用工具变量提取外生变异。ssc install ivqreg ivqreg y x1 x2 (endog_var instrument), quantile(0.50)这种方法的代价是收敛难度大、结果对工具变量质量非常敏感。我的建议是先用普通分位数回归做主分析把工具变量分位数回归作为稳健性检验。另外工具变量分位数回归的识别条件比较强解释结果时要格外谨慎很多审稿人会对极端分位的工具变量结果提出疑问。如果你对“异质性分析”这个说法有共鸣其实分位数回归就是最自然的异质性分析工具之一。很多论文里说的“亚组分析”本质上就是在检验系数的异质性。但分位数回归的异质性是连续的、依赖于因变量分布位置的亚组分析的异质性是离散的、依赖于分组变量。两者回答的问题维度不同在写作中可以互为补充。我用分位数回归跑完发现效应集中在高分位后再用亚组分析按收入中位数分组做个稳健性检验审稿人基本上不会再挑“异质性被藏起来了”这种毛病。5.3 分位数回归与交互项模型的对比有同学习惯用“y对x、z、x×z”的交互项模型来检验异质性。这种方法可行但它要求你得事先知道潜在异质性来源于哪个可观测变量z而且你只能检验这一个维度。分位数回归不依赖分组变量选择它让数据自动告诉你“效应在因变量的哪个区间更强”。当然分位数回归也不是万能的它对“位置”的解释比较抽象不像交互项那样容易对应到具体的政策含义。最稳妥的做法是把两种方法都做了结论互相印证论文丰富度直接上一个档次。6. 常见问题与排查技巧6.1 不收敛、警告频出怎么办分位数回归的不收敛问题常见原因之一是数据里有太多完全相同的值ties尤其是离散型因变量。解决办法是检查因变量是不是连续变量或者考虑加入jitter微小随机扰动再进行回归。还有一个原因是极端分位点上有效样本太少遇到这种情况要么减少分位点个数要么直接用中位数回归代替极端分位。如果sqreg跑很久还没出结果先检查reps次数和数据量级。reps(200)在样本量几万条时是压力很大的可以先reps(50)试跑确认没有问题再加大次数。我自己的经验是面板数据加入xtset之后如果面板单位特别多sqreg的bootstrap会显得异常慢这时候可以改用qreg少跑几个分位点或者用xtqreg专用命令来提速。6.2 标准误选bootstrap还是scoressqreg默认会自动计算标准误如果你没有指定reps它使用的是scores方法计算快但假设较强。我个人的偏好是小样本下用bootstrap标准误更稳健。Stata里写reps(200)即可常见论文要求bootstrap次数至少200如果你想更保险500次也常见。注意bootstrap的随机性会导致每次运行标准误略有差异结果里最好固定随机种子让结果可复现set seed 12345这个细节虽然不起眼但能避免你第二天重新跑一遍结果不一样也方便别人复核。6.3 结果解读的几个翻车现场翻车现场一把条件分位数说成无条件分位数。论文里一定用“在控制其他变量后处于价格分布第90百分位的汽车mpg每提高1单位价格下降XX元”这类表述别写成“价格最高的10%的汽车”。翻车现场二拿高分位的系数跟低分位的系数直接做比较时忘记做联合检验。虽然系数看起来一大一小但可能亮横着的置信区间重叠很大统计上并不显著。用test命令可以检验跨分位点系数差异test [q10]mpg [q90]mpg这条命令在sqreg的输出下可用如果p值不显著你就不能理直气壮地说“效应在不同分位点有显著差异”。6.4 命令找不到、版本报错的通用排查遇到command qreg is not found这种错误虽然qreg是内置命令但偶尔会因为Stata安装不完整或ado路径被污染而报错。先试which qreg如果提示未找到多半是Stata安装问题而不是代码问题。对外部命令grqreg、xtqreg等报错大概率是没安或版本不对用ssc install重新安装并查看帮助文件确认命令语法是否与你手上的Stata版本匹配。我见过太多次因为Stata 13和Stata 16语法差异导致的“疑似命令失效”其实不是命令没了是版本接口变了。7. 最后再分享一点我的个人经验用分位数回归这几年最大的体会是这个工具真正改变人的不是“多跑了几条回归”而是逼着你思考“你到底关心谁”。做政策评估也好做机制检验也罢一个平均值背后可能是完全不同的群体命运。分位数回归把你从“均值崇拜”里解放出来让你看到数据背后的结构这让它的价值远远超出“稳健性检验”的定位而更像是理解现实复杂性的入口。还有一个小技巧想送给刚开始上手的你第一张图永远先画因变量的核密度分布把分布形状刻在脑子里再去选分位点。如果你能说出“这个变量在90分位附近有个小峰”那你已经比绝大多数只会无脑跑五个分位点的人强很多了。工具始终是工具真正重要的是你想讲一个什么样的故事而分位数回归恰好是那个能帮你把故事讲得更有层次感的叙事工具。