面板分位数回归是什么？
面板分位数回归回答的是核心变量在结果分布不同位置上的影响是否不同。它不只看平均效应，而是看低分位、中位数和高分位样本的条件效应。
先用一句话理解
把面板分位数回归想成不只问平均学生成绩是否提高，还分别问低分学生、中等学生和高分学生是否受到不同影响。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 结果分布偏斜或效应可能在低端/高端不同，并且有面板结构。 |
| 先不要用在 | 只关心均值，或面板固定效应分位数设定无法支撑。 |
| 最关键的前提 | 分位数、固定效应处理和标准误方法要清楚。 |
| 读表顺序 | 先看 tau 分位点，再比较不同 tau 的核心系数。 |
| 论文表述边界 | 分位数效应不是同一个个体从低位移动到高位的效应。 |
把它和相近方法分清楚
| 容易混淆的对象 | 怎么区分 | 初学者记法 |
|---|---|---|
| 均值回归 | 估计条件均值效应。 | 只看平均位置。 |
| 截面分位数 | 估计分布不同位置效应。 | 没有面板控制。 |
| 面板分位数 | 在面板框架下看分位异质性。 | 处理个体差异更复杂。 |
核心直觉和模型公式
条件分位数
分位数回归目标是：
\[Q_{\tau}(Y_{it}\mid X_{it},\alpha_i)=X_{it}'\beta_{\tau}+\alpha_i\]
不同 tau 对应结果分布的不同位置，beta_tau 可以随 tau 改变。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| τ | 分位点 | 0.1、0.5、0.9 等位置。 |
| Q_τ | 条件分位数 | 给定 X 后 Y 的第 τ 分位。 |
| β_τ | 分位数系数 | X 在该分位点的效应。 |
| α_i | 个体效应 | 面板个体不变差异。 |
| check loss | 分位数损失函数 | 分位数回归使用的非对称绝对损失。 |
专业使用口径
专业面板分位数报告要让读者看到整条分布，而不是挑一个分位点。
| 口径 | 专业写法 |
|---|---|
| 分位点 | 报告选择哪些 tau 及理由。 |
| 固定效应 | 说明如何处理个体效应。 |
| 标准误 | 常用 bootstrap 或稳健推断要说明。 |
| 系数图 | 展示 beta_tau 随 tau 变化。 |
一步一步做：从问题到结果的五步
| 步骤 | 这一页具体做什么 | 做到什么程度才算读懂 |
|---|---|---|
| 1. 检查结果分布 | 看偏态、长尾和异质性。 | 分位数回归从分布出发。 |
| 2. 选择分位点 | 低、中、高位置都要覆盖。 | 不要只报显著分位。 |
| 3. 设定面板结构 | 处理个体效应和聚类。 | 面板分位数比截面复杂。 |
| 4. 比较 β_tau | 看效应在分布上如何变化。 | 重点是异质性形状。 |
| 5. 画系数路径 | 用图展示不同分位点。 | 比分散表格更清楚。 |
结果怎么读：先读口径，再读数字
本页案例读表时，先记住这个口径：RDD 局部跳跃 = -0.2369；以 DFI 中位数为教学断点。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看 tau | 当前列是哪一个分位。 | 不要和均值系数混读。 |
| 再看方向 | 低端和高端是否不同。 | 这是核心问题。 |
| 然后看置信区间 | 分位差异是否有不确定性。 | 尾部分位通常更宽。 |
| 最后看解释 | 它是条件分布位置效应。 | 不是追踪同一个个体。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把分位数效应当个体跃迁 | 错。它描述条件分布位置。 |
| 只报告显著分位点 | 错。会选择性展示。 |
| 忽略固定效应处理 | 风险高。面板设定不清。 |
| 尾部分位样本少还强解释 | 不严谨。尾部不确定性通常更大。 |
先看这个案例的结论
- RDD 局部跳跃 = -0.2369；以 DFI 中位数为教学断点。
- Q25 系数 = 0.0000；低分位企业的 DFI 系数。
- Q50 系数 = 0.0058；中位数回归系数。
- 这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。
变量要求和案例口径
| 字段 | 口径 |
|---|---|
| 数据 | CSMAR 风格 A 股企业创新面板 |
| 原始样本 | 196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准 |
| 因变量 | patent_count；回归页通常使用 ln(1 + patent_count) |
| 核心解释变量 | dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index |
| 控制变量 | roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age |
| 输出文件 | xtqreg_results.csv |
| 角色要求 | 因变量、核心解释变量、个体 ID、时间变量 |
| 依赖包 | xtqreg |
实际代码
下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。
import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year
global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0
xtqreg $y $x roa lev size growth cashflow, quantile(.5)
export delimited using "$JOB_DIR/xtqreg_results.csv", replace实际输出表
这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。
| 指标 | 数值 | 解释 |
|---|---|---|
| 样本 | 1200 obs / 196 firms / 2015-2020 | 来自共用案例 CSV |
| 因变量 | ln(1 + patent_count) | 企业创新产出 |
| 核心解释变量 | dfi_index | 数字普惠金融指数 |
| 输出文件 | xtqreg_results.csv | empirical-wizard 对应方法产物 |
| RDD 局部跳跃 | -0.2369 | 以 DFI 中位数为教学断点 |
| Q25 系数 | 0.0000 | 低分位企业的 DFI 系数 |
| Q50 系数 | 0.0058 | 中位数回归系数 |
| Q75 系数 | 0.0056 | 高分位企业的 DFI 系数 |
案例图
这是一张由同一份案例数据生成的页面内诊断图。
论文里怎么写
本文在共用企业面板样本上报告面板分位数回归，核心输出见 xtqreg_results.csv。结果解释时同时关注样本口径、变量构造、系数方向、标准误和适用前提，避免只凭单个 p 值完成方法选择。
检查清单
- 先说明为什么面板均值效应不足，需要看不同分位点。
- 固定效应面板分位数估计器要说明，不能把普通 qreg 当 xtqreg。
- 不同分位点样本含义不同，不能只挑显著分位写结论。