Kas yra kvantilinė regresija prognozėms su intervalais?

Kvantilinė regresija yra regresijos metodas, leidžiantis įvertinti ne tik tikslinės kintamosios vidutinę reikšmę, bet ir įvairius jos pasiskirstymo kvantilius. Intervalu prognozavimo kontekste (pvz., laiko eilutės) kvantilinė regresija padeda gauti intervalines prognozes, atspindinčias modelio neapibrėžtumą.

Vietoj to, kad prognozuotų vieną taškinę reikšmę (pvz., vidurkį), modelis mokomas prognozuoti, pavyzdžiui, 5-ąjį ir 95-ąjį procentilį, sudarydami 90% pasitikėjimo intervalą.

Tai ypač naudinga užduotims, kur svarbu suprasti galimų reikšmių diapazoną, o ne tik tikėtiną reikšmę, pvz., finansuose ar paklausos prognozavime.

Python bibliotekoje statsmodels pateikiamas kvantilinės regresijos pavyzdys:

import statsmodels.api as sm
import numpy as np

# X - ypatybės, y - tikslinė kintamoji
X = sm.add_constant(X)  # pridėti konstantą
kvantiliai = [0.05, 0.5, 0.95]
modeliai = {}
for q in kvantiliai:
    mod = sm.QuantReg(y, X)
    res = mod.fit(q=q)
    modeliai[q] = res

# Dabar galima gauti prognozes skirtingiems kvantiliams