Kas ir kvantila regresija intervālu prognozēm?

Kvantitālo regresija ir regresijas metode, kas ļauj novērtēt ne tikai mērķa mainīgā vidējo vērtību, bet arī dažādus tā sadalījuma kvantilus. Intervāla prognozēšanas kontekstā (piemēram, laika rindas) kvantitālo regresiju palīdz iegūt intervāla prognozes, kas atspoguļo modeļa nenoteiktību.

Tā vietā, lai prognozētu vienu punktu vērtību (piemēram, vidējo), modelis tiek apmācīts prognozēt, piemēram, 5. un 95. procentilu, kas veido 90% uzticības intervālu prognozei.

Tas ir īpaši noderīgi uzdevumos, kur ir svarīgi saprast iespējamo vērtību diapazonu, ne tikai gaidāmo vērtību, piemēram, finanšu vai pieprasījuma prognozēšanā.

Python bibliotēkā statsmodels ir piemērs kvantitatīvās regresijas lietošanai:

import statsmodels.api as sm
import numpy as np

# X - īpašības, y - mērķa mainīgais
X = sm.add_constant(X)  # pievienojam konstanti
kvantili = [0.05, 0.5, 0.95]
modeļi = {}
for q in kvantili:
    mod = sm.QuantReg(y, X)
    rez = mod.fit(q=q)
    modeļi[q] = rez

# Tagad var iegūt prognozes dažādiem kvantiliem