Modelos de regresión por cuantiles condicionales frente a incondicionales: una guía para los profesionales

• Alejo, Javier ^[1] ; Favata, Federico ^[4] ; Montes-Rojas, Gabriel ^[2] ; Trombetta, Martín ^[3]
  1. [1] Universidad de la República

     Universidad de la República

     Uruguay

     
  2. [2] Universidad de Buenos Aires

     Universidad de Buenos Aires

     Argentina

     
  3. [3] Universidad Nacional de General Sarmiento

     Universidad Nacional de General Sarmiento

     Argentina

     
  4. [4] Universidad de Nacional de San Martín

  Mostrar afiliaciones +
• Localización: Economía, ISSN 0254-4415, Vol. 44, Nº. 87 (Special issue “Applications and Methods for Spatial Economic Data”), 2021, págs. 76-93
• Idioma: inglés
• Títulos paralelos:
  • Conditional vs unconditional quantile regression models: a guide to practitioners
• Enlaces
  • Texto completo
• Resumen
  • español

    Este artículo analiza dos herramientas econométricas que se utilizan para evaluar los efectos distributivos, la regresión por cuantiles condicionales (CQR) y la regresión por cuantiles incondicionales (UQR). Nuestro principal objetivo es arrojar luz sobre las similitudes y diferencias entre estas metodologías. Una derivación teórica interesante para conectar CQR y UQR es que, por el efecto de una covariable continua, la UQR es un promedio ponderado de la CQR. Esto impone límites claros a los valores que pueden tomar los coeficientes UQR y proporciona una forma de detectar errores de especificación. La clave aquí es una coincidencia entre CQR cuyos valores predichos son los más cercanos al cuantil incondicional. Sin embargo, para una covariable binaria, derivamos una nueva relación analítica. Ilustramos estos modelos usando retornos por edad y brecha de género en Argentina para 2019 y 2020.

  • English

    This paper analyzes two econometric tools that are used to evaluate distributional effects, conditional quantile regression (CQR) and unconditional quantile regression (UQR). Our main objective is to shed light on the similarities and differences between these methodologies. An interesting theoretical derivation to connect CQR and UQR is that, for the effect of a continuous covariate, the UQR is a weighted average of the CQR. This imposes clear bounds on the values that UQR coefficients can take and provides a way to detect misspecification. The key here is a match between CQR whose predicted values are the closest to the unconditional quantile. For a binary covariate, however, we derive a new analytical relationship. We illustrate these models using age returns and gender gap in Argentina for 2019 and 2020.