方法选择 · 2026-07-11

门槛回归还是分位数回归？非线性与异质效应怎么选

面板门槛回归与分位数回归怎么选？本文区分区制变化和因变量条件分布异质性，并说明 ChatSRS 当前单门槛点估计与 pooled QuantReg 的真实输出边界。

直接决策答案

如果理论问题是“当某个门槛变量超过特定值后，X 与 Y 的关系是否切换到另一个区制”，选择门槛回归。

如果理论问题是“在 Y 条件分布的较低、中间和较高位置，X 的关系是否呈现不同模式”，选择分位数回归。

两者都能展示异质性，但异质性的坐标不同：门槛回归沿门槛变量 Q 切分区制；分位数回归沿 Y 的条件分布估计不同分位。不能因为其中一个结果有星号就改选模型。

用研究问题快速区分

研究表述	更匹配的方法
“企业规模超过某值后，数字化系数是否改变？”	门槛回归
“低绩效与高绩效企业中，数字化系数是否不同？”	分位数回归
“政策强度存在一个制度临界点吗？”	有理论阈值时考虑门槛回归
“X 对 Y 分布尾部是否更强？”	分位数回归
“哪个模型更显著？”	不是合法选择标准

门槛变量可以是 X 自身或另一变量，但必须有理论意义。分位点也应事先规定，不能分析后只保留最显著的列。

两种方法可以互补，但不能互相验证

同一研究可以先用门槛模型考察某个理论临界点，再用分位数回归描述 Y 条件分布上的异质模式；也可以反过来把两者作为不同问题的补充。但若二者都得到相似方向，仍不能写成“相互验证因果”。它们使用不同样本处理、不同估计对象和不同推断口径。

更稳妥的做法是为每个模型写一条独立研究问题：门槛模型对应“Q 是否划分 X 的区制”，分位数模型对应“X 在 Y 的哪些条件分位呈现何种关系”。如果论文只有一个笼统的“存在异质性”假设，先把理论机制拆清楚，再决定是否真的需要两种方法，避免分析堆叠。

ChatSRS 当前门槛回归的真实范围

panel_threshold 要求 Y、核心 X、门槛变量、个体列和时间列，可加入控制变量。当前实现：

按个体组内均值处理数值缺失，再保留满期个体形成平衡面板；
在修剪后的候选网格搜索单一最优门槛；
仅按个体 entity 做 within 去均值；
直出门槛值、低区制与高区制的 X 系数点估计、SSR、平衡面板 N 和个体数。

**门槛边界：**当前 within 变换只按 entity 去均值，吸收个体固定效应；time_col 用于判断总期数并筛选满期个体，不会自动按年份去均值或吸收年份固定效应。当前低/高区制系数只有点估计，不直出 SE、p 或 CI，也没有 Bootstrap LR 门槛显著性与门槛值置信区间；只支持单门槛。不能把两个点估计不同写成“门槛效应显著”，也不能包装为完整 Hansen 推断。

ChatSRS 当前分位数回归的真实范围

panel_quantile 使用 statsmodels QuantReg，默认估计 Q25、Q50、Q75，也可指定其他分位。直出 X 和控制变量的 b、SE、显著性星号、估计方法与 N。

**分位数边界：**当前是 pooled QuantReg，没有吸收个体或时间固定效应。内部 p 只转为星号，精确 p 不显示在 Markdown 直出中；如需精确 p 必须另行取得并验证。当前也没有跨分位系数相等检验，不能用“Q25 显著、Q75 不显著”证明两列系数不同。

数据与输入示例

假设面板长表包含 firm_id、year、roa、digital、size、lev。

门槛回归：

对 roa 做单门槛面板回归，digital 是 X，size 是门槛变量，控制 lev，firm_id 和 year 是面板索引。报告门槛点、低/高 size 区制的 digital 点估计、SSR、平衡面板 N；明确当前只按 firm_id 去均值，year 仅用于满期筛选，不自动吸收年份固定效应；同时说明当前无 SE、p、CI 和 Bootstrap LR，不宣称门槛显著。

分位数回归：

对 roa 做 pooled 分位数回归，digital 是 X，控制 size 和 lev，报告 Q25/Q50/Q75 的 b、SE、星号与 N。明确不控制个体固定效应、不直出精确 p、没有跨分位差异检验。

这两个输入使用同一数据并不意味着估计对象相同。门槛回归会形成平衡子样本，分位数回归则对所需数值列做完整案例处理，样本也可能不同。

输出结果怎么解释

门槛值回答“当前网格下在哪个 Q 点切分拟合最好”；低/高区制系数描述 Q≤γ 与 Q>γ 时 X 的点估计。它不回答 Y 分布尾部效应。

Q25/Q50/Q75 系数回答在 Y 的不同条件分位位置，X 与 Y 的关系。Q25 不是简单把 Y 最低 25% 样本切出来再回归，Q75 也不是同一人从低分位移动到高分位后的变化。

若两个方法结论看似不一致，先核对理论问题、样本、控制变量和估计器边界，而不是挑更符合预期的一个。

论文报告模板

[门槛回归]
基于 [Q] 的单门槛网格搜索得到 γ=[ ]。Q≤γ 时 X 的点估计
为 [ ]，Q>γ 时为 [ ]，平衡面板 N=[ ]。当前输出未提供
区制系数 SE/p、Bootstrap LR 或门槛 CI；估计仅按 entity 去均值，
未自动吸收年份固定效应。故只描述点估计，不宣称存在统计显著门槛。

[分位数回归]
pooled QuantReg 中，X 在 Q25、Q50、Q75 的 b 分别为 [ ]、
[ ]、[ ]，对应 SE 与星号见表 [ ]。当前模型不含个体固定效应，
精确 p 未直出，且未做跨分位系数检验，因此只描述分位模式。

如果论文真正需要固定效应分位数估计或完整门槛推断，应使用相应专门估计器另行完成，而不是修改方法名称。

选择前检查清单

异质性是沿 Q 的区制，还是沿 Y 的条件分布？
门槛或分位点是否有事前理论依据？
是否需要个体固定效应或年份固定效应？当前门槛实现只吸收前者；
是否需要正式的区制或跨分位差异检验？
当前产品输出能否支持计划中的推断句子？

常见问题 FAQ

Q1：门槛变量可以就是核心 X 吗？

可以，但要说明理论含义，并检查切分后的有效变异与模型识别。

Q2：Q25 显著、Q75 不显著，能说低分位更强吗？

不能。需要正式的跨分位系数差异检验，当前直出没有。

Q3：门槛值找到后就证明存在非线性吗？

不能。当前只是最优切分点估计，缺少 Bootstrap LR 和置信区间。

Q4：面板数据一定要选门槛回归吗？

不是。方法由研究问题决定；当前分位数实现虽接收面板来源数据，实际是 pooled QuantReg。