为何Statsmodels非标准化数据下分位数回归系数与SAS不同？

问题背景 #

给定数据集：

import pandas as pd
df = pd.DataFrame({
    'year': [2000]*5 + [2001]*5 + [2002]*5,
    'metric': [2,3,4,5,6,12,13,14,15,16,22,23,24,25,26]
})

使用Statsmodels执行0.5分位数（中位数）回归：

import statsmodels.formula.api as smf
model = smf.quantreg('metric ~ year', df)
result = model.fit(q=0.5, vcov='robust', kernel='epa', bandwidth='hsheather', max_iter=1000, p_tol=1e-06)

出现以下问题：

• 已知三年的metric中位数分别为4、14、24，理论回归系数应为10（与SAS PROC QUANTREG结果一致），但Statsmodels输出的系数不符合预期
• 调整kernel、bandwidth等参数后结果无变化
• Statsmodels输出提示：condition number is large
• 将年份标准化为0、0.5、1后，Statsmodels回归系数变为20，与SAS结果（按尺度换算后）一致

核心原因 #

问题出在设计矩阵的数值尺度失衡导致的数值稳定性问题：

1. 病态设计矩阵：当使用原始年份值（2000、2001、2002）时，设计矩阵包含截距项（对应year=0时的预测值）和大数值的year变量，两者的数值尺度差异极大。这种差异会导致设计矩阵的条件数过高——条件数越大，矩阵越接近奇异，数值计算中的误差会被严重放大，干扰优化算法的收敛。
2. 优化算法收敛问题：Statsmodels分位数回归使用的优化算法（内点法或单纯形法）在处理病态矩阵时，容易因数值精度限制无法找到全局最优解，反而收敛到局部最优或者偏离预期的结果。而SAS的PROC QUANTREG可能内部对设计矩阵做了数值稳定处理（比如中心化、缩放），或者采用了更鲁棒的数值计算策略，因此能直接得到理论预期的结果。
3. 标准化后的一致性：将年份标准化为0、0.5、1后，变量尺度与截距项趋于均衡，条件数大幅降低，优化算法能稳定收敛到全局最优解。此时得到的系数20对应原尺度下的10（因为标准化后year每变化0.5等价于原year变化1，所以系数=10/0.5=20），和SAS结果完全一致。

验证与解决办法 #

• 验证条件数：运行print(result.model.exog.cond())可以看到，原始year的条件数远高于标准化后的数值，直观证明矩阵病态问题。
• 解决办法：
  • 对year做中心化处理（比如减去2000，得到0、1、2），此时回归系数会直接输出10，与SAS结果完全一致
  • 保持标准化变量回归，再根据尺度转换回原变量的系数
  • 避免使用与截距项尺度差异极大的自变量，尤其是分位数回归这类对数值稳定性敏感的算法

内容的提问来源于stack exchange，提问作者bagelanta