如何为波士顿数据集的分位数回归模型计算伪R-squared？

分位数回归的伪R²需要对比仅含截距项的基准分位数模型的损失来计算，你目前只计算了目标模型的损失值，缺少基准模型的参照，所以得到的不是0-1区间的结果。以下是具体实现步骤：

1. 加载依赖包与数据 #

library(MASS)
library(quantreg) # rq函数来自该包，需显式加载
data(Boston)

2. 拟合目标模型与基准模型 #

# 你的分位数回归模型（tau=0.9）
qr_res_0.9 <- rq(medv ~ lstat + rm + crim + dis, tau = 0.9, data = Boston)

# 基准模型：仅包含截距项的分位数回归（tau需与目标模型一致）
qr_null_0.9 <- rq(medv ~ 1, tau = 0.9, data = Boston)

3. 手动计算伪R-squared #

分位数回归的伪R²定义为 1 - 模型损失 / 基准模型损失，其中损失由分位数损失函数rho计算：

# 定义分位数损失函数
rho <- function(u, tau = .5) u * (tau - (u < 0))

# 计算目标模型的总损失
V <- sum(rho(qr_res_0.9$resid, qr_res_0.9$tau))
# 计算基准模型的总损失
V0 <- sum(rho(qr_null_0.9$resid, qr_null_0.9$tau))

# 计算伪R²（取值0-1）
pseudo_r2 <- 1 - V / V0
pseudo_r2

4. 用quantreg内置函数快速计算 #

quantreg包提供了内置方法直接计算伪R²，结果与手动计算一致：

# 直接调用内置函数
pseudoR2(qr_res_0.9, type = "pseudo")

结果说明 #

该伪R²表示你的模型相比仅截距的基准模型，减少了多少分位数损失，数值越接近1，说明模型对分位数的拟合效果越好。

内容的提问来源于stack exchange，提问作者vp_050