分位数回归结果不显著，求改进方法

我研究的是性别工资差异，其中一方只有350+个样本，各分位数结果都不是很显著，有没有什么方法可以改善呢？欢迎大家讨论交流
附回归大概结果：
sqreg lwages edu exp expsq marrige hukou,reps(400) q(.1 .25 .5 .75 .9 ) if gender==1
(fitting base model)
(bootstrapping ..................................................................................
> ...............................................................................................
> ...............................................................................................
> ...............................................................................................
> .................................)

Simultaneous quantile regression                     Number of obs =       961
  bootstrap(400) SEs                                 .10 Pseudo R2 =    0.0051
                                                     .25 Pseudo R2 =    0.0095
                                                     .50 Pseudo R2 =    0.0197
                                                     .75 Pseudo R2 =    0.0365
                                                     .90 Pseudo R2 =    0.0279

------------------------------------------------------------------------------
             |              Bootstrap
      lwages |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
q10          |
         edu |   .0216588   .0110369     1.96   0.050    -5.81e-07    .0433183
         exp |  -.0030162   .0130706    -0.23   0.818    -.0286666    .0226342
       expsq |    .000033   .0002429     0.14   0.892    -.0004437    .0005098
     marrige |   .0024335   .1335749     0.02   0.985    -.2597007    .2645678
       hukou |  -.0165167    .063126    -0.26   0.794    -.1403985    .1073651
       _cons |   .8879401    .168749     5.26   0.000     .5567784    1.219102
-------------+----------------------------------------------------------------
q25          |
         edu |   .0196091   .0105158     1.86   0.063    -.0010277    .0402459
         exp |  -.0014551   .0071525    -0.20   0.839    -.0154915    .0125813
       expsq |   .0000276   .0001413     0.20   0.845    -.0002497     .000305
     marrige |   .1123089   .0530449     2.12   0.034     .0082109     .216407
       hukou |  -.0009486    .059971    -0.02   0.987    -.1186387    .1167416
       _cons |   1.097993   .1318499     8.33   0.000     .8392444    1.356742
-------------+----------------------------------------------------------------
q50          |
         edu |   .0421579     .01213     3.48   0.001     .0183533    .0659626
         exp |   .0009275   .0113886     0.08   0.935    -.0214221    .0232771
       expsq |   .0000617   .0002037     0.30   0.762    -.0003381    .0004615
     marrige |   .1663856   .0856638     1.94   0.052    -.0017254    .3344967
       hukou |  -.1414431   .0557673    -2.54   0.011    -.2508837   -.0320026
       _cons |   1.204861   .1885564     6.39   0.000     .8348285    1.574894
-------------+----------------------------------------------------------------
q75          |
         edu |     .07975   .0136821     5.83   0.000     .0528995    .1066005
         exp |   .0077384   .0128848     0.60   0.548    -.0175475    .0330242
       expsq |   6.09e-06   .0002703     0.02   0.982    -.0005243    .0005365
     marrige |   .2226074   .1066845     2.09   0.037     .0132443    .4319706
       hukou |  -.1863617    .064084    -2.91   0.004    -.3121235   -.0605999
       _cons |   1.159164   .1883461     6.15   0.000     .7895436    1.528784
-------------+----------------------------------------------------------------
q90          |
         edu |   .0700203   .0259808     2.70   0.007     .0190343    .1210063
         exp |  -.0108552   .0223937    -0.48   0.628    -.0548018    .0330913
       expsq |   .0004525   .0004569     0.99   0.322    -.0004442    .0013491
     marrige |   .2664448   .1822376     1.46   0.144    -.0911875    .6240771
       hukou |  -.1766388   .0982667    -1.80   0.073    -.3694825    .0162049
       _cons |   1.914563   .3471225     5.52   0.000     1.233352    2.595774
------------------------------------------------------------------------------

橙子群 发表于 2013-7-24 11:10
sorry，刚才忘记xi:
这是回归结果： 求解释
xi: sqreg lwages i.gender edu exp expsq marrige hukou, ...

1.真心建议楼主抽出两个小时看一下教材，啥叫哑变量？啥叫分位回归？
2.粗浏览了一下啊，控制变量有不显著的，比如工作经验和户口在各分为都不显著。由于对楼主研究领域不了解，不知道这些变量是不是需要调整。如果理论上这些变量很重要，即使不显著也要留在模型中。反之就要考虑调整。
3.男性的系数各分位稳定的在-0.3到-0.4。就这个模型说，男性收入低呀，和一般认识不一样啊？！楼主要格外小心，模型或者数据有问题的可能性大啊   首先，要确认是不是男性是1，女性是0，搞反了结果系数也就是反的啦
4.初学乍练，多多海涵，指教

用20 40 60 80 试一试？

其实不显著，本身也是一个结论，为什么要显著呢?
没有差异不是很好吗？估计只是不符合你的预期罢了，
别把想法强加给数据。

如果没要找原因，或者与事实相违背，要看你样本数据的质量，再用OLS估计比较一下

洞庭古风 发表于 2013-7-23 21:30
如果没要找原因，或者与事实相违背，要看你样本数据的质量，再用OLS估计比较一下

我用的CHNS数据库，数据质量应该比较可靠的吧？ 之前您叫我看数据分布情况，如果过于集中又怎么处理呢？

数据过于集中，那么你用分位法当然很难得到好的拟合度，试想每个分位点的散点图都是很乱的，本无规律可循，硬是加上分位法估计，结果也不会好的。你用分位法本省就是想让你的文章增添亮点，又不是为了让结果估计更准备，建议还是ols估计就行了，不要非得玩新技术，有的时候行不通。

洞庭古风 发表于 2013-7-23 23:02
数据过于集中，那么你用分位法当然很难得到好的拟合度，试想每个分位点的散点图都是很乱的，本无规律可循， ...

这样，那非常感谢您一直以来的耐心解答

不用客气，分位法的使用上，确实存在一些问题。尽管是新方法，感觉还是不怎么......

1、做分析本身就是想要知道他们之间是否存在显著的关系。
而不是一定就存在关系。 如果那样，你也不要研究了。
既然是为了研究到底存在什么关系，因此，需要你对数据进行分析
描述统计，散点图等等，看看两两关系
单纯从模型回归结果是无法判断原因的。
2、你的保证模型设定是正确的。
你采用线性模型，那你凭什么说 变量之间关系是线性的，不是曲线的？
如果模型设定错误，本来是曲线的，你线性的，那就会不显著；反过来同样。
二元模型还可以看看图形，多元回归时，3元回归一个面，你如果断定是平面不是曲面？3元以上，你无法作图。