第 2 章/极值理论
课堂实验室
CHAPTER 02 / 2.1

尾部指数

以双参数 Pareto(Lomax)为例,在对数—对数坐标中看重尾如何变成一条直线。

两个坐标轴都取对数

对数—对数坐标下的生存函数

S(x)=P(X>x)S(x)=P(X>x)(对数刻度)
Lomax(α=2, θ=1\alpha=2,\ \theta=1)指数(λ = 1)渐近线 θαx−α\theta^{\alpha}x^{-\alpha}(单参数 Pareto,仅作参照)

纵轴下限为 10−1210^{-12},更小的概率不再绘出;指数分布在 x=27.6x=27.6 处越过这一下限。

局部斜率 − dln⁡S(x)/dln⁡x-\,d\ln S(x)/d\ln x

对数—对数图上的切线斜率(取绝对值)
Lomax指数

把 x 放大十倍

尾部概率还剩下多少?幂律按固定比例 10−α10^{-\alpha} 缩小,指数分布则越往后缩得越快。

1100
Lomax:S(10x)/S(x)S(10x)/S(x)0.0119
指数:S(10x)/S(x)S(10x)/S(x)8.19e-40

α=2\alpha=2 时 10−α=0.0110^{-\alpha}=0.01。当前 xx 处的局部斜率:Lomax 1.818,指数 10。

模拟

从 Lomax(双参数 Pareto)抽样,看样本尾部是否落在直线上

样本最大值—
样本中超过 x=10x=10 的比例—
理论 S(10)S(10)0.83%

紫色点为 (x(i), i/n)(x_{(i)},\, i/n):第 ii 大的观测值与“至少这么大”的样本比例。点在中段贴着理论曲线,最右端只剩少数观测,波动明显。

1<α=2≤21<\alpha=2\le 2:均值存在,但方差不存在,单笔巨额损失可以主导整个样本。
尾部指数的定义与读图方法展开阅读
S(x)∼Cx−α (x→∞)⟹lim⁡x→∞log⁡S(x)log⁡x=−αS(x)\sim Cx^{-\alpha}\ (x\to\infty)\quad\Longrightarrow\quad\lim_{x\to\infty}\frac{\log S(x)}{\log x}=-\alpha

反向推论一般不成立:例如尾部 S(x)∼x−αlog⁡xS(x)\sim x^{-\alpha}\log x 也有上述对数极限,但不能写成常数 CC 乘以 x−αx^{-\alpha} 的渐近形式。

Lomax: S(x)=(θx+θ)α∼θαx−α,−dln⁡Sdln⁡x=αxx+θ→α\text{Lomax: }S(x)=\Big(\frac{\theta}{x+\theta}\Big)^{\alpha}\sim\theta^{\alpha}x^{-\alpha},\qquad-\frac{d\ln S}{d\ln x}=\frac{\alpha x}{x+\theta}\to\alpha
指数: S(x)=e−λx,−dln⁡Sdln⁡x=λx→∞\text{指数: }S(x)=e^{-\lambda x},\qquad-\frac{d\ln S}{d\ln x}=\lambda x\to\infty

取对数后,幂律尾部 ln⁡S(x)≈ln⁡C−αln⁡x\ln S(x)\approx\ln C-\alpha\ln x 是一条斜率为 −α-\alpha 的直线,因此对数—对数图上尾部直线斜率的绝对值就是尾部指数。指数分布的斜率随 xx 无限增大,曲线越来越陡,说明它比任何幂律都轻。

Lomax 的斜率只是逐渐接近 α\alpha:xx 与 θ\theta 相比不够大时,曲线仍有弯曲。2.3.4 节的 Hill 估计量正是用最大的一批观测来估计这条直线的斜率。

图中的虚线是单参数 Pareto 的生存函数 (θ/x)α(\theta/x)^{\alpha}(x≥θx\ge\theta),它在整个取值范围内都是精确幂律。Lomax 是把它向左平移 θ\theta 得到的:若 YY 服从单参数 Pareto,则 X=Y−θX=Y-\theta 服从 Lomax。两者的尾部指数都是 α\alpha,但 Lomax 从 x=0x=0 开始取值,只有在 x≫θx\gg\theta 时才贴近那条直线。