A propósito, esta abordagem resolve todos os problemas relacionados com o ajuste de regressão no espaço log-log. A regressão OLS é melhor do que a quantílica ou Bayesiana, e assim por diante. @TheRealPlanC
Este método não depende de regressão de forma alguma. Começa simplesmente com a suposição de que seguimos uma lei de potência com expoente desconhecido.
Então normalizamos os retornos observados por log( (t+1)/t) que é o componente determinístico de retornos decrescentes.
Esses retornos independentes do tempo devem, portanto, ter uma distribuição simétrica em torno de n se realmente seguirmos uma lei de potência. De fato, observamos uma distribuição simétrica que é estável no tempo.
Podemos derivar n a partir dos parâmetros de distribuição.
É a forma mais robusta de encontrar a lei de potência e tudo o mais ainda é útil, mas completamente obsoleto e menos rigoroso.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
A propósito, esta abordagem resolve todos os problemas relacionados com o ajuste de regressão no espaço log-log. A regressão OLS é melhor do que a quantílica ou Bayesiana, e assim por diante. @TheRealPlanC
Este método não depende de regressão de forma alguma. Começa simplesmente com a suposição de que seguimos uma lei de potência com expoente desconhecido.
Então normalizamos os retornos observados por log( (t+1)/t) que é o componente determinístico de retornos decrescentes.
Esses retornos independentes do tempo devem, portanto, ter uma distribuição simétrica em torno de n se realmente seguirmos uma lei de potência.
De fato, observamos uma distribuição simétrica que é estável no tempo.
Podemos derivar n a partir dos parâmetros de distribuição.
É a forma mais robusta de encontrar a lei de potência e tudo o mais ainda é útil, mas completamente obsoleto e menos rigoroso.