До речі, цей підхід вирішує всі питання, що стосуються регресійного підходу в лог-лог просторі. Чи є OLS регресія кращою за квантильну або байєсівську і так далі. @TheRealPlanC
Цей метод зовсім не залежить від регресії. Він просто починається з припущення, що ми дотримуємося степеневої залежності з невідомим показником.
Тоді ми нормалізуємо спостережувані доходи через log( (t+1)/t), тобто це детермінований компонент зменшуваних доходів.
Ці незалежні від часу доходи повинні мати симетричний розподіл навколо n, якщо ми справді дотримуємося степеневого закону. Справді, ми спостерігаємо симетричний розподіл, який є стабільним у часі.
Ми можемо вивести n з параметрів розподілу.
Це найнадійніший спосіб знайти закон степеня, і все інше все ще корисне, але повністю застаріле та менш суворе.
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
До речі, цей підхід вирішує всі питання, що стосуються регресійного підходу в лог-лог просторі. Чи є OLS регресія кращою за квантильну або байєсівську і так далі. @TheRealPlanC
Цей метод зовсім не залежить від регресії. Він просто починається з припущення, що ми дотримуємося степеневої залежності з невідомим показником.
Тоді ми нормалізуємо спостережувані доходи через log( (t+1)/t), тобто це детермінований компонент зменшуваних доходів.
Ці незалежні від часу доходи повинні мати симетричний розподіл навколо n, якщо ми справді дотримуємося степеневого закону.
Справді, ми спостерігаємо симетричний розподіл, який є стабільним у часі.
Ми можемо вивести n з параметрів розподілу.
Це найнадійніший спосіб знайти закон степеня, і все інше все ще корисне, але повністю застаріле та менш суворе.