位置参数

位置参数 (Location Parameter)

位置参数（location parameter）是概率分布族中控制分布整体"位置"或"中心趋势"的参数。若一个分布族可通过平移变换表示为 $f(x; \mu) = g(x - \mu)$，其中 $g(\cdot)$ 为一个标准化的基准分布，则 $\mu$ 即为该分布族的位置参数。位置参数决定了分布在实数轴上的"锚点"——增大 $\mu$ 使整个概率密度函数向右平移，减小则向左移，而分布的形状保持不变。

形式化定义

设 $F_\theta(x)$ 为一参数化的累积分布函数族，若存在标准化分布 $G$ 使得 $F_\mu(x) = G(x - \mu)$，则称 $\mu$ 为位置参数，$G$ 为标准化分布。当分布具有密度函数时，$f_\mu(x) = g(x - \mu)$。位置—尺度分布族（location-scale family）进一步引入尺度参数 $\sigma > 0$，使得 $f_{\mu,\sigma}(x) = \frac{1}{\sigma} g\left(\frac{x - \mu}{\sigma}\right)$。

典型例子

最常见的例子是正态分布 $\mathcal{N}(\mu, \sigma^2)$，其均值 $\mu$ 同时是位置参数——概率密度 $f(x) = \frac{1}{\sigma\sqrt{2\pi}} \exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)$ 中，$\mu$ 的改变仅平移曲线。柯西分布 $\text{Cauchy}(\mu, \gamma)$ 的 $\mu$ 是其位置参数，但该分布无定义好的均值——凸显位置参数描述"中心"而非"均值"的特性。拉普拉斯分布（双指数分布）、逻辑斯蒂分布和均匀分布亦属位置—尺度族。然而指数分布和泊松分布的位置受参数影响时形状亦改变，故不存在纯粹位置参数。

估计方法

位置参数的经典估计量包括：(1) 样本均值 $\bar{X} = \frac{1}{n}\sum_{i=1}^n X_i$，在正态分布下是最小方差无偏估计（MVUE），但受异常值严重影响，breakdown point为0；(2) 样本中位数，breakdown point为50\%，是稳健统计（robust statistics）的核心工具，在重尾分布（如柯西分布）中远优于均值；(3) 截尾均值（trimmed mean）与Winsorized均值，在效率与稳健性之间取得平衡；(4) M估计量（Huber, 1964），通过最小化 $\sum \rho(x_i - \hat{\mu})$ 得到，Huber的$\psi$函数在中心区域用二次损失（类均值）、尾部用线性损失（类中位数），实现自适应稳健估计。

在计量经济学中的应用

位置参数思想贯穿计量经济学的多个领域。在分位数回归（Koenker \& Bassett, 1978）中，中位数回归（$\tau = 0.5$）直接估计的是条件位置参数，其对误差分布的异方差性和非正态性天然稳健。面板数据的固定效应模型中，个体截距项可理解为各组的位置参数，控制不可观测的异质性。在因果推断中，双重差分（DiD）的处理组虚拟变量系数反映处理带来的位置平移效应——这正是位置参数直觉的直接延伸。此外，贝叶斯统计中的层次模型常用正态先验的位置参数来建模组间变异性，通过收缩估计（shrinkage）在组均值与总体均值之间借力。理解位置参数不仅有助于选择合适的中心趋势测度，更有助于在存在厚尾、异常值或模型误设时做出稳健的统计推断。