右连续性

右连续性 (Right-Continuity)

右连续性（Right-Continuity）是实分析、概率论与随机过程理论中的一个基本概念，描述函数在某一点从右侧逼近时的行为。形式上，设函数 $f: \mathbb{R} \to \mathbb{R}$ ，若对任意 $\varepsilon > 0$ ，存在 $\delta > 0$ ，使得当 $x_0 \leq x < x_0 + \delta$ 时恒有 $|f(x) - f(x_0)| < \varepsilon$ ，则称 $f$ 在点 $x_0$ 处右连续。等价地，可以用右极限表述： $\lim_{x \to x_0^+} f(x) = f(x_0)$ 。若 $f$ 在定义域内每一点都右连续，则称其为右连续函数。这一概念虽看似技术性细节，却在概率论的测度论基础、随机过程的路径正则性以及计量经济学的渐近理论中扮演着不可或缺的角色。

与连续性和左连续性的关系

右连续性是比连续性更弱的条件。函数 $f$ 在点 $x_0$ 处连续，当且仅当它同时满足左连续与右连续：

\lim_{x \to x_0} f(x) = f(x_0) \quad \Longleftrightarrow \quad \lim_{x \to x_0^-} f(x) = \lim_{x \to x_0^+} f(x) = f(x_0).

若仅有 $\lim_{x \to x_0^+} f(x) = f(x_0)$ 但左极限不存在或不等于函数值，则函数在 $x_0$ 处出现跳跃间断（jump discontinuity）。典型的右连续但不连续的例子是赫维赛德阶跃函数（Heaviside step function）：

H(x) = \begin{cases} 0, & x < 0, \\ 1, & x \geq 0. \end{cases}

$H(x)$ 在 $x = 0$ 处右连续（因为 $\lim_{x \to 0^+} H(x) = 1 = H(0)$ ），但非左连续（因为 $\lim_{x \to 0^-} H(x) = 0 \neq H(0)$ ），因此在该点不连续。更一般地，任何具有跳跃间断的函数都可通过调整跃点的函数值使之成为右连续（或左连续），但不能同时实现两者。

概率论中的核心地位

右连续性在概率论中的基石地位源于累积分布函数（CDF）的定义。设随机变量 $X$ 的累积分布函数为 $F(x) = P(X \leq x)$ ，则对任意实数 $x_0$ ：

\lim_{x \to x_0^+} F(x) = F(x_0).

这一性质的证明依赖于概率测度的上连续性（continuity from above）：取递减序列 $\{x_n\} \downarrow x_0$ ，则事件序列 $\{X \leq x_n\}$ 递减，且其可数交为 $\{X \leq x_0\}$ 。由概率测度的上连续性，有 $\lim_{n \to \infty} P(X \leq x_n) = P(X \leq x_0)$ ，即 $\lim_{n \to \infty} F(x_n) = F(x_0)$ 。由于这对任意递减到 $x_0$ 的序列均成立，故 $F$ 在 $x_0$ 处右连续。

值得指出的是，CDF 一般不具有左连续性。事实上：

\lim_{x \to x_0^-} F(x) = P(X < x_0) = F(x_0) - P(X = x_0).

左极限与函数值之差恰为 $x_0$ 处的点概率（point mass）。对于连续型分布，该差值为零，此时 CDF 处处连续；对于离散型分布或混合分布，在概率质量点处差值为正，CDF 表现为跳跃右连续，跳跃幅度等于该点的概率质量。

测度论视角：Lebesgue-Stieltjes 测度

从测度论角度看，右连续性与Lebesgue-Stieltjes 积分的构造密切相关。给定一个右连续、非降的函数 $F: \mathbb{R} \to [0, 1]$ ，可以在实数轴上唯一确定一个 Lebesgue-Stieltjes 测度 $\mu_F$ ，使得对任意半开区间 $(a, b]$ ：

\mu_F((a, b]) = F(b) - F(a).

此处半开区间的选择——左开右闭 $(a, b]$ ——与 $F$ 的右连续性精确对应。若 $F$ 是左连续的，则测度应定义在 $[a, b)$ 上。这一对应关系在概率论中的直接推论是：任何 CDF $F$ 通过右连续性和规范性唯一对应一个概率测度 $P$ ，从而随机变量 $X$ 的期望可写为 Lebesgue-Stieltjes 积分：

E[g(X)] = \int_{\mathbb{R}} g(x) \, dF(x).

因此，右连续性远非一个孤立的技术条件，而是连接分布函数与抽象概率空间上概率测度的关键桥梁。

左连续与右连续的对偶约定

不同文献体系对分布函数的连续性约定存在差异。在概率论的主流传统（Kolmogorov 体系）中，CDF 定义为 $F(x) = P(X \leq x)$ ，自然采用右连续约定。少数教材和统计软件则采用 $F(x) = P(X < x)$ ，此时分布函数为左连续。经济学和计量经济学文献普遍遵循右连续约定，但在使用分位数函数（quantile function）时必须注意两种约定的一致性。分位数函数通常定义为 CDF 的广义逆：

Q(p) = \inf \{ x \in \mathbb{R} : F(x) \geq p \}, \quad p \in (0, 1).

此时， $Q(p)$ 是左连续的，与 $F$ 的右连续性形成完美对偶： $F$ 在 x 处的右连续性等价于 $Q$ 在对应概率水平处的左连续性。这一对偶关系在分位数回归和风险价值（VaR）计算中有直接的技术后果。

随机过程中的结构性角色

在随机过程理论中，右连续性扮演着更为结构性的角色。一个随机过程 $\{ X_t \}_{t \geq 0}$ 若几乎所有样本路径都是右连续且具有左极限（left limits），则称其为càdlàg过程（法语 continue à droite, limites à gauche）。Càdlàg 性质是泊松过程、莱维过程（Lévy process）以及更一般的半鞅（semimartingale）理论的标准假设。

该性质的实用价值是双重的。其一，允许过程在跳跃时刻有明确定义的值（通常约定取跳跃后的值），避免了跳跃点的歧义。其二，保证跳跃前的左极限存在，使得随机积分的定义——尤其是伊藤积分中对被积函数"可料性"（predictability）的要求——获得必要的正则性支撑。Dellacherie 和 Meyer 的一般随机过程理论（Théorie Générale des Processus）将 càdlàg 性质作为可选过程（optional processes）和可料过程（predictable processes）研究的出发点。

经济学与计量经济学中的应用

右连续性在经济学中的出现主要经由概率建模和动态优化两条路径。

在计量经济学中，以 CDF 右连续性为前提的论证贯穿于渐近理论的各个层面：OLS 估计量的一致性证明依赖于误差分布函数的适当正则性；分位数回归（quantile regression）的大样本性质（如 Koenker 和 Bassett 的经典框架）以分位数函数的左连续性为基础；经验过程（empirical process）的弱收敛——Donsker 定理及 Glivenko-Cantelli 定理——将经验分布函数的几乎必然一致收敛建立在真实 CDF 的右连续性之上。Huber 的 M-估计理论中，得分函数的期望光滑性同样间接依赖分布函数的右连续性。

在契约理论和机制设计中，分配规则和转移支付的单调性条件常涉及右连续或左连续的约定选择。Myerson 的经典拍卖设计中，虚拟估值函数的单调性依赖于分布函数的正则性；在最优化税收的 Mirrlees 模型中，税表的连续性或跳跃性质同样与类型分布的右连续性假定相关。在动态规划中，值函数的右连续性（或上半连续性）是贝尔曼方程迭代收敛的关键技术条件：Stokey、Lucas 和 Prescott 的递归方法框架中，值函数迭代算子的压缩性质要求回报函数和转移概率满足特定的连续性条件，右连续性往往足以保障解的存在性和唯一性。

此外，在金融经济学中，期权定价的Black-Scholes-Merton 模型假定标的资产价格服从几何布朗运动——该过程具有连续（因而既是左连续又是右连续）的样本路径。但在推广至跳跃扩散模型（如 Merton 的跳跃模型或 Kou 的双指数跳跃模型）时，价格过程变为 càdlàg 过程，右连续性和左极限的存在性成为风险中性定价和 delta 对冲策略得以正确定义的前提。

\vspace{0.5em} 累积分布函数 \quad $\cdot$ \quad 连续性 \quad $\cdot$ \quad 泊松过程 \quad $\cdot$ \quad 分位数函数 \quad $\cdot$ \quad 动态规划 \quad $\cdot$ \quad 分位数回归 \quad $\cdot$ \quad 契约理论 \quad $\cdot$ \quad 机制设计

返回百科索引