幂律分布

幂律分布 (Power Law Distribution)

幂律分布是一类概率分布，其概率密度函数（或概率质量函数）在尾部以自变量的幂函数形式衰减：$p(x) \propto x^{-\alpha}$，其中$\alpha > 1$为标度指数（又称尾指数）。其核心特征：极少数个体占据极大份额，大多数个体取值微小——即"长尾"或"厚尾"现象。

数学定义

连续幂律分布的概率密度函数为：

其中$C = (\alpha-1)x_{\min}^{\alpha-1}$为归一化常数。当$\alpha \leq 2$时，方差无穷大；当$\alpha \leq 1$时，均值亦发散。最著名的特例是帕累托分布，其累积分布函数为$P(X > x) = (x_{\min}/x)^{\alpha}$。

核心性质

标度不变性：对任意常数$k$，$p(kx) = k^{-\alpha}p(x)$，即改变测量单位不改变分布形状。这是幂律区别于正态分布等指数族分布的根本特征——不存在"典型尺度"。

厚尾性：与正态分布相比，幂律分布极端值出现概率高得多。例如，若财富服从幂律（$\alpha \approx 1.5$），则比均值高10倍的值出现的概率远非微不足道，而不像正态分布下几乎不可能。

80/20法则（帕累托法则）：幂律分布的常见表现——约20\%的个体拥有约80\%的总量。更一般地，若$p$分位的人口占有总资源的比例为$p^{1-1/\alpha}$。

经济与金融中的实例

• 收入分配与财富不平等：顶层收入与财富近似遵循幂律（帕累托尾），而底层更接近对数正态分布。Piketty等学者的研究表明，资本收益率$r > g$时，财富分布的幂律特征强化。
• 城市规模分布（齐普夫定律）：城市人口排名与规模成反比——第$k$大城市的人口约为最大城市的$1/k$，对应于$\alpha \approx 1$的边界幂律。
• 金融市场：股票收益率在极高波动区间的分布呈幂律衰减（尾指数约3-4），远厚于正态分布假设，这对风险管理与在险价值(VaR)计算至关重要。
• 企业规模：企业销售额、雇员数量的上尾遵循幂律（$\alpha \approx 1$），即少数巨型企业与大量小企业并存。
• 网络效应：社交网络中节点的连接数（度分布）、网站的点击量均近似幂律——形成"无标度网络"。

生成机制

幂律的产生通常与以下机制有关：偏好依附（马太效应——已有越多者越容易获取更多，如论文引用网络）；自组织临界性（系统自发演化至临界态，如沙堆模型）；比例增长与随机过程（Gibrat定律与反射壁垒结合可生成幂律尾）。

估计与检验

估计$\alpha$的常用方法：极大似然估计(MLE)：$\hat{\alpha} = 1 + n \left[\sum \ln(x_i/x_{\min})\right]^{-1}$；对数-对数回归（OLS拟合$\ln P(X>x)$对$\ln x$的斜率）简便但偏差较大。确定$x_{\min}$通常采用Kolmogorov-Smirnov统计量最小化方法（Clauset-Shalizi-Newman方法）。

统计推断中需注意

幂律分布方差可能不存在（$\alpha \leq 2$），此时传统中心极限定理不适用，样本均值的收敛极慢。做假设检验和置信区间构造时需格外谨慎，常借助bootstrap方法或非参数方法。