[論文レビュー] Statistical Consequences of Fat Tails: Real World Preasymptotics, Epistemology, and Applications

Nassim Nicholas Taleb|arXiv (Cornell University)|Jan 24, 2020

Probability and Risk Models被引用数 20

ひとこと要約

この独著は、肥尾分布の世界において、薄尾統計的手法の誤用に挑戦し、従来の漸近的理論が現実の前漸近的領域では失敗することを示している。中規模の現象における統計的挙動を理解するためのフレームワークを提示し、標準的手法（標本平均、経験分布、次元削減など）が肥尾分布下で系統的に失敗することを明らかにした。その影響は、ファイナンス、リスク管理、行動科学にわたり広がる。

ABSTRACT

(The third edition corrects minor typos and adds 3 chapters synthesized from published papers plus an appendix on maximum entropy distributions.) The monograph investigates the misapplication of conventional statistical techniques to fat tailed distributions and looks for remedies, when possible. Switching from thin tailed to fat tailed distributions requires more than "changing the color of the dress". Traditional asymptotics deal mainly with either n=1 or $n=\infty$, and the real world is in between, under of the "laws of the medium numbers" --which vary widely across specific distributions. Both the law of large numbers and the generalized central limit mechanisms operate in highly idiosyncratic ways outside the standard Gaussian or Levy-Stable basins of convergence. A few examples: + The sample mean is rarely in line with the population mean, with effect on "naive empiricism", but can be sometimes be estimated via parametric methods. + The "empirical distribution" is rarely empirical. + Parameter uncertainty has compounding effects on statistical metrics. + Dimension reduction (principal components) fails. + Inequality estimators (GINI or quantile contributions) are not additive and produce wrong results. + Many "biases" found in psychology become entirely rational under more sophisticated probability distributions + Most of the failures of financial economics, econometrics, and behavioral economics can be attributed to using the wrong distributions. This book, the first volume of the Technical Incerto, weaves a narrative around published journal articles.

研究の動機と目的

• 薄尾統計的手法（例：中心極限定理）を肥尾の現実的現象に適用することの根本的欠陥を暴露すること。
• 現実世界は「中規模の数の法則」に従っており、n=1 でも n=∞ でもないため、標準的な漸近的推論が無効であることを確立すること。
• 標本平均、経験分布、パラメータ推定、次元削減といった一般的な統計的手法が、肥尾分布下で失敗または誤解を招くことを示すこと。
• 行動経済学の仮定に反して、心理的「バイアス」が肥尾の不確実性下で合理的な反応であることを再評価すること。
• 経済統計学およびファイナンス分野で広く誤用されている、肥尾分布下でのリスク管理と経験的推論の技術的基盤を提供すること。

提案手法

• n=1 と n=∞ の間の前漸近的領域における統計推定量の挙動を分析し、非ガウス型で肥尾のある分布に注目する。
• 出版済みの学術論文と理論的導出を用いて、標準的な漸近的結果と、安定分布およびパワー則分布下での現実世界の有限標本挙動を対比する。
• パラメトリック手法を用いて肥尾下での母平均推定を試み、標本平均が真の平均と一致しないことが多くあることを示す。
• 極値の支配と収束の欠如のため、肥尾下では経験分布が真に経験的ではないことを示す。
• 肥尾状況下におけるパラメータ不確実性の統計的指標への複合的影響を理解するためのフレームワークを提示する。
• 非加法的不平等指標（例：GINI）や主成分分析の失敗といった、一般的な統計的失敗を、肥尾分布固有のものとして再解釈する。

実験結果

リサーチクエスチョン

• RQ1 なぜ従来の統計的手法は、現実世界の肥尾分布に適用された際に体系的に失敗するのか？
• RQ2 n が 1 でも ∞ でもない前漸近的領域において、統計推定量の挙動はどのように変化するのか？
• RQ3 心理的「バイアス」の何パーセントが、肥尾の不確実性下で実際に合理的な反応であるのか？
• RQ4 なぜ主成分分析のような標準的な次元削減手法が肥尾分布下で失敗するのか？
• RQ5 母集団分布が正規分布でも薄尾でもない場合、リスクモデルと経験的推論はどのように是正されるべきか？

主な発見

• 肥尾分布下では標本平均が母平均と一致するとは限らず、単純な経験的実践の根拠が揺らぐ。
• 極値の支配と収束の欠如のため、肥尾状況下では経験分布は経験的妥当性を欠く。
• パラメータ不確実性が肥尾領域で複合的に作用し、分散や信頼区間といった主要な統計指標が歪められる。
• 主成分分析のような次元削減手法が失敗するのは、共分散行列の固有構造が肥尾下で不安定になるためである。
• GINI や分位数寄与度といった不平等指標は、肥尾下では加法的ではなく、富とリスク分析において体系的な誤差を生じる。
• 行動経済学における多くの「認知バイアス」とされる現象は、肥尾分布を適切に考慮すれば、実際には合理的な反応であることが示される。