[논문 리뷰] Toward fits to scaling-like data, but with inflection points & generalized Lavalette function

Marcel Ausloos|arXiv (Cornell University)|2014. 04. 11.

Complex Systems and Time Series Analysis참고 문헌 24인용 수 7

한 줄 요약

이 논문은 로그-로그 도표에서 비선형 편차와 굴절점이 나타나는 척도 유사 데이터를 모델링하기 위해 최대 7개의 자유 매개변수를 가진 일반화된 Lavalette 함수를 제안한다. 두 기본 Lavalette 법칙을 조합함으로써 반-로그 도표에서 시그모이드 유사 형태를 얻고, 기존의 표준 거듭제곱 법칙이나 Zipf-Pareto-Mandelbrot 모델을 초월하여 경험적 데이터—특히 순위-크기 분포—의 피팅을 향상시킨다.

ABSTRACT

Experimental and empirical data are often analyzed on log-log plots in order to find some scaling argument for the observed/examined phenomenon at hands, in particular for rank-size rule research, but also in critical phenomena in thermodynamics, and in fractal geometry. The fit to a straight line on such plots is not always satisfactory. Deviations occur at low, intermediate and high regimes along the log($x$)-axis. Several improvements of the mere power law fit are discussed, in particular through a Mandelbrot trick at low rank and a Lavalette power law cut-off at high rank. In so doing, the number of free parameters increases. Their meaning is discussed, up to the 5 parameter free super-generalized Lavalette law and the 7-parameter free hyper-generalized Lavalette law. It is emphasized that the interest of the basic 2-parameter free Lavalette law and the subsequent generalizations resides in its "noid" (or sigmoid, depending on the sign of the exponents) form on a semi-log plot; something incapable to be found in other empirical law, like the Zipf-Pareto-Mandelbrot law. It remained for completeness to invent a simple law showing an inflection point on a \underline{log-log plot}. Such a law can result from a transformation of the Lavalette law through $x$ $ ightarrow$ log($x$), but this meaning is theoretically unclear. However, a simple linear combination of two basic Lavalette law is shown to provide the requested feature. Generalizations taking into account two super-generalized or hyper-generalized Lavalette laws are suggested, but need to be fully considered at fit time on appropriate data.

연구 동기 및 목표

• 로그-로그 도표에서 경험적 데이터의 凸/凹 형태, 간격, 어깨 등으로 인해 자주 실패하는 표준 거듭제곱 법칙 피팅의 한계를 해결하기 위해.
• 로그-로그 도표에서 굴절점을 포착할 수 있는 일반화된 Lavalette 함수를 도입하여, 기존의 Zipf-Pareto-Mandelbrot와 같은 고전적 모델에서 누락된 특징을 보완하기 위해.
• 기본 2매개변수 Lavalette 법칙을 초일반화(5매개변수) 및 초초일반화(7매개변수) 형태로 확장하여 복잡한 데이터에 대한 피팅 유연성을 높이기 위해.
• 실세계 현상—예를 들어 도시 인구 분포와 이탈리아 도시 이름에서 성도 이름의 빈도—를 모델링하는 데 있어 일반화된 Lavalette 함수의 유용성을 입증하기 위해.
• 두 기본 Lavalette 함수의 선형 조합이 로그-로그 스케일에서 명확한 굴절점을 생성할 수 있음을 보여주어, 로그 변환된 형태의 이론적 모호성을 해결하기 위해.

제안 방법

• 수정된 Lavalette 함수를 사용: y(r) = κ (N r / (N − r + 1))⁻χ. 이는 높은 순위에서 자연스러운 절단점이 있는 거듭제곱 법칙 감쇠 특성을 보인다.
• x → log(x)의 변환을 통해 굴절점을 탐색하지만, 이는 이론적 기반에 명확하지 않아 추가적 접근이 필요하다고 주장한다.
• 두 기본 Lavalette 함수의 선형 조합을 제안하여 로그-로그 도표에서 정의된 굴절점을 가진 함수를 생성한다.
• 고차원 일반화를 개발: 5매개변수 초일반화 Lavalette 법칙과 7매개변수 초초일반화 Lavalette 법칙을 각각 도입하여 더 높은 피팅 능력을 확보한다.
• 일반화된 모델을 경험적 데이터에 비선형 피팅하기 위해 Levenberg–Marquardt 알고리즘을 활용한다.
• 이탈리아 도시 인구 및 도시 이름에서 성도 이름의 빈도를 포함한 실제 데이터셋을 사용하여 로그-로그 도표와 반-로그 도표를 모두 활용해 모델을 검증한다.

실험 결과

연구 질문

• RQ1 로그-로그 도표에서 단순 거듭제곱 법칙에서 벗어나는 척도 유사 데이터의 피팅을 향상시키기 위해 두 개 이상의 매개변수를 가진 일반화된 Lavalette 함수를 사용할 수 있는가?
• RQ2 로그-로그 도표에서 굴절점의 이론적 및 실용적 의미는 무엇이며, 이를 체계적으로 모델링할 수 있는가?
• RQ3 두 기본 Lavalette 함수의 선형 조합이 어떻게 로그-로그 척도에서 굴절점을 가진 함수를 생성하는가?
• RQ4 초일반화(5매개변수) 및 초초일반화(7매개변수) Lavalette 법칙이 경험적 순위-크기 또는 분포 데이터의 기술에 얼마나 기여하는가?
• RQ5 왜 Lavalette 함수의 반-로그 도표 형태가 시그모이드 또는 noid(에이-shaped) 행동을 식별하는 데 특히 유용한가? 이는 표준 경험적 법칙과 어떻게 다를까?

주요 결과

• 기본 2매개변수 Lavalette 함수는 r = N/2에서 굴절점을 가지며 반-로그 도표에서 시그모이드 또는 noid 형태를 보인다. 이는 Zipf-Pareto-Mandelbrot 법칙에서는 존재하지 않는 특징이다.
• 두 기본 Lavalette 함수의 선형 조합은 로그-로그 도표에서 명확한 굴절점을 가진 함수를 성공적으로 생성하여 핵심 이론적 간극을 메운다.
• 5매개변수 초일반화 Lavalette 법칙과 7매개변수 초초일반화 Lavalette 법칙은 저, 중, 고 레인지에서의 데이터 피팅에 더 큰 유연성을 제공한다.
• 이탈리아 도시 인구 데이터에 대한 피팅 결과, 일반화된 Lavalette 모델은 상위 6개 도시 이후의 감소 추세를 더 잘 포착하며, 단일 거듭제곱 법칙 피팅보다 더 높은 R² 값을 기록한다.
• 이탈리아 도시의 성도 이름 빈도의 누적분포함수(CDF)는 고순위에서 뚜렷한 절단점이 나타나며, 이는 표준 Zipf-Mandelbrot 형태보다 일반화된 Lavalette 함수로 더 잘 모델링된다.
• CDF의 반-로그 도표는 Lavalette 기반 피팅에서 명확한 시그모이드 또는 noid 형태를 보이며, 표준 모델이 놓치는 중간 범위 행동을 포착할 수 있음을 확인한다.