[论文解读] An evolutionary model of long tailed distributions in the social sciences

R. Alexander Bentley, Paul Ormerod+1 more|ArXiv.org|Mar 14, 2009

Opinion Dynamics and Social Influence参考文献 24被引用 7

一句话总结

本文提出了一种广义的随机社会影响模型，通过有限理性、模仿和创新，生成长尾分布（如幂律、指数分布和赢家通吃结果）。该模型独特地再现了排名分布的动态更替，并准确复现了幂律指数α与尾部比例f之间的经验关系，将Albert-Barabási的优先附加模型作为其特例。

ABSTRACT

Studies of collective human behavior in the social sciences, often grounded in details of actions by individuals, have much to offer `social' models from the physical sciences concerning elegant statistical regularities. Drawing on behavioral studies of social influence, we present a parsimonious, stochastic model, which generates an entire family of real-world right-skew socio-economic distributions, including exponential, winner-take-all, power law tails of varying exponents and power laws across the whole data. The widely used Albert-Barabasi model of preferential attachment is simply a special case of this much more general model. In addition, the model produces the continuous turnover observed empirically within those distributions. Previous preferential attachment models have generated specific distributions with turnover using arbitrary add-on rules, but turnover is an inherent feature of our model. The model also replicates an intriguing new relationship, observed across a range of empirical studies, between the power law exponent and the proportion of data represented.

研究动机与目标

• 开发一个简洁的随机模型，解释社会科学中多样的右偏分布的出现。
• 解决先前模型在不引入诸如老化或适应度变化等人为规则的情况下，无法生成动态更替的局限性。
• 复现经验观察到的幂律指数α与尾部数据比例f之间的关系。
• 通过基于有限理性和社会影响的单一机制，统一解释收入、城市规模和引用频率等各类社会经济分布。
• 通过纳入模仿和创新作为核心决策驱动力，为理性选择模型提供一种行为学基础更扎实的替代方案。

提出的方法

• 模型包含N个代理，分布在代表选择的空间中（如城市、产品、思想），每个时间步新增n个代理。
• 每个代理以概率μ选择创新（选择一个全新的唯一位置），或以概率1−μ复制m个最近选择中的一个。
• 记忆参数m控制代理在模仿他人时回溯的范围，反映特定情境下的决策时间跨度。
• 模型在时间上进行模拟，分析不同m与μ组合下的分布结果。
• 结合分析结果与模拟结果，推导并验证所得的分布形式，包括幂律和指数尾部。
• 将模型与真实世界数据进行对比，特别关注α（幂律指数）与f（尾部数据比例）之间的关系，并与Albert-Barabási模型进行比较。

实验结果

研究问题

• RQ1 如何通过单一、简单的模型生成现实世界数据中观察到的广泛长尾社会经济分布？
• RQ2 记忆（m）与创新（μ）在塑造这些分布的形式与动态中起什么作用？
• RQ3 为何现实世界分布尽管函数形式稳定，却仍表现出排名的持续更替？
• RQ4 该模型如何复现经验观察到的幂律指数α与尾部数据比例f之间的关系？
• RQ5 该模型在何种方式上推广或包含现有模型（如Albert-Barabási优先附加模型）？

主要发现

• 通过调节两个参数m（记忆）和μ（创新），该模型可生成从幂律、指数分布到赢家通吃结果的完整右偏分布谱系。
• 当m = all（无限记忆）且μ取特定值时，Albert-Barabási模型被证明是该模型的特例。
• 该模型无需引入人工规则（如老化或适应度变化），即可自然产生排名分布的动态更替。
• 它成功复现了经验关系：幂律指数α随尾部数据比例f的减小而增大。
• 对于有限记忆（m < all），在整个分布上出现幂律（f = 1）的情形仅在α ≈ 1.5时发生，这一结果未被标准的“强者愈强”模型捕捉。
• 该模型兼具生成分布形态与动态流动的能力，使其在具有现实行为基础的前提下，特别适合建模具有文化、经济与社会特征的现象。