R语言拟合正态与帕累托分布时部分参数未更新的问题咨询

方案1：原始数据拟合正态分布参数无变化 #

• 你的数据本身近似正态分布，如果初始参数（比如用数据的均值、标准差）设置得极接近真实最优值，optim会判定当前点就是最优解，直接返回初始值，不会进行迭代。
• 也可能是负对数似然函数写错了：比如没正确使用对数似然、或者没约束标准差为正。比如正确的正态分布负对数似然应该是：

  neg_log_lik_norm <- function(params, data) {
    mu <- params[1]
    sigma <- params[2]
    # 约束sigma为正，避免无效计算
    if (sigma <= 0) return(Inf)
    -sum(dnorm(data, mean = mu, sd = sigma, log = TRUE))
  }
  

  如果没加sigma的正约束，算法可能陷入无效区域，直接停在初始值。

方案2：偏移后拟合帕累托分布参数无变化 #

帕累托分布要求所有数据≥尺度参数x_min，且形状参数α>0。你用最小值偏移后，数据最小值刚好等于x_min的初始值，这会触发两个问题：

• 你的原始数据是对称正态，偏移后仍然是对称分布，和帕累托的右偏厚尾特性完全不匹配，此时负对数似然函数在初始参数处会出现平坦区域——调整参数不会让似然值明显变化，optim找不到优化方向，直接返回初始值。
• 帕累托的x_min不能大于任何数据点，当初始x_min等于数据最小值时，已经触到了参数的边界，算法无法再调整x_min；而形状参数α的优化可能陷入局部最优（比如α趋近于无穷大时，分布几乎集中在x_min，刚好“匹配”你偏移后数据的集中趋势），所以参数完全没变化。

方案3：取绝对值后拟合帕累托参数有更新 #

取绝对值后的数据是非负对称分布，虽然还是不符合帕累托的右偏特性，但和方案2的偏移数据有本质区别：

• 绝对值处理后的数据没有固定的最小值边界（近似正态的数据绝对值后最小值接近0但不会严格等于某个固定值），优化算法可以自由调整x_min和α来尝试拟合这种非负分布，不会被参数边界卡死。
• 此时负对数似然函数对参数的梯度不为0，optim能找到可行的优化方向，所以参数会发生变化。

• 查看optim的输出：重点看$convergence值（0表示收敛成功，非0说明有问题），以及$message里的提示，比如是否出现“梯度为0”“无法找到下降方向”的信息。
• 换用带参数约束的优化方法：比如optim(method = "L-BFGS-B")，给帕累托的参数加上约束（lower = c(0, 1e-6)，确保x_min>0，α>0），避免算法陷入无效参数区域。
• 手动调整初始参数：比如给方案2设置一个比偏移后数据最小值小一点的x_min初始值，看是否能触发参数更新。

内容的提问来源于stack exchange，提问作者Maike Wuerzburg