SciPy中levy_stable分布scale参数为何引发位移而非仅拉伸？

核心原因：测试分辨率不足导致峰值误判 #

你观察到的“峰值位移”现象并非levy_stable参数行为不符合文档定义，而是测试时x轴的分辨率和范围设置未捕捉到真实峰值。

当alpha=1, beta=1时，该稳定分布的PDF在x接近loc且x>loc的区域会急剧上升（趋近于无穷大，当x→loc+时），但你的测试代码可能因为x轴步长过大、范围不够精细，未能捕捉到这个真实峰值，反而将分布的“次峰”误认为主峰值。

验证文档参数关系的正确性 #

根据SciPy官方文档的定义，levy_stable.pdf(x, alpha, beta, loc, scale)确实等价于levy_stable.pdf(y, alpha, beta)/scale（其中y=(x-loc)/scale）。我们可以通过代码验证：

import numpy as np
from scipy.stats import levy_stable

# 测试点
x = 0.1
loc = 0
scale = 10
y = (x - loc)/scale

# 两种方式计算PDF
pdf1 = levy_stable.pdf(x, alpha=1, beta=1, loc=loc, scale=scale)
pdf2 = levy_stable.pdf(y, alpha=1, beta=1)/scale

print(f"直接计算: {pdf1}")
print(f"公式推导: {pdf2}")
print(f"差值: {abs(pdf1 - pdf2)}")

输出会显示两者数值几乎完全一致，证明文档的参数关系是正确的。

修正后的测试代码 #

为了正确观察分布形态，需要缩小x轴范围、提高分辨率，重点关注loc附近的区域：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import levy_stable, norm

# 精细设置x轴，重点关注loc=0附近的区域
x = np.linspace(-20, 20, 10000)
loc = 0

plt.figure(figsize=(12, 6))
for scale_val in [1, 5, 10]:
    pdf = levy_stable.pdf(x, alpha=1, beta=1, loc=loc, scale=scale_val)
    # 标记真实峰值位置（根据公式推导：y0是标准化分布的峰值位置，x0=loc + scale*y0）
    y0 = x[np.argmax(levy_stable.pdf(x, alpha=1, beta=1, loc=0, scale=1))]
    x0 = loc + scale_val * y0
    plt.plot(x, pdf, label=f'levy_stable, scale={scale_val}, 峰值x≈{x0:.2f}')

# 对比norm分布
pdf_norm = norm.pdf(x, loc=0, scale=10)
plt.plot(x, pdf_norm, '--', label='norm, scale=10')

plt.title('Levy Stable (alpha=1, beta=1) vs Normal Distribution PDF')
plt.xlabel('x')
plt.ylabel('Probability Density')
plt.ylim(0, 0.6)  # 限制y轴范围，避免被x→loc+的无穷大值覆盖
plt.legend()
plt.grid(True)
plt.show()

关键结论 #

• levy_stable的loc和scale参数完全符合文档定义的平移、拉伸规则
• 当alpha=1, beta=1时，分布在x>loc区域的PDF值随x趋近于loc急剧增大，测试时必须使用足够精细的x轴分辨率才能观察到真实峰值
• 你之前观察到的“峰值位移”是由于分辨率不足导致的误判

内容的提问来源于stack exchange，提问作者user171780