使用fitdistrplus拟合Gamma分布：对数似然差异与参数变化问询

问题描述 #

我有一组数据集，将其归一化至最大值（数值范围为[0,1]）后尝试拟合Gamma分布。使用fitdistrplus包估计分布参数时，发现两个现象：

1. 原始数据的对数似然为负值，而归一化后的数据为正值；
2. 归一化前后shape参数取值相近，但rate参数差异较大。
   请问这两个现象的原因是什么？

原始数据拟合代码及结果 #

data <- c(130, 200, 830, 380, 680, 260, 280, 219, 330, 77, 360, 170, 240, 110, 170)

fit_gammaB <- fitdist(data, "gamma")
summary(fit_gammaB)

输出：

Fitting of the distribution ' gamma ' by maximum likelihood 
Parameters : 
         estimate  Std. Error
shape 1.784525060 0.571213823
rate  0.006316464 0.002271273
Loglikelihood:  -98.38866   AIC:  200.7773   BIC:  202.1934 
Correlation matrix:
          shape      rate
shape 1.0000000 0.8519429
rate  0.8519429 1.0000000

归一化后数据拟合代码及结果 #

data_norm <- data / max(data) # 归一化至[0,1]区间
fit_gammaB <- fitdist(data_norm, "gamma")
summary(fit_gammaB)

输出：

Fitting of the distribution ' gamma ' by maximum likelihood 
Parameters : 
      estimate Std. Error
shape 1.784173   0.600506
rate  5.241396   2.034361
Loglikelihood:  2.432731   AIC:  -0.8654627   BIC:  0.5506377 
Correlation matrix:
          shape      rate
shape 1.0000000 0.8671602
rate  0.8671602 1.0000000

一、对数似然值正负差异的原因 #

对数似然是所有数据点的概率密度函数（PDF）取对数后的总和。Gamma分布的PDF公式为：
$$f(x; shape=k, rate=\lambda) = \frac{\lambda^k x^{k-1} e^{-\lambda x}}{\Gamma(k)}$$

• 原始数据的数值很大（最大值830），代入PDF计算时，$e^{-\lambda x}$项会指数衰减，导致单个数据点的概率密度值极小，对极小值取对数自然是负数，累加后整体对数似然就呈现负值。
• 归一化后数据被缩放到[0,1]区间，$x$的数值大幅减小，$e^{-\lambda x}$项更接近1，计算出的概率密度值大很多，取对数后可能为正，累加后整体对数似然就变成正值。

注意：对数似然的正负只是反映概率密度的对数大小，和拟合质量无关。只要归一化是线性缩放，拟合的相对质量是一致的，AIC/BIC的相对比较依然有效。

二、shape参数相近、rate参数差异大的原因 #

Gamma分布的两个参数分工明确：

• shape（$k$）：描述分布的形状特征（比如偏斜程度、峰值位置的相对位置），不受线性尺度缩放的影响；
• rate（$\lambda$）：和分布的尺度大小直接相关，会随数据的线性缩放成反比变化。

你的归一化操作是线性缩放：$x_{norm} = x / 830$（830是原始数据最大值）。根据Gamma分布的性质：若$X \sim Gamma(k, \lambda)$，则$cX \sim Gamma(k, \lambda/c)$（$c$为缩放系数）。

对应到你的数据：

• 原始rate参数$\lambda_{raw} = 0.006316$，乘以缩放系数830，得到$0.006316 \times 830 \approx 5.242$，和归一化后的rate参数$\lambda_{norm}=5.2414$几乎完全一致，完全符合这个尺度变换规律。
• 而shape参数描述形状，所以归一化前后的取值几乎相同（1.7845 vs 1.7842），这是完全合理的。

内容的提问来源于stack exchange，提问作者MariaK