R语言fitdistrplus包mme法拟合三参数对数正态分布报错求助

触发unused argument (mln3 = ...)报错以及后续拟合失败的核心原因有3点：

• fitdistrplus::fitdist 调用mme矩匹配法拟合自定义分布时，不接收手动传入的理论矩函数参数：它会自动在当前工作环境搜索命名规则为m[分布名]的函数作为理论矩计算逻辑，你设置的分布名是ln3，只要把理论矩函数命名为mln3放在全局环境即可，调用fitdist时额外写mln3=mln3属于多余参数，会直接触发未使用参数报错。
• 原代码写的mln3二阶、三阶矩计算逻辑完全没有纳入阈值threshold的平移影响，就算去掉多余参数也会出现矩匹配不收敛、结果完全错误的问题。
• 原代码自定义的memp经验矩函数计算的是中心矩，和fitdist mme方法默认匹配的原始矩逻辑不兼容，手动传入反而会干扰优化过程。

修正点包括：移除多余传参、修正三参数对数正态矩计算公式、给阈值参数加合法边界避免优化取无效值，同时保留你需要的分位数置信区间生成逻辑：

library(fitdistrplus)
library(EnvStats)

# 此处替换为你自己的径流样本y，下面是测试用示例数据
set.seed(123)
y <- rlnorm3(1000, meanlog = 2, sdlog = 0.5, threshold = 10)

# 三参数对数正态的分布函数，直接调用EnvStats内置逻辑即可
dln3 <- function(x, meanlog, sdlog, threshold) dlnorm3(x, meanlog, sdlog, threshold)
pln3 <- function(q, meanlog, sdlog, threshold) plnorm3(q, meanlog, sdlog, threshold)
qln3 <- function(p, meanlog, sdlog, threshold) qlnorm3(p, meanlog, sdlog, threshold)

# 用EnvStats获取矩匹配初始值
param_init <- elnorm3(y, method = "mme", ci = FALSE)$parameters

# 定义三参数对数正态的理论原点矩（函数名必须为mln3，匹配distr="ln3"的命名规则）
mln3 <- function(order, meanlog, sdlog, threshold) {
  # 两参数对数正态部分的k阶原点矩
  lnorm_k <- exp(order * meanlog + (order^2 * sdlog^2)/2)
  if (order == 1) {
    return(threshold + lnorm_k)
  } else if (order == 2) {
    m1 <- exp(meanlog + sdlog^2/2)
    return(lnorm_k + 2*threshold*m1 + threshold^2)
  } else if (order == 3) {
    m1 <- exp(meanlog + sdlog^2/2)
    m2 <- exp(2*meanlog + 2*sdlog^2)
    return(lnorm_k + 3*threshold*m2 + 3*threshold^2*m1 + threshold^3)
  }
}

# 拟合分布
# 注意：不要手动传memp、mln3参数，给threshold设上界为min(y)-1e-6避免出现阈值≥样本值的非法情况
ajust <- fitdist(
  y,
  distr = "ln3",
  method = "mme",
  order = 1:3,
  start = list(
    meanlog = unname(param_init["meanlog"]),
    sdlog = unname(param_init["sdlog"]),
    threshold = unname(param_init["threshold"])
  ),
  lower = c(-Inf, 1e-6, -Inf),
  upper = c(Inf, Inf, min(y) - 1e-6)
)

# 查看拟合结果
summary(ajust)

# 生成对应分位数的置信区间（基于bootstrap，为fitdistrplus官方推荐方法）
boot_ajust <- bootdist(ajust, niter = 1000)
# 示例：输出95%置信水平下1%、50%、99%分位数的置信区间，可自行替换probs参数
quantile(boot_ajust, probs = c(0.01, 0.5, 0.99), conf.level = 0.95)

• 如果出现收敛警告，可以手动调整threshold的初始值，通常设置为比样本最小值小5%~10%的数值更容易收敛。
• 矩匹配法本身对样本异常值敏感度较高，如果拟合效果不符合预期，可以换成method="mle"做极大似然估计。
• bootstrap迭代次数niter可以根据自己的精度需求调整，通常设1000~2000次足够稳定。

内容的提问来源于stack exchange，提问作者r-user