A New Pareto-Type Family via the Right-Sided Riemann–Liouville Fractional Integral: Properties and Applications

Résumé Technique : Une nouvelle famille de type Pareto via l'intégrale fractionnaire de Riemann–Liouville à droite

Énoncé du Problème
Les distributions de Pareto classiques sont des outils fondamentaux pour la modélisation des phénomènes à queue lourde dans des domaines tels que l'économie, la science actuarielle et l'ingénierie de la fiabilité. Cependant, le modèle Pareto standard souffre d'une rigidité structurelle ; son comportement de queue fixe échoue souvent à capturer les degrés variables de lourdeur de queue et les taux de hasard non monotones observés dans les données empiriques. Bien que de nombreuses extensions (par exemple, les familles exponentielles, transmuées et générées par la loi bêta) aient été proposées pour accroître la flexibilité, les auteurs soutiennent que beaucoup reposent sur des paramétrisations ad hoc manquant d'un cadre théorique unificateur ou entraînent une complexité excessive sans motivation claire.

Méthodologie
L'article propose une nouvelle famille de distributions, la Pareto à Intégrale Fractionnaire (FIP), générée en appliquant l'opérateur d'intégrale fractionnaire de Riemann–Liouville à droite à la fonction de survie de la distribution de Pareto classique. La dérivation suit un processus analytique en quatre étapes :

1. Formulation de Base : La fonction de survie $S(x)$ de la distribution de Pareto classique est établie.
2. Transformation Fractionnaire : Une intégrale fractionnaire de Riemann–Liouville à droite d'ordre $\nu > 0$ est appliquée à $S(x)$.
3. Normalisation : La fonction résultante est normalisée pour garantir qu'elle constitue une fonction de survie valide.
4. Différentiation : La nouvelle fonction de densité de probabilité (PDF) est dérivée en différenciant la fonction de survie normalisée.

La distribution FIP résultante introduit un paramètre d'ordre fractionnaire ($\nu$) aux côtés des paramètres classiques d'échelle ($\lambda$) et de forme ($\alpha$). Ce paramètre fractionnaire régule systématiquement la lourdeur de la queue et la flexibilité de la forme.

Contributions Clés et Propriétés Statistiques
L'article fournit une caractérisation théorique complète de la distribution FIP :

• Formes Explicites : Des expressions en forme fermée sont dérivées pour la PDF, la fonction de répartition (CDF), la fonction de survie et le taux de hasard.
• Moments Statistiques : Les moments bruts d'ordre $r$, la variance, l'asymétrie (skewness) et le kurtosis sont explicitement calculés. L'existence des moments est conditionnée par la relation entre les paramètres de forme et fractionnaires (spécifiquement, $\alpha - \nu > r$).
• Autres Mesures : La fonction génératrice des moments (MGF), le mode, la médiane et les mesures d'entropie sont dérivés.
• Estimation : L'article détaille l'estimation des paramètres par le Maximum de Vraisemblance (MLE) et la Méthode des Moments (MOM). Des solutions analytiques pour les estimateurs sont fournies, ainsi que la matrice d'information de Fisher pour le calcul des intervalles de confiance asymptotiques.

Résultats
La performance du modèle FIP est évaluée par deux voies primaires :

1. Simulations de Monte Carlo : Des simulations ont été menées avec des tailles d'échantillon de $n=500, 1000,$ et $2000$. Les résultats indiquent que le modèle FIP (appelé « Modèle Dérivé ») démontre une convergence et une robustesse supérieures par rapport au modèle Pareto de base. À mesure que la taille de l'échantillon augmente, la statistique de Kolmogorov-Smirnov (K-S) pour le modèle FIP approche de zéro, tandis que l'ajustement du modèle de base se détériore ou stagne, suggérant que le modèle de base est structurellement incapable de capturer le processus générateur de données.
2. Application au Monde Réel : Le modèle a été appliqué à trois variables de poids continues provenant du jeu de données A2F 2023 (poids individuels, calibrés et des ménages). Dans tous les cas, le modèle FIP a nettement surpassé le modèle Pareto de base.
   • Qualité de l'Ajustement : Le modèle FIP a obtenu des valeurs de l'Information d'Akaike (AIC) et de l'Information Bayésienne (BIC) substantiellement plus faibles (améliorations de 30 000 à 50 000 unités) et a réduit significativement les statistiques K-S (par exemple, passant de 0,418 à 0,078 pour les poids calibrés).
   • Ajustement Visuel : L'analyse graphique a montré que, tandis que le modèle de base imposait une décroissance immédiate à partir de la valeur minimale, manquant ainsi le « corps » de la distribution, le modèle FIP a réussi à capturer la montée initiale de la densité de probabilité et la transition vers la queue lourde.

Signification et Revendications
Les auteurs affirment que la distribution FIP proposée offre un mécanisme fondé théoriquement pour étendre les modèles de Pareto classiques. En utilisant le calcul fractionnaire, le modèle fournit un moyen systématique de réguler le comportement de la queue sans recourir à des paramétrisations arbitraires. L'étude conclut que l'inclusion du paramètre fractionnaire améliore la flexibilité du modèle et la tractabilité analytique, faisant de la distribution FIP un outil robuste pour la modélisation des événements extrêmes et des risques de queue là où les modèles Pareto standards sont insuffisants. L'article affirme que la supériorité du modèle est une propriété fondamentale, validée à la fois par les résultats de simulation asymptotiques et par les applications sur des données réelles.