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

Sintesi Tecnica: Una Nuova Famiglia di Tipo Pareto tramite l'Integrale Frazionale di Riemann–Liouville Lato Destro

Definizione del Problema
Le distribuzioni di Pareto classiche sono strumenti fondamentali per la modellazione di fenomeni a coda pesante in campi quali l'economia, la scienza attuariale e l'ingegneria dell'affidabilità. Tuttavia, il modello Pareto standard soffre di una rigidità strutturale; il suo comportamento della coda fisso spesso non riesce a catturare i vari gradi di pesantezza della coda e i tassi di rischio non monotoni osservati nei dati empirici. Sebbene siano state proposte numerose estensioni (famiglie esponenziate, trasmutate e generate da beta) per aumentare la flessibilità, gli autori sostengono che molte di esse si affidino a parametrizzazioni ad hoc prive di un quadro teorico unificante o che risultino in un'eccessiva complessità senza una chiara motivazione.

Metodologia
L'articolo propone una nuova famiglia di distribuzioni, la Pareto Integrale Frazionale (FIP), generata applicando l'operatore integrale frazionario di Riemann–Liouville lato destro alla funzione di sopravvivenza della distribuzione di Pareto classica. La derivazione segue un processo analitico in quattro fasi:

1. Formulazione di Base: Viene stabilita la funzione di sopravvivenza $S(x)$ della distribuzione di Pareto classica.
2. Trasformazione Frazionaria: Viene applicato un integrale frazionario di Riemann–Liouville lato destro di ordine $\nu > 0$ a $S(x)$.
3. Normalizzazione: La funzione risultante viene normalizzata per garantire che costituisca una valida funzione di sopravvivenza.
4. Differenziazione: La nuova funzione di densità di probabilità (PDF) viene derivata differenziando la funzione di sopravvivenza normalizzata.

La distribuzione FIP risultante introduce un parametro di ordine frazionario ($\nu$) insieme ai parametri classici di scala ($\lambda$) e forma ($\alpha$). Il parametro frazionario regola sistematicamente la pesantezza della coda e la flessibilità della forma.

Contributi Chiave e Proprietà Statistiche
L'articolo fornisce una caratterizzazione teorica completa della distribuzione FIP:

• Forme Esplicite: Sono derivate espressioni in forma chiusa per la PDF, la Funzione di Distribuzione Cumulata (CDF), la Funzione di Sopravvivenza e il Tasso di Rischio (Hazard Rate).
• Momenti Statistici: I momenti grezzi di ordine $r$, la varianza, l'asimmetria (skewness) e la curtosi sono calcolati esplicitamente. L'esistenza dei momenti è condizionata dalla relazione tra i parametri di forma e frazionari (specificamente, $\alpha - \nu > r$).
• Altre Misure: La Funzione Generatrice dei Momenti (MGF), la Moda, la Mediana e le misure di Entropia sono derivate.
• Stima: L'articolo dettaglia la stima dei parametri utilizzando la Massima Verosimiglianza (MLE) e il Metodo dei Momenti (MOM). Vengono fornite soluzioni analitiche per gli stimatori, insieme alla matrice dell'Informazione di Fisher per il calcolo degli intervalli di confidenza asintotici.

Risultati
Le prestazioni del modello FIP sono valutate attraverso due vie primarie:

1. Simulazioni Monte Carlo: Sono state condotte simulazioni con campioni di dimensioni $n=500, 1000$ e $2000$. I risultati indicano che il modello FIP (indicato come "Modello Derivato") dimostra una convergenza e una robustezza superiori rispetto al modello Pareto di base. All'aumentare della dimensione del campione, la statistica di Kolmogorov-Smirnov (K-S) per il modello FIP si avvicina a zero, mentre la capacità di adattamento del modello di base peggiora o ristagna, suggerendo che il modello di base sia strutturalmente incapace di catturare il processo generatore dei dati.
2. Applicazione al Mondo Reale: Il modello è stato applicato a tre variabili di peso continuo dal dataset A2F 2023 Survey (pesi individuali, calibrati e familiari). In tutti i casi, il modello FIP ha superato significativamente il modello Pareto di base.
   • Qualità dell'Adattamento (Goodness-of-Fit): Il modello FIP ha ottenuto valori del Criterio di Informazione di Akaike (AIC) e del Criterio di Informazione Bayesiano (BIC) sostanzialmente inferiori (miglioramenti di 30.000–50.000 unità) e ha ridotto significativamente le statistiche K-S (ad esempio, scendendo da 0,418 a 0,078 per i pesi calibrati).
   • Adattamento Visivo: L'analisi grafica ha mostrato che, mentre il modello di base imponeva un decadimento immediato dal valore minimo, mancando il "corpo" della distribuzione, il modello FIP ha catturato con successo l'iniziale ascesa della densità di probabilità e la transizione verso la coda pesante.

Significato e Rivendicazioni
Gli autori affermano che la proposta distribuzione FIP offre un meccanismo teoricamente fondato per estendere i modelli di Pareto classici. Utilizzando il calcolo frazionario, il modello fornisce un modo sistematico per regolare il comportamento della coda senza ricorrere a parametrizzazioni arbitrarie. Lo studio conclude che l'inclusione del parametro frazionario migliora la flessibilità del modello e la trattabilità analitica, rendendo la distribuzione FIP uno strumento robusto per la modellazione di eventi estremi e rischi di coda dove i modelli Pareto standard sono insufficienti. Il documento asserisce che la superiorità del modello è una proprietà fondamentale, validata sia dai risultati delle simulazioni asintotiche che dalle applicazioni su dati reali.