Miksi Giovannin (herra Power Law) "vakaa eksponentti" -vastaus alla olevaan analyysiini epäonnistuu täysin... Vakioeksponenttimalli on sisäkkäinen hajoamiskehykseen erityistapauksena d = 0. Jos eksponentti olisi stabiili, optimointi löytäisi d = 0. Ei ole. Mediaanilla se löytää d = 0,029. Datalla oli kaikki mahdollisuudet valita "ei hajoamista". Se hylkäsi sen. Lineaarinen QR sijoittaa mediaaniksi 117 716 dollaria. Kahdeksan itsenäistä hajoamisfunktiota, kaikki kokoontuvat noin 101 000 dollariin. Nämä eivät ole kahdeksan versiota samasta mallista. He käyttävät täysin erilaisia matemaattisia ytimiä. Heidän sopimuksensa on datan ominaisuus, ei menetelmä. Vakioeksponentti ylittää noin 17 000 dollarilla suhteessa jokaiseen testattuun hajoamismäärittelyyn. Mutta tässä on se, mikä tekee tästä ilmatiiviin: ensimmäisessä kvantiilissa sama hajoamismalli löytää d:n käytännössä nollaksi. Kaikki hajoamisfunktiot romahtavat lineaarisiksi lattialla. Menetelmä ei aiheuta rappeutumista. Se löytää sen sieltä, missä se on olemassa, eikä löydä mitään, missä ei ole. Paikallinen kaltevuustesti, log(P2/P1)/log(t2/t1), kerää koko jakauma. Mutta kvantiilirakenne osoittaa: Mediaanin alapuolella: d < 0 (tuki kiihtyy) Mediaanin yläpuolella: d > 0 (katon lasku) Keskiarvo ja he peruvat. "Vakaa eksponentti" on Simpsonin paradoksi. Kiviaines peittää rakenteen. Säästäväisyys ei tarkoita vähiten parametreja. Se tarkoittaa, ettei ole tarpeettomia parametreja. Parametri, joka on vahvistettu kahdeksalla riippumattomalla määrittelyllä ja joka itsevalidoituu löytämällä d = 0 lattialta, ei ole tarpeeton. Malli, joka ei pysty esittämään datan ominaisuutta, ei ole yksinkertaisempi. Se on keskeneräinen. ...