事件间时间的长尾分布作为指数分布的混合

各种人类行为的事件间时间显然是非泊松的，并且服从长尾分布，而非对应于泊松过程的指数分布。有观点认为，人类个体可能在不同状态之间切换，在每种状态中他们被视为生成服从泊松过程的事件。若如此，事件间时间应近似服从具有不同参数值的指数分布的混合。在本研究中，我们引入最小描述长度原理，来比较具有不同分量数（即组成性的指数分布）的指数分布混合。由于这些分布违背了可辨识性性质，从数学上不允许将其最大似然估计量应用赤池或贝叶斯信息准则进行模型选择。我们通过将最小描述原理应用于数据与共隐变量的联合似然来克服这一理论障碍。我们表明，在各种数据集中，具有少数分量的指数分布混合被选中，而非更复杂的混合，并且拟合精度可与最先进的幂律分布拟合算法相媲美。我们的结果支持了用泊松式解释来说明了表观非泊松人类行为。