{
  "id": "log-log-plot",
  "title": "双对数图",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "双对数图的两条坐标轴均采用对数尺度，用于展示乘法关系及跨越多个数量级的幂律行为。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "双对数坐标图",
    "双对数曲线图"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/log-log-plot/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/log-log-plot/",
      "json": "https://aiwiki.page/en/log-log-plot.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "双对数图是两条坐标轴均采用对数尺度的图。在任一坐标轴上，相等的距离表示相等的比值，而非相等的差值。因此，这种图适合展示跨越多个数量级的量，以及考察幂律关系：对于形式为 \\(y=Ax^k\\)、满足 \\(A>0\\) 且 \\(x>0\\) 的函数，只要两条坐标轴采用相同的对数底数，其图像就是斜率为 \\(k\\) 的直线。"
    },
    {
      "heading": "坐标与解读",
      "text": "双对数图使用变换后的坐标来表示正值数据对 \\((x,y)\\)：\n\n\\[X=\\log_b x,\\qquad Y=\\log_b y,\\]\n\n其中底数 \\(b\\) 大于 1。常用的底数有 10 和自然对数的底数 \\(e\\)。绘图软件通常在坐标轴上标注原始值，如 \\(1,10,100,1000\\)，而不是这些值的对数。\n\n对于以 10 为底的坐标轴，从 \\(1\\) 到 \\(10\\) 的区间与从 \\(10\\) 到 \\(100\\) 的区间长度相同。每个这样的区间都称为一个十倍区间，表示数值增大为原来的十倍。在一个十倍区间内，标注值 \\(2,3,\\ldots,9\\) 的间距并不相等，因为它们的位置与各自的对数成正比。\n\n在对数轴上，正值 \\(a\\) 和 \\(b\\) 之间的中点对应的是两者的几何平均数，\n\n\\[\\sqrt{ab},\\]\n\n而非算术平均数。因此，\\(1\\) 与 \\(100\\) 之间的中点是 \\(10\\)，而不是 \\(50.5\\)。\n\n采用对数坐标轴，在数学上等价于在普通线性坐标轴上绘制数值的对数，但两者的标注方式不同。标为“\\(x\\)”且刻度按对数间距排列的坐标轴显示的是原始值；标为“\\(\\log_{10}x\\)”且刻度等距排列的坐标轴显示的则是变换后的值。"
    },
    {
      "heading": "幂律与直线",
      "text": "对于幂律\n\n\\[y=Ax^k,\\]\n\n取对数可得\n\n\\[\\log_b y=\\log_b A+k\\log_b x.\\]\n\n在变换后的坐标中，这可写为\n\n\\[Y=c+kX,\\qquad c=\\log_b A.\\]\n\n因此，指数 \\(k\\) 就是斜率，而 \\(A=b^c\\) 决定直线的竖直位置。增大 \\(A\\) 会使直线向上平移，但不改变斜率。\n\n对于严格满足幂律的两个点，\n\n\\[k= \\frac{\\log_b y_2-\\log_b y_1} {\\log_b x_2-\\log_b x_1} = \\frac{\\ln(y_2/y_1)} {\\ln(x_2/x_1)}.\\]\n\n只要使用同一对数底数，这个比值就与底数的选择无关。\n\n例如：\n\n关系 | 双对数图上的斜率 | 含义\n\\(y=Ax\\) | \\(1\\) | \\(x\\) 增至原来的两倍，\\(y\\) 也增至原来的两倍\n\\(y=Ax^2\\) | \\(2\\) | \\(x\\) 增至原来的两倍，\\(y\\) 增至原来的四倍\n\\(y=Ax^{-1}\\) | \\(-1\\) | \\(x\\) 增至原来的两倍，\\(y\\) 减至原来的一半\n\\(y=A\\) | \\(0\\) | \\(y\\) 保持不变\n\n例如，点 \\((1,3)\\)、\\((10,300)\\) 和 \\((100,30000)\\) 均位于 \\(y=3x^2\\) 上。在双对数图中，\\(x\\) 每增至原来的十倍，\\(y\\) 就增至原来的一百倍，从而形成一条斜率为 2 的直线。\n\n斜率是变换后坐标变化量的比值，而不只是直线在页面上呈现的倾角。改变图的纵横比会改变直线的视觉倾角，却不会改变指数。如果两条坐标轴使用不同的对数底数，坐标斜率还需要计入底数换算因子。\n\n单位与参考量\n\n对于物理量，可以用无量纲比值来表示对数：\n\n\\[X=\\ln\\left(\\frac{x}{x_0}\\right),\\qquad Y=\\ln\\left(\\frac{y}{y_0}\\right),\\]\n\n其中，\\(x_0\\) 和 \\(y_0\\) 是具有相应单位的正参考量。此时，幂律变为\n\n\\[Y= \\ln\\left(\\frac{Ax_0^k}{y_0}\\right)+kX.\\]\n\n改变单位或参考值会使坐标发生平移，但指数保持不变。不过，数值系数 \\(A\\) 通常取决于所选单位。"
    },
    {
      "heading": "曲率与局部标度",
      "text": "双对数图呈现弯曲，说明单一的幂律指数无法描述整个绘图区间。对于取正值的可微函数 \\(y=f(x)\\)，其局部对数斜率为\n\n\\[\\frac{d\\ln y}{d\\ln x} = \\frac{x}{y}\\frac{dy}{dx}.\\]\n\n这一结果可由链式法则得出。它衡量的是：当 \\(x\\) 发生微小百分比变化时，\\(y\\) 相应发生的近似百分比变化。在计量经济学中，这也称为弹性。\n\n对于严格的幂律，这个斜率是常数。对于若干幂函数之和，斜率则可能变化。例如，\n\n\\[y=Ax^p+Bx^q,\\qquad A,B>0,\\quad p<q,\\]\n\n当 \\(x\\) 趋近于零时，斜率趋近于 \\(p\\)；当 \\(x\\) 变得很大时，斜率趋近于 \\(q\\)。图像展示了两种标度区间之间的过渡。\n\n加性偏移也会使图像弯曲。关系\n\n\\[y=c+Ax^k\\]\n\n虽然包含一个幂律项，但在双对数坐标下通常并不是直线。因此，在估计指数时，如果没有考虑基线值，就可能得出误导性结果。"
    },
    {
      "heading": "与其他图的比较",
      "text": "半对数图只有一条坐标轴采用对数尺度。不同的坐标选择可以将不同的关系化为直线：\n\n- 两轴均为线性坐标： \\(y=a+bx\\) 为直线。\n- 纵轴为对数坐标，横轴为线性坐标：指数函数关系 \\(y=Ae^{kx}\\) 为直线。\n- 纵轴为线性坐标，横轴为对数坐标： \\(y=a+b\\ln x\\) 为直线。\n- 两轴均为对数坐标： \\(y=Ax^k\\) 为直线。\n\n指数增长在双对数图上并不呈直线。对于 \\(y=Ae^{kx}\\)，\n\n\\[\\frac{d\\ln y}{d\\ln x}=kx,\\]\n\n因此，其局部斜率随 \\(x\\) 而变化。\n\n双对数坐标强调比值和相对变化，线性坐标则强调绝对差值。两种表示方式没有哪一种在所有情况下都更好；它们各自突出数据的不同性质。"
    },
    {
      "heading": "应用",
      "text": "双对数图广泛用于在很大的取值范围内比较测量数据、理论预测和计算结果。\n\n在物理学中，双对数图用于展示标度关系，例如平方反比定律以及物理量之间的幂律依赖关系。理论预测的指数可以与观测到的斜率进行比较。\n\n在数值分析中，对于误差模型\n\n\\[E(h)\\approx Ch^p\\]\n\n以步长 \\(h\\) 为横坐标、误差 \\(E\\) 为纵坐标绘制双对数图，会得到一条近似直线。其斜率可用于估计收敛阶 \\(p\\)。当步长极小时，与浮点运算有关的舍入效应可能破坏这一趋势。\n\n在计算机科学中，双对数图有助于将实测运行时间或内存用量与幂律增长进行比较。仅凭一段近似直线的图像，并不能确定渐近复杂度界：有限规模效应和对数因子都可能改变表观斜率。\n\n在分形研究中，常将计数或测度相对于观测尺度作图。例如，若盒计数满足 \\(N(\\varepsilon)\\propto\\varepsilon^{-D}\\)，则以盒子尺寸 \\(\\varepsilon\\) 为横坐标绘制双对数图时，斜率为 \\(-D\\)。\n\n在统计学中，双对数图用于考察分布的尾部，以及变量之间可能存在的标度关系。"
    },
    {
      "heading": "回归与统计解释",
      "text": "看起来呈直线的模式可以提示采用幂律模型，但并不能证明幂律关系确实存在。一种常见的拟合方法是先对观测值进行变换，再应用线性回归：\n\n\\[\\ln y_i=\\alpha+k\\ln x_i+\\varepsilon_i.\\]\n\n使用普通最小二乘法，最小化的是对数坐标中的残差平方和，而不是 \\(y\\) 原始值的偏差平方和。\n\n这一区别对应着不同的误差模型。对数坐标中的加性误差意味着原始坐标中的乘性误差：\n\n\\[y_i=e^\\alpha x_i^k e^{\\varepsilon_i}.\\]\n\n如果 \\(\\varepsilon_i\\) 服从均值为零、方差恒为 \\(\\sigma^2\\) 的正态分布，则条件中位数为\n\n\\[\\operatorname{median}(y\\mid x)=e^\\alpha x^k,\\]\n\n而条件期望值为\n\n\\[\\operatorname{E}(y\\mid x)=e^\\alpha x^k e^{\\sigma^2/2}.\\]\n\n因此，仅对拟合得到的对数预测值取指数，通常不能估计原始尺度上的条件均值。\n\n恰当的拟合方法还取决于测量误差、观测值之间的依赖关系，以及变异程度是否随 \\(x\\) 而变化。如果两个坐标都存在不确定性，可能需要采用普通回归以外的方法。\n\n分布尾部\n\n双对数坐标下呈直线的尾部暗示可能存在幂律，但仅凭目测得到的证据并不充分。其他分布也可能在有限范围内近似直线，而且直方图的分箱方式可能改变表观形态。\n\n所绘制的量同样重要。如果某个连续型概率密度函数在某一下限阈值以上满足\n\n\\[p(x)\\propto x^{-\\alpha},\\qquad \\alpha>1,\\]\n\n则其生存概率满足\n\n\\[P(X>x)\\propto x^{-(\\alpha-1)}.\\]\n\n因此，概率密度在双对数图上的斜率为 \\(-\\alpha\\)，而生存曲线的斜率为 \\(1-\\alpha\\)。混淆两者会使指数的估计相差 1。\n\n对于按对数等距分箱的直方图，原始计数还会受到箱宽递增的影响。估计概率密度时，需要按箱宽进行归一化。对幂律尾部的正式评估可能涉及最大似然估计、拟合优度检验，以及与其他候选分布的比较。"
    },
    {
      "heading": "局限性与呈现方式",
      "text": "普通的实数对数坐标轴要求坐标值严格为正。零没有有限的对数，负值也无法在标准双对数图上显示。省略这些观测值可能改变对所展示数据的解读。\n\n在取对数之前加上任意常数，并不是不影响结果的补救办法。绘制 \\(\\ln(x+c)\\) 会改变比值，也可能改变表观上的标度关系。带符号对数尺度或对称对数尺度可以显示非正值，但无法在整个取值范围内保留标准的“幂律对应直线”这一解释。\n\n其他重要局限性包括：\n\n- 压缩绝对差异。 数值上的巨大差异在视觉上可能并不显著。\n- 标度范围有限。 许多平滑关系在狭窄区间内看起来都近似直线。\n- 局部斜率对噪声敏感。 导数的数值估计可能出现剧烈波动。\n- 不确定性经过变换。 原始尺度上对称的误差棒，在对数坐标中通常会变得不对称；延伸至零的误差界限无法正常显示。\n- 截取图像导致背景信息丢失。 只展示看似线性的部分，可能掩盖阈值、饱和现象或标度区间的变化。\n\n清晰的图示应说明坐标轴尺度、单位、所绘制的量、拟合范围，以及任何参考斜率的含义。刻度标签应明确表示的是原始值还是对数值。"
    }
  ],
  "links": [
    "power-law",
    "natural-logarithm",
    "logarithm",
    "mathematical-function",
    "chain-rule",
    "econometrics",
    "exponential-function",
    "physics",
    "numerical-analysis",
    "floating-point-arithmetic",
    "computer-science",
    "fractal",
    "statistics",
    "linear-regression",
    "ordinary-least-squares",
    "normal-distribution",
    "expected-value",
    "probability-density-function",
    "maximum-likelihood-estimation"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}