Models for Olympic Medal Tables（优秀范文三：爆冷概率蒙特卡洛 + 三层次事件定义 + 杠杆实验）

2025 美赛 MCM C 题 · 优秀范文三。视角：「冷门」不该只是赛后的惊叹，而应是赛前的概率。本篇沿用范文一的 OLS 实力定律与同一合成面板，用 $S=2000$ 次全赛事蒙特卡洛模拟把爆冷拆成三个可计算层次——个体爆发（奖牌 ≥ 期望 ×1.3）、名次跳级（比期望好 ≥3 位）、格局颠覆（榜首易主 / 前三换血）——再用三个杠杆实验回答「什么会改变爆冷率」：噪声放大、主办红利（公共随机数配对实验）、经济增速。核心发现是一句可以印在海报上的话：跳级率呈 U 型——尾部高频而无新闻价值，头部被数学保护，真正值钱的爆冷是中上游跳入前五，而它最大的可控来源是主办权。正文 / 配图 / 附录 / 真源四路数字一致（固定种子 seed=20250317）。

摘要

题目第四问要求量化"爆冷概率"，多数答卷止步于给预测区间——区间只回答"误差多大"，不回答"谁会爆冷、爆多大、凭什么"。本文建立三层事件体系并逐层报数。L1 个体层：24 国平均爆发率 $P(M\ge1.3\mathbb{E}M)$ 为 5%–7%，小国 C15 以 9.4% 居首——乘性同方差噪声下人人 CV 相近，小国的绝对波动小却相对波动不减。L2 名次层给出全文最反直觉的结构：跳级率呈 U 型——头部 2.8%（被与前两名 20+ 枚的断层保护）、中游 2.7%（看似胶水区，实则相邻位差 3–10 枚恰好抵消了绝对噪声）、尾部 3.6%（门槛低、随便超三人）——但尾部跳级无人报道，「有价值的爆冷」是 C08 式跳入前五（ $P(\le5)=50.1\%$ ）甚至领奖台。L3 格局层：2028 榜首之争中 C04（期望 100.5 枚）对 C11（93.3 枚）的优势远比点估计看起来脆弱——两者预测分布大面积重叠， $P(\text{C11登顶})=37.0\%$ ；期望前三集合在 78.0% 的模拟世界里被改写。杠杆实验给出政策含义：观测噪声 $\sigma$ 从 0.12 放大到 0.30，中游跳级率翻四倍（2.7%→10.9%）、前三换血率升至 89.8%；而公共随机数配对的主办实验显示，主办红利把 C08 的期望名次从 5.2 拉到 2.7、进前五概率从 50.1% 跃至 94.0%——东道主是唯一可以被"计划"的爆冷；相比之下经济增速 +0.01 只挪动 0.3 个百分点：单届尺度上，结构因素碾压渐进增长。

一、问题重述

题目的四件事中，①预测模型（范文一）、③口径比较（范文二）已有完整交代；本篇专攻④中被处理得最潦草的部分——爆冷。要求把它从形容词变成名词：给出定义、给出概率、找出规律、评估杠杆，并对「2028 年最值得期待的冷门是谁」给出定量答案。

二、模型假设

实力定律沿用范文一的对数线性模型（ $R^2=0.980$ ， $\beta_1=0.3407$ ），即奖牌由惯性、经济、人口与主办红利解释。
不确定性来自两层叠加：回归残差（经验分布重抽，池 168 条、标准差 0.1167）与观测层乘性噪声 $N(0,\sigma^2)$ ，均在对数空间相加后取指数还原。
金银铜按各国历史成色（gold_frac）确定性拆分，爆冷定义在总数口径上。
各国扰动相互独立；同一次模拟内共享同一随机流以支持配对实验。
2028 主办未知时取 host=0，主办实验单独开启。

三、符号说明

符号	含义
$\mathbb{E}[M_i]$	国家 $i$ 的期望奖牌数（2000 次模拟均值）
$P_b(i)$	L1 爆发概率： $M_i \ge 1.3\,\mathbb{E}[M_i]$
$P_j(i)$	L2 跳级概率：名次 $\le \mathbb{E}[\text{名次}_i]-3$
$P_{\text{flip}}$	L3 榜首易主概率 $P(M_{\mathrm{C11}}>M_{\mathrm{C04}})$
$r_s$	第 $s$ 次模拟的总数榜名次表
CRN	公共随机数：杠杆实验复用同一批抽样

四、建模过程

技术路线见图 1：一条 OLS 实力定律驱动 2000 次完整赛事模拟，每次模拟产出 24 国奖牌与金银铜，随后在三层次上统计事件频率，最后做三组杠杆实验。

4.1 蒙特卡洛引擎：让噪声自己长出冷门

引擎极简：对每国取特征行（末届奖牌、外推 GDP、人口、host），算线性预测 $\hat y_i$ ，再叠加重抽残差与观测噪声， $\tilde M_i=\exp(\hat y_i+e_{\text{res}}+e_{\text{obs}})-1$ 。没有精巧的算法——爆冷的本质就是噪声的极值行为，蒙特卡洛的价值在于用足够多的重复（ $S=2000$ ，频率标准误约 ±1 个百分点）把极值事件的频率估稳。图 2 是模拟的基线画面：C04（100.5 枚）独一档，C11（93.3）紧随，C10/C23/C24 在 73–78 枚贴身缠斗，再往下是长尾——这张图已经预告了后面所有故事的位置。

4.2 三层次事件：从个体到格局

L1 只看自己：图 4 把爆发率对期望奖牌画成散点，右端头部压在 4%–5%，左端小国冲到 9.4%（C15）——相对波动人人相同，但「爆发 30%」对小国只需多拿一两枚，对霸主则是三十枚的奇迹。L2 看相对位置：图 3 的两条曲线是全文最重要的一张图。跳级率（红）并非想象中的"中游最高"，而是 U 型：头部 2.8%、中游 2.7%、尾部 3.6%。解释藏在分母里——跳三位需要跨过的不是"名次"而是"奖牌差"：头部之下是 20 枚级的断层（C04 与 C23 差一个量级），中游相邻位差 3–10 枚恰与绝对噪声同量级，尾部一枚之差就能连超三人。掉级率（蓝）则头部最高（2.5%）：霸主身后永远站着一群只需要自己爆发的人。综合三层得到「爆冷语法」：尾部高频而无价值、中游低频而高价值、头部被数学保护但仍会塌方（掉级比跳级容易）。

4.3 有价值的爆冷：C08 的前五之路

把镜头对准中上游：C08 期望名次 5.2，跳级概率 7.0%（中游之冠），进前五概率 50.1%——它的 2028 是一枚硬币的两面。图 8 的热力图把 Top12 候选国的四种事件概率排成一张「风险说明书」：左列告诉谁能黑，右列告诉谁会凉。这类表格是蒙特卡洛独有的产品——点预测给不出「第五名的第五名概率只有一半」这种关键细节。

4.4 榜首之争：37% 不是小数

点估计说 C04 领先 C11 约 7 枚，听起来安全；分布却说不然。图 7 把两国的 2000 次 predicted 奖牌画成并列直方图：两个钟形大幅重叠， $P(M_{\mathrm{C11}}>M_{\mathrm{C04}})=37.0\%$ （另有 1.4% 平局）。换言之，每十届就有近三届榜首易主——把「C04 卫冕」写成定论是媒体的事，模型的责任是把 37% 放在桌上。更宏观地，期望前三集合在 78.0% 的模拟中被改写（尽管多半只是 C10 与 C23 的座次互换）：奖牌榜前列的"确定论"在概率面前不堪一击。

五、杠杆实验：什么会改变爆冷率

5.1 噪声放大：σ 是混乱的总开关

若赛制扩容、禁赛风波或政治抵制使临场不确定性上升（ $\sigma$ : 0.12→0.20→0.30），图 5 显示两条曲线同步抬升：中游跳级率 2.7%→5.9%→10.9%（翻四倍），前三换血率 77.7%→84.8%→89.8%。含义有两面：对赛事组织者，降低 σ（稳定的资格体系、透明的仲裁）就是在给"确定性"定价；对博彩与保险类应用，σ 是必须显性报价的风险参数。

5.2 主办实验：可以被计划的爆冷

用公共随机数做严格配对——同一批 2000 次抽样，只把 C08 的 host 从 0 改成 1（其余一切不变），图 6 的三组柱子给出干净因果：期望名次 5.2→2.7，进前五概率 50.1%→94.0%，跳级概率 7.0%→52.0%。换个说法：东道主的历史性突破，七成半是结构红利的兑现，而非奇迹—— $\beta_4\approx0.29$ 的红利项在期望意义上就足以把中游强队推进领奖台竞争圈。「爆冷」与「实力」的边界，在这里被 CRN 实验划得清清楚楚。

5.3 新星杠杆：增长是十年的事

对照实验：给 C08 的经济增速加 0.01（相当于十年积累的可观提速），单届进前五概率只从 50.1% 挪到 50.4%。原因是对数尺度上的 0.004 位移在 0.17 的噪声面前近乎 invisible。这与 5.2 形成尖锐对比：单届爆冷的杠杆排序是主办 ≫ 噪声环境 ≫ 经济增长——想要下一届出成绩，申办比发展经济立竿见影；想要持续强势，则恰恰相反。

六、灵敏度分析

S=2000→5000：各概率变动 <±0.8 个百分点，结论排序不变；L3 事件（37.0%/78.0%）的标准误约 ±1.1pp，已够支撑定性结论。
爆发阈值 1.3→1.5：全表平均爆发率降至约 2%，小国占比进一步升高——阈值越苛刻，爆冷越向尾部集中。
跳级位数 3→5：头部跳级率跌破 0.5%，尾部仍 >1.5%——U 型更陡，"头部保护"结论加强。
残差池换成正态参数化：各事件概率变动 <1pp——尾部事件由乘性噪声主导，对残差分布形状不敏感。

七、模型评价与改进

优点：①把"爆冷"拆成三层可检验事件，每层都给出可复现的频率而非修辞；②CRN 配对实验在完全相同的随机环境下隔离单一杠杆，因果解释干净；③与范文一/二共用实力定律与面板，三篇构成"点估计—不确定性—极值事件"的完整链条。局限：①独立性假设忽略了国别冲击的相关（同一项目取消影响一组国家）；②金银铜成色固定，未建模"金牌专项投资"的策略行为；③2028 赛制假设不变，若小项扩容应直接接入 5.1 的 σ 杠杆。改进方向：用 Copula 或项目层面模拟引入相关爆冷；把主办实验扩展为「申办决策的成本—概率」权衡分析。

八、结论

本篇把"爆冷"从形容词变成了三个带百分号的名词：个体爆发人均 5–7 个百分点且小国居首（C15，9.4%）；名次跳级呈 U 型（头 2.8%/中 2.7%/尾 3.6%），有价值的版本是 C08 式的前五之争（50.1%）；格局颠覆远比想象常见——榜首易主 37.0%、前三换血 78.0%。三个杠杆的强弱排序是主办（+43.9pp 进前五）≫ 噪声环境（σ 翻倍跳级率翻倍）≫ 经济增长（+0.3pp）：东道主是唯一能被计划的爆冷，而增长从来不是单届的武器。一句话：冷门不是命运的恶作剧，而是噪声、结构与门槛三者共同书写的概率分布——读懂它，你就再也不需要"爆冷"这个词了。

参考文献

COMAP. MCM Problem C: Models for Olympic Medal Tables. 2025.
Metropolis N., Ulam S. The Monte Carlo Method. J. Am. Stat. Assoc., 1949.
Bernard A. B., Busse M. R. Who Wins the Olympic Games: Economic Resources and Medal Totals. Rev. Econ. Stat., 2004.
Efron B. Bootstrap Methods: Another Look at the Jackknife. Ann. Statist., 1979.
Gelman A., Hill J. Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press, 2007.

附录：核心 Python 实现

import sys, os
_HERE = os.path.dirname(os.path.abspath(__file__))
sys.path.insert(0, os.path.abspath(os.path.join(_HERE, "..", "..", "..", "tools")))
import gen_mcm2025c as B      # 范文一真源：面板与 OLS 基础件
import gen_mcm2025c_3 as U    # 本篇真源：爆冷蒙特卡洛

ctys, panel = B.gen_panel()
meta = {c["id"]: c for c in ctys}
beta, r2, resid = U.resid_pool(panel)
print("实力定律 R²=%.3f β1=%.4f 残差池=%d(sd=%.4f)"
      % (r2, beta[1], len(resid),
         (sum(e * e for e in resid) / len(resid)) ** 0.5))

# 1) S=2000 次全赛事模拟
medals, golds, rec, mus = U.simulate(panel, beta, resid, meta,
                                     U.S_MAIN, B.NOISE_SD, U.SEED)
ns = len(medals)
exp_m = {c: sum(m[c] for m in medals) / ns for c in medals[0]}
ranks = U.total_ranks(medals)
exp_r = {c: sum(rk[c] for rk in ranks) / ns for c in exp_m}
order = sorted(exp_m, key=lambda c: -exp_m[c])
print("期望Top5:", [(c, round(exp_m[c], 1)) for c in order[:5]])

# 2) 三层次爆冷事件
pj = {c: 100.0 * sum(rk[c] <= exp_r[c] - U.UPSET_JUMP for rk in ranks) / ns
      for c in order}
pb = {c: 100.0 * sum(m[c] >= U.UPSET_MEDAL * exp_m[c] for m in medals) / ns
      for c in order}
for name, grp in [("头部1-4", order[:4]), ("中游5-12", order[4:12]),
                  ("尾部13-24", order[12:])]:
    print("%s 平均跳级率=%.1f%% 爆发率=%.1f%%"
          % (name, sum(pj[c] for c in grp) / len(grp),
             sum(pb[c] for c in grp) / len(grp)))
p_flip = 100.0 * sum(m["C11"] > m["C04"] for m in medals) / ns
base3 = set(order[:3])
swap = 100.0 * sum(set(c for c in rk if rk[c] <= 3) != base3
                   for rk in ranks) / ns
print("P(C11登顶)=%.1f%%  前三换血率=%.1f%%" % (p_flip, swap))

# 3) 主办杠杆（CRN 配对）
m_h, _g, _r, _mu = U.simulate(panel, beta, resid, meta,
                              U.S_MAIN, B.NOISE_SD, U.SEED, host_id="C08")
rk_h = U.total_ranks(m_h)
p5 = 100.0 * sum(rk["C08"] <= 5 for rk in ranks) / ns
p5h = 100.0 * sum(rk["C08"] <= 5 for rk in rk_h) / len(rk_h)
print("C08 主办实验: P(前5) %.1f%% -> %.1f%%" % (p5, p5h))