High-Dimensional Tail Index Regression
高维尾指数回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接对幂律分布的尾指数进行回归建模与推断，属于分布尾部研究。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高维尾指数回归
- 研究问题
- 当热门社交媒体帖子的点赞等反馈呈幂律分布时，如何利用高维解释变量估计尾指数，并对回归参数作统计推断？
- 方法与思路
- 作者提出正则化尾指数回归估计，分析一致性与收敛速率，再通过去偏构造渐近正态估计，并用于热门帖子文本分析。
- 材料陈述的贡献
- 摘要称建立正则化估计的理论性质和去偏后的推断基础，以模拟支持理论结果，并展示 X 平台热门帖子数据的应用。
- 阅读关注点
- 应核对尾指数与协变量的关系设定、尾部样本或阈值如何选择、去偏所需条件，以及文本变量构造对结果的影响。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明尾部和高维条件，也未报告应用中的具体发现。
原文摘要
Motivated by the empirical observation of power-law distributions in the credits (e.g., ``likes'') of viral posts in social media, we introduce a high-dimensional tail index regression model and propose methods for estimation and inference of its parameters. First, we propose a regularized estimator, establish its consistency, and derive its convergence rate. Second, we debias the regularized estimator to facilitate inference and prove its asymptotic normality. Simulation studies corroborate our theoretical findings. We apply these methods to the text analysis of viral posts on X (formerly Twitter).