Rank − 1 / 2: A Simple Way to Improve the OLS Estimation of Tail Exponents
名次减去二分之一：改进尾部指数 OLS 估计的简便方法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。
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：摘要研究通用帕累托尾部指数并以城市规模为例，未明确涉及所列微观分布效应或金融风险方向，分类证据不足。
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
名次减去二分之一：改进尾部指数 OLS 估计的简便方法
- 研究问题
- 用规模与排序名次的双对数 OLS 回归估计帕累托尾部指数时，如何缓解小样本偏差，并为指数估计提供合适的标准误？
- 方法与思路
- 作者将名次改为 Rank−1/2 后进行双对数 OLS 回归，并提出尾部指数 ζ 的渐近标准误为 ζ√(2/n)，而非通常的 OLS 标准误。
- 材料陈述的贡献
- 摘要称减去 1/2 的平移最优，并能降低主导阶偏差；数值比较显示相对传统 OLS 的优势，应用涉及美国城市规模分布。
- 阅读关注点
- 应核对 1/2 平移最优性的假设与偏差展开、尾部样本的选取，以及渐近标准误在相关观测和偏离幂律时的适用条件。
- 阅读边界
- 摘要未说明尾部阈值、相关过程的限制及数值设计；对若干偏离幂律过程表现良好，不能推出任意厚尾或依赖结构下均有效。
原文摘要
Despite the availability of more sophisticated methods, a popular way to estimate a Pareto exponent is still to run an OLS regression: log(Rank) = a − b log(Size), and take b as an estimate of the Pareto exponent. The reason for this popularity is arguably the simplicity and robustness of this method. Unfortunately, this procedure is strongly biased in small samples. We provide a simple practical remedy for this bias, and propose that, if one wants to use an OLS regression, one should use the Rank −1 / 2, and run log(Rank − 1 / 2) = a − b log(Size). The shift of 1 / 2 is optimal, and reduces the bias to a leading order. The standard error on the Pareto exponent ζ is not the OLS standard error, but is asymptotically (2 / n)1 / 2ζ. Numerical results demonstrate the advantage of the proposed approach over the standard OLS estimation procedures and indicate that it performs well under dependent heavy-tailed processes exhibiting deviations from power laws. The estimation procedures considered are illustrated using an empirical application to Zipf’s law for the United States city size distribution.