Semiparametric Exponential Families for Heavy-Tailed Data
重尾数据的半参数指数族建模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：摘要研究一般重尾总体的尾部拟合与均值估计，未明确金融风险或分布处理效应目标，因此暂不归入具体细分领域。
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
重尾数据的半参数指数族建模
- 研究问题
- 当目标总体样本较少、相关背景总体样本较多时，如何借助背景尾部信息提高目标总体的尾部拟合与总体均值估计效率？
- 方法与思路
- 作者把目标总体尾部建模为背景总体尾部的指数倾斜，并采用由极值理论启发的稳健充分统计量，进一步构造均值估计量。
- 材料陈述的贡献
- 摘要称其提供理论与实证证据，显示使用背景样本的估计可优于不使用背景信息的方法，并在模拟和 Facebook 实验数据中展示效率增益。
- 阅读关注点
- 应核对两总体尾部之间的建模约束、尾部阈值及均值存在条件，并检查背景样本是否可迁移、模型失配时结果如何变化。
- 阅读边界
- 这是 arXiv 预印本，同行评审未核实。摘要未给出效率增益数值或模型条件，实验数据应用也不足以说明其估计了因果效应。
原文摘要
We propose a semiparametric method for fitting the tail of a heavy-tailed population given a relatively small sample from that population and a larger sample from a related background population. We model the tail of the small sample as an exponential tilt of the better-observed large-sample tail, using a robust sufficient statistic motivated by extreme value theory. In particular, our method induces an estimator of the small-population mean, and we give theoretical and empirical evidence that this estimator outperforms methods that do not use the background sample. We demonstrate substantial efficiency gains over competing methods in simulation and on data from a large controlled experiment conducted by Facebook.