Semiparametric exponential families for heavy-tailed data
重尾数据的半参数指数族方法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：摘要研究一般重尾总体与实验数据，未明确涉及金融尾部风险或因果效应估计。
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方法
- 研究问题
- 当目标总体样本较小而相关背景总体样本较大时，如何借助背景尾部信息改善目标总体尾部拟合与均值估计？
- 方法与思路
- 作者将目标尾部分布建模为背景尾部的指数倾斜，采用由极值理论启发的稳健充分统计量，并据此构造均值估计。
- 材料陈述的贡献
- 摘要称，理论与经验结果支持利用背景样本改善均值估计，并在模拟及 Facebook 大型受控实验数据中展示效率收益。
- 阅读关注点
- 应核对两总体尾部关联的模型限制、尾部阈值与统计量选择，以及均值存在条件和效率比较采用的基准方法。
- 阅读边界
- 所给材料是 arXiv 1307.7830v3 预印本摘要，不能据此声称已同行评审或期刊接收；具体条件、收益数值及刊本变化未提供。
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.