Why you should also use OLS estimation of tail exponents
为何估计尾部指数时也应使用最小二乘法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。
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：摘要研究通用尾部指数估计，未明确微观分布效应或金融风险应用，细分领域证据不足。
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…
为何估计尾部指数时也应使用最小二乘法
- 研究问题
- 在 Pareto 尾部指数估计中，经过小样本修正的秩规模最小二乘回归，何时可能比 Hill 最大似然估计更合适？
- 方法与思路
- 作者分析修正后的最小二乘估计偏差及两种估计量的观测权重，并考察仅上尾为 Pareto 和一般正则变尾部情形。
- 材料陈述的贡献
- 摘要称修正后的最小二乘估计也具有无偏性，且最大似然对较小观测赋权更高；模拟与应用支持兼用最小二乘的主张。
- 阅读关注点
- 应核对无偏性适用的分布与抽样条件、小样本修正形式、尾部阈值选择，以及不同尾部设定下的比较标准。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未给出修正公式和比较数值，不能将特定情形的结果推广到所有厚尾数据。
原文摘要
Even though practitioners often estimate Pareto exponents running OLS rank-size regressions, the usual recommendation is to use the Hill MLE with a small-sample correction instead, due to its unbiasedness and efficiency. In this paper, we advocate that you should also apply OLS in empirical applications. On the one hand, we demonstrate that, with a small-sample correction, the OLS estimator is also unbiased. On the other hand, we show that the MLE assigns significantly greater weight to smaller observations. This suggests that the OLS estimator may outperform the MLE in cases where the distribution is (i) strictly Pareto but only in the upper tail or (ii) regularly varying rather than strictly Pareto. We substantiate our theoretical findings with Monte Carlo simulations and real-world applications, demonstrating the practical relevance of the OLS method in estimating tail exponents.