针对重尾分布均值的可扩展半参数推断
应用统计
2016-10-14 v3
摘要
重尾分布给推断带来了棘手环境。它们在工业应用中也很常见，特别是伴随互联网交易数据集，且机器学习者常分析此类数据而不考虑与误用标准工具相关的偏差与风险。本文概述了一种针对（可能条件的）重尾分布均值的推断过程，其将针对支撑主体部分的非参数分析与受极值理论启发的针对重尾的贝叶斯参数建模相结合。该过程快速且大规模可扩展。所得点估计量达到了最低可能的错误率，并且在备选方案中独树一帜的是，我们能够对这些估计量提供准确的不确定性量化。该工作应在正确推断重要且奖励尾重的场景下找到应用；我们在涉及eBay.com数亿用户的A/B实验的因果推断中阐释了该框架。
引用
@article{arxiv.1602.08066,
title = {Scalable semiparametric inference for the means of heavy-tailed distributions},
author = {Matt Taddy and Hedibert Freitas Lopes and Matt Gardner},
journal= {arXiv preprint arXiv:1602.08066},
year = {2016}
}