原文链接：http://tecdat.cn/?p=26277
极值理论对样本尾部分布的极值指数的估计方法主要有两类：半参数方法和全 参数方法，前者主要是基于分布尾部的 Hill 估计量，后者则主要基于广义帕累托分布。
尾部指数的希尔HILL统计量估计。更具体地说，我们看到如果 
， 和 
，然后希尔HILL估计为 
。然后 
在某种意义上满足某种一致性 
,如果 
，即 
（在收敛速度的附加假设下， 
）。此外，在附加的技术条件下
为了说明这一点，请考虑以下代码。首先，让我们考虑一个帕累托生存函数，以及相关的分位数函数
> Q=fuction(p){unro(funion(x) S(x)-(1-p),loer=1,per=1e+9)$root}
我们将考虑更复杂的生存函数。这是生存函数和分位数函数，
> plot(u,Veie(Q)(u),type="l")
在这里，我们需要 分位数函数从这个分布中生成一个随机样本，
> X=Vectorize(Q)(runif(n))
hill统计量在这里
> abline(h=alpha)
我们现在可以生成数千个随机样本，并查看这些估计器（对于某些特定的k）。
> for(s in 1:ns){ + X=Vectorize + H=hill + hilk=function(k) + HilK\[s,\]=Vectorize + }
如果我们计算平均值，
> plot(15*(1:10),apply(2,mean)
我们得到了一系列可以被认为是无偏的估计量。
现在，回想一下，处于 Fréchet 分布并不意味着 
， 和 
, 但意味着
对于一些缓慢变化的函数 
，不一定恒定！为了了解可能发生的情况，我们必须稍微具体一些。这只能通过查看生存函数的性质。假设，这里有一些辅助函数 
这个（正）常数 
以某种方式与生存函数与幂函数之比的收敛速度有关。
更具体地说，假设
然后，使用获得二阶正则变化性质 
，然后，如果 
趋向于无穷大太快，那么估计就会有偏差。 如果 
，那么，对于一些 
,
这个结果的直观解释是，如果 
太大，并且如果基础分布不_完全_ 是帕累托分布，那么希尔估计量是有偏的。这就是我们所说的意思
- 如果 太大，
是有偏估计量 - 如果
太小， 
是一个不稳定的估计量
（后者来自样本均值的属性：观察越多，均值的波动性越小）。
让我们运行一些模拟以更好地了解正在发生的事情。使用前面的代码，生成具有生存函数的随机样本实际上是极其简单的
> Q=function(p){uniroot(function(x) S(x)-(1-p)}
如果我们使用上面的代码。
希尔hill变成
> abline(h=alpha)
但它仅基于一个样本。再次考虑数千个样本，让我们看看 Hill 统计量如何，
所以这些估计量的（经验）平均值是
