Inference for Truncated Discrete Pareto Models with Application to Polypharmacy Networks

Heavy-tailed degree distributions are common in network data, especially in biomedical applications where extreme nodes often correspond to high-risk interactions. In practice, interest is frequently restricted to the right tail, motivating truncated models. This talk studies statistical inference for the truncated discrete Pareto distribution, including estimation of the tail index and quantile-based risk measures. Maximum likelihood, moment-based, and Hill-type estimators are compared via Monte Carlo simulation, showing that the maximum likelihood estimator achieves superior efficiency and stability in the truncated discrete setting. The methodology is illustrated using a polypharmacy side-effects network, where the tail of the degree distribution represents drug pairs with unusually large numbers of adverse interactions. Estimated tail quantiles and confidence intervals provide interpretable thresholds for identifying high-risk drug combinations.

Inférence pour les modèles de Pareto discrets tronqués avec application aux réseaux de polypharmacie

Les distributions de degrés à queue lourde sont courantes dans les données de réseaux, en particulier dans les applications biomédicales où les nœuds extrêmes correspondent souvent à des interactions à haut risque. En pratique, l’intérêt porte fréquemment sur la queue droite de la distribution, ce qui motive l’utilisation de modèles tronqués. Cette présentation étudie l’inférence statistique pour la loi de Pareto discrète tronquée, y compris l’estimation de l’indice de queue et de mesures de risque fondées sur des quantiles. Les estimateurs du maximum de vraisemblance, basés sur les moments et de type Hill, sont comparés aux simulations de Monte Carlo, montrant que l’estimateur du maximum de vraisemblance présente une efficacité et une stabilité supérieures dans le cadre discret tronqué. La méthodologie est illustrée à l’aide d’un réseau d’effets secondaires liés à la polypharmacie, où la queue de la distribution des degrés représente des paires de médicaments présentant un nombre inhabituellement élevé d’interactions indésirables. Les quantiles de queue estimés et leurs intervalles de confiance fournissent des seuils interprétables pour l’identification de combinaisons de médicaments à haut risque.

Session

Advances in Extreme Value Analysis

Date and Time