文章针对右删失的帕累托型数据，提出了一种改进的尾部指数估计方法。传统方法要求未删失观测比例超过1/2（弱删失情形），而新方法通过引入调谐参数β>1，赋予估计量适当权重，将适用范围扩展到全删失范围（0<p<1）。研究建立了估计量的相合性和渐近正态性，仿真结果表明在强删失情况下（p≤1/2）较现有方法具有更小的偏差和均方误差。方法在保险损失（弱删失）和艾滋病数据（强删失）两个实际案例中验证了有效性。
右删失数据在精算科学、生存分析和可靠性工程等领域广泛存在。帕累托型分布因其对极端事件的良好刻画能力，成为建模此类数据的常用选择。传统尾部指数估计方法如Hill估计的删失版本，要求未删失比例p>1/2，这限制了方法在强删失场景下的应用。
考虑独立同分布的随机变量X和删失变量C，观测数据为Z=min(X,C)和删失指示变量δ。假设X和C的生存函数均具有正则变化特性，尾部指数分别为γ₁和γ₂。
基于Nelson-Aalen积分，构造加权尾部指数估计量。通过引入调谐参数β>1，对Kaplan-Meier和Nelson-Aalen估计量进行修正，使其适用于全删失范围。关键创新在于权重函数的设计，确保在p≤1/2时仍保持优良性质。
在正则变化的一阶和二阶条件下，证明了估计量的相合性和渐近正态性。特别地，当√kA₁(h)=O(1)时，标准化估计量收敛于正态分布，其渐近方差与β值相关。理论分析表明，当β接近1时，估计量具有最优的方差表现。
通过Burr和Frèchet分布的模拟实验，比较新方法与现有估计量的表现。结果显示在γ₁=0.7和p=0.3的强删失设定下，β=1.01的加权估计量在偏差和均方误差上均优于传统方法。
在保险损失数据（p≈0.76）中，新方法得到γ₁=0.51；在艾滋病数据（p≈0.28）中估计为γ₁=0.64。两个案例验证了方法在弱删失和强删失场景下的适用性。
提出的加权估计量突破了传统方法对删失比例的限制，通过调谐参数β的灵活选择，在各类删失情况下均表现优异。未来可进一步研究β的自动选择机制，以及基于该框架的偏差校正技术。