Semiparametric Estimation of Stochastic Production Frontier Models
随机生产前沿模型的半参数估计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。
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：摘要聚焦半参数随机生产前沿和误差参数估计，给定分类未单列随机前沿，与其他细分方向的直接联系也未明确，因此留空。
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…
关注这篇论文的作者
随机生产前沿模型的半参数估计
- 研究问题
- 在不指定生产前沿函数形式、但设定复合误差项分布形式的情况下，如何估计随机前沿中两类误差的分布参数？
- 方法与思路
- 作者以条件均值函数的核估计构造两类误差参数的伪似然估计量，将线性随机前沿扩展为前沿函数形式未指定的半参数模型。
- 材料陈述的贡献
- 摘要称蒙特卡洛中估计量的有限样本表现良好，并给出实证应用，同时讨论部分线性前沿及比半正态更灵活的单侧误差扩展。
- 阅读关注点
- 重点核对生产前沿与误差参数如何分别识别、核估计及带宽如何进入伪似然，并检查模拟设计、比较对象与实证应用的依据。
- 阅读边界
- 摘要未报告识别条件、误差分布的具体设定或模拟数值；“表现良好”无法单独说明改进幅度，半参数设定仍保留误差分布限制。
原文摘要
This paper extends the linear stochastic frontier model proposed by D. J. Aigner, C. A. K. Lovell, and P. Schmidt (1977) to a semiparametric frontier model in which the functional form of the production frontier is unspecified and the distributions of the composite error terms are of known form. Pseudo-likelihood estimators of the parameters characterizing the two error terms of the model are constructed based on kernel estimation of the conditional mean function. The Monte Carlo results show that the proposed estimators perform well in finite samples. An empirical application is presented. Extensions to a partially linear function and to more flexible one-sided error distributions than the half-normal are discussed.