Estimation of the Boundary of a Variable Observed With Symmetric Error
对称误差下潜在变量边界的估计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：摘要明确将成本分解为条件前沿、非负无效率和误差，并开展随机前沿估计，支持归入结构估计方向。
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…
对称误差下潜在变量边界的估计
- 研究问题
- 当观测值包含独立的对称误差，且误差分布和方差未知时，如何识别潜在变量的下边界，并扩展到条件成本前沿？
- 方法与思路
- 作者利用非负潜在偏离与对称独立误差的模型结构，通过最小距离和 Laguerre 多项式估计边界，并扩展至随机前沿分析。
- 材料陈述的贡献
- 摘要称，文章给出边界估计的渐近结果和有限样本模拟，并将方法用于具有条件变量的成本前沿及法国邮局数据。
- 阅读关注点
- 应核对未知误差分布下边界识别的完整条件、多项式截断与距离准则，以及条件前沿扩展对误差和无效率项的要求。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；不能仅凭对称性断言边界总可识别，摘要未列出完整条件或实际效率估计结果。
原文摘要
Consider the model Y=X+ε with X=τ+Z, where τ is an unknown constant (the boundary of X), Z is a random variable defined on R+, ε is a symmetric error, and ε and Z are independent. Based on an iid sample of Y, we aim at identifying and estimating the boundary τ when the law of ε is unknown (apart from symmetry) and in particular its variance is unknown. We propose an estimation procedure based on a minimal distance approach and by making use of Laguerre polynomials. Asymptotic results as well as finite sample simulations are shown. The paper also proposes an extension to stochastic frontier analysis, where the model is conditional to observed variables. The model becomes Y=τ(w1,w2)+Z+ε, where Y is a cost, w1 are the observed outputs and w2 represents the observed values of other conditioning variables, so Z is the cost inefficiency. Some simulations illustrate again how the approach works in finite samples, and the proposed procedure is illustrated with data coming from post offices in France.