A Classifier-Lasso Approach for Estimating Production Functions with Latent Group Structures
潜在分组生产函数估计的 Classifier-Lasso 方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要用企业面板估计具有潜在技术分组的生产函数。
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
潜在分组生产函数估计的 Classifier-Lasso 方法
- 研究问题
- 当企业所属生产技术组未知，且生产函数组间异质、组内随时间不变时，如何同时识别潜在分组并估计各组生产函数？
- 方法与思路
- 作者将生产函数文献中的识别策略嵌入 Classifier-Lasso，提出数据驱动的潜在分组估计程序，并用于模拟及智利企业面板。
- 材料陈述的贡献
- 摘要称模拟中企业被正确分组的概率接近一；智利企业面板应用发现，所得估计与按行业划分企业的标准方法存在较大差异。
- 阅读关注点
- 应核对生产函数识别策略、分组数与惩罚参数的选择，以及组内时间不变设定；同时检查分组误差如何影响参数估计和推断。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或接收未核实；摘要未列识别条件、模拟设置和应用数值，估计差异不直接证明分组更准确。
原文摘要
I present a new estimation procedure for production functions with latent group structures. I consider production functions that are heterogeneous across groups but time-homogeneous within groups, and where the group membership of the firms is unknown. My estimation procedure is fully data-driven and embeds recent identification strategies from the production function literature into the classifier-Lasso. Simulation experiments demonstrate that firms are assigned to their correct latent group with probability close to one. I apply my estimation procedure to a panel of Chilean firms and find sizable differences in the estimates compared to the standard approach of classification by industry.