Model Uncertainty under Non-Gaussian Errors: Bayesian Model Averaging and Selection in Stochastic Frontier Models
非高斯误差下的模型不确定性：随机前沿模型的贝叶斯平均与选择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：摘要专注随机前沿中的贝叶斯模型平均、变量选择与误差分布，未明确对应所列结构估计或其他细分领域，故暂不分类。
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
非高斯误差下的模型不确定性：随机前沿模型的贝叶斯平均与选择
- 研究问题
- 在随机前沿分析中，考虑非对称无效率扰动而非惯常高斯误差，是否会改变协变量选择、模型平均及后验推断结果？
- 方法与思路
- 作者针对正态—指数随机前沿模型提出贝叶斯平均与选择程序，结合搜索策略和并行计算，并在不同信噪设置下开展模拟。
- 材料陈述的贡献
- 摘要称中等维度下穷举搜索有时可行且更实用，纳入随机前沿结构可能改变后验和模型平均结果，尤其在适宜效率分析的情形。
- 阅读关注点
- 应核对误差分解、模型及参数先验、穷举搜索的计算范围，以及模拟中无效率噪声比与信号强度如何影响比较结果。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实。摘要未提供先验、具体维度及性能数值，不能认定前沿方法或穷举搜索普遍更优。
原文摘要
The paper investigates Bayesian Model Averaging and Selection (BMA/S) under non-standard stochastic assumptions, focusing on stochastic frontier analysis (SFA). We propose fast, reliable procedures for inference in the normal-exponential stochastic frontier model and examine whether accounting for asymmetric disturbances affects model averaging and/or selection outcomes relative to the conventional Gaussian-error BMA/S. Particular attention is given to moderate-dimensional covariate selection problems typical in SFA applications. We demonstrate that, with appropriate search strategies and parallelization techniques, exhaustive model search can be computationally feasible and, in some cases, more practical than stochastic search alternatives. A Monte Carlo simulation study is used to compare the proposed SF-BMA/S procedure with standard Gaussian-error BMA/S under varying levels of inefficiency-to-noise ratio and signal strength with respect to the data generating process. The results show that accounting for stochastic frontier structures may affect posterior inference and model averaging outcomes, especially in scenarios where efficiency analysis is most sensible.