Recent Advances in Causal Analysis of the Stochastic Frontier Model
随机前沿模型因果分析的近期进展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：摘要明确围绕工具变量、双重差分和断点回归等因果方法在生产率与效率研究中的应用展开综述。
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…
随机前沿模型因果分析的近期进展
- 研究问题
- 当生产率和效率研究关注随机前沿模型中的误差成分时，如何将工具变量、双重差分等因果方法纳入分析框架？
- 方法与思路
- 作者综述随机前沿与因果推断结合的新兴文献，讨论建模路径、实证问题、已有研究进展及尚待解决的挑战。
- 材料陈述的贡献
- 摘要称该综述说明随机前沿模型如何置于因果分析框架，梳理已有尝试、主要发现和障碍，为应用研究提供方法背景。
- 阅读关注点
- 应核对各方法对应的因果目标、误差成分的经济解释、前沿模型限制与识别假设的关系，以及综述覆盖的文献范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实。摘要没有列明各方法的识别条件，也未声称提出新的统一估计量或定理。
原文摘要
Causal inference methods (instrumental variables, difference-in-differences, regression discontinuity, etc.) are primary tools used across many social science milieus. One area where their application has lagged however, is in the study of productivity and efficiency. A main reason for this is that the nature of the stochastic frontier model does not immediately lend itself to a causal framework when interest hinges on an error component of the model. This paper reviews the nascent literature on attempts to merge the stochastic frontier literature with causal inference methods. We discuss modeling approaches and empirical issues that are likely to be relevant for applied researchers in this area. This review shows how this model can be easily put within the confines of causal analysis, reviews existing work that has already made inroads in this area, addresses challenges that have yet to be met and discusses core findings.