Nonparametric, Stochastic Frontier Models with Multiple Inputs and Outputs
多投入与多产出的非参数随机前沿模型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：摘要主要研究随机前沿和企业效率评价，未明确对应给定列表中的因果、面板或行为结构估计方向。
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…
关注这篇论文的作者
多投入与多产出的非参数随机前沿模型
- 研究问题
- 研究如何在多投入、多产出的企业效率评价中放松前沿、噪声与无效率过程的参数限制，同时处理相关内生性问题。
- 方法与思路
- 作者扩展既有非参数随机前沿方法，建立允许多投入和多产出的近乎完全非参数框架，并通过模拟和银行数据展示实施。
- 材料陈述的贡献
- 摘要称，该框架突破单一响应变量的限制并避免相关内生性问题，同时讨论估计量性质及其有限样本表现。
- 阅读关注点
- 应核对仍保留哪些参数或分布限制、避免内生性的具体机制，以及多产出效率指标的定义和估计量性质。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能判断内生性处理的适用边界或模拟优势；具体条件与后续刊本变化未核验。
原文摘要
Stochastic frontier models along the lines of Aigner et al. are widely used to benchmark firms’ performances in terms of efficiency. The models are typically fully parametric, with functional form specifications for the frontier as well as both the noise and the inefficiency processes. Studies such as Kumbhakar et al. have attempted to relax some of the restrictions in parametric models, but so far all such approaches are limited to a univariate response variable. Some (e.g., Simar and Zelenyuk; Kuosmanen and Johnson) have proposed nonparametric estimation of directional distance functions to handle multiple inputs and outputs, raising issues of endogeneity that are either ignored or addressed by imposing restrictive and implausible assumptions. This article extends nonparametric methods developed by Simar et al. and Hafner et al. to allow multiple inputs and outputs in an almost fully nonparametric framework while avoiding endogeneity problems. We discuss properties of the resulting estimators, and examine their finite-sample performance through Monte Carlo experiments. Practical implementation of the method is illustrated using data on U.S. commercial banks.