LASSO for Stochastic Frontier Models with Many Efficient Firms
存在大量最高效率企业时的随机前沿 LASSO 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：摘要明确以面板固定效应随机前沿模型估计个体无效率并选择效率群体，因此归入面板数据。
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…
存在大量最高效率企业时的随机前沿 LASSO 估计
- 研究问题
- 研究在面板固定效应随机前沿模型中，如何同时识别最高效率企业群体并估计企业层面的无效率参数。
- 方法与思路
- 作者采用带符号约束和自适应权重的 L1 惩罚，同时进行效率群体选择与参数估计，并提出调参准则和坐标下降算法。
- 材料陈述的贡献
- 摘要称，估计量具有预言性质，收敛速度快于最小二乘虚拟变量估计，并用警员查获违禁品的效率数据展示应用。
- 阅读关注点
- 应核对最高效率群体如何定义、惩罚权重与符号限制如何设置，以及预言性质和更快收敛所需的条件。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能判断理论条件在警员数据中是否成立；具体收敛率与后续刊本变化未核验。
原文摘要
We apply the adaptive LASSO to select a set of maximally efficient firms in the panel fixed-effect stochastic frontier model. The adaptively weighted L1 penalty with sign restrictions allows simultaneous selection of a group of maximally efficient firms and estimation of firm-level inefficiency parameters with a faster rate of convergence than least squares dummy variable estimators. Our estimator possesses the oracle property. We propose a tuning parameter selection criterion and an efficient optimization algorithm based on coordinate descent. We apply the method to estimate a group of efficient police officers who are best at detecting contraband in motor vehicle stops (i.e., search efficiency) in Syracuse, NY.