Nonparametric estimation of stochastic frontier models with weak separability
弱可分随机前沿模型的非参数估计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：摘要聚焦随机前沿的非参数识别与估计，未明确对应所列领域细分。
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…
弱可分随机前沿模型的非参数估计
- 研究问题
- 在避免参数分布假设的情况下，如何利用一个单调影响无效率条件均值的连续协变量，识别并估计前沿与无效率均值？
- 方法与思路
- 作者在所述连续协变量及单调影响条件下，用局部最小二乘和边际积分构造非参数估计，并应用于美国新冠病例漏报。
- 材料陈述的贡献
- 摘要称，在主要识别条件成立的模拟中，该估计量优于已有方案；病例应用显示明显漏报，且与其他非参数方法结果不同。
- 阅读关注点
- 核对弱可分结构与主要识别条件的具体形式、协变量的经济含义，以及带宽、边际积分和病例漏报应用的设定。
- 阅读边界
- 仅据所给出版社摘要，不能断言模型无需其他假设；识别条件的完整内容、比较设计与漏报幅度均未说明。
原文摘要
We propose a robust and versatile approach to estimate the stochastic frontier model which avoids parametric assumptions. Our approach requires a single continuous covariate which monotonically influences the conditional mean of inefficiency. Subject to these conditions, the frontier and the conditional mean of inefficiency can be estimated nonparametrically. The estimator we propose uses local least squares and marginal integration making it easy to implement across statistical software. A range of Monte Carlo simulations suggests that when our main identification condition holds, our proposed estimator outperforms other proposals that currently exist. Finally, we provide an application to the study of undercounting COVID-19 cases across the United States. Whereas our method indicates significant undercounting, consistent with existing evidence, other nonparametric methods suggest far less undercounting.