Frontier estimation in nonparametric location-scale models
非参数位置—尺度模型中的前沿估计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：摘要聚焦生产前沿与企业效率，现有细分没有直接对应项，也未明确采用结构估计。
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…
非参数位置—尺度模型中的前沿估计
- 研究问题
- 在企业面对不同外部环境时，如何剔除环境因素对投入产出的影响，估计最优前沿，并构造用于效率比较的指标？
- 方法与思路
- 作者用非参数位置—尺度模型对投入产出进行预白化，基于处理后的变量估计完整前沿和order-m前沿，并转换回原始单位。
- 材料陈述的贡献
- 摘要称方法建立了两类前沿及原始单位前沿的渐近性质，并构造剔除环境影响的效率度量，以模拟和真实数据作说明。
- 阅读关注点
- 应核对位置—尺度表示能否充分处理环境因素、预白化估计误差、两类前沿的区别，以及效率比较对模型设定的敏感性。
- 阅读边界
- 摘要所称效率排序更可靠依赖环境影响被适当剔除；具体条件、数据和比较数值未说明，不能据此认定所有企业排序均改善。
原文摘要
Conditional efficiency captures efficiency of firms facing heterogeneous environmental conditions. Traditional approaches estimate nonparametrically conditional distribution requiring smoothing techniques. We rather use a flexible nonparametric location-scale model to eliminate the dependence of inputs/outputs on these factors. These “pre-whitened” inputs/outputs define the optimal frontier function and a “pure” measure of efficiency more reliable to produce rankings, since the influence of external factors has been eliminated. Both full and order-m frontiers are used. The asymptotic properties are established. We can also derive the frontiers in the original units with their asymptotic properties. The approach is illustrated with some simulated and real data.