ASYMPTOTICS AND CONSISTENT BOOTSTRAPS FOR DEA ESTIMATORS IN NONPARAMETRIC FRONTIER MODELS
非参数前沿模型中 DEA 估计量的渐近理论与一致自助法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：摘要研究生产效率与非参数前沿推断，给定细分中没有直接对应项，也未明确采用结构估计框架。
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…
非参数前沿模型中 DEA 估计量的渐近理论与一致自助法
- 研究问题
- 在可变规模报酬的非参数生产前沿模型中，如何确定 DEA 估计量的渐近分布，并为投入或产出导向效率度量建立一致自助推断？
- 方法与思路
- 作者推导 DEA 的渐近分布，据此证明子抽样和平滑两类自助法的一致性；平滑方法同时处理投入产出密度和 DEA 前沿估计。
- 材料陈述的贡献
- 摘要称，两类自助法的一致性得到证明，并允许无效率过程依赖相关产出或投入水平及其组合，扩展了效率推断的依赖设定。
- 阅读关注点
- 应核对可变规模报酬及前沿正则条件、投入产出维度与收敛速度、两种自助法的调参要求，以及无效率依赖结构的限制。
- 阅读边界
- 仅据所给 Crossref 摘要，不能确定各维度下的具体分布、覆盖率或实施成本；理论条件、数值表现及版本变化未说明。
原文摘要
Nonparametric data envelopment analysis (DEA) estimators based on linear programming methods have been widely applied in analyses of productive efficiency. The distributions of these estimators remain unknown except in the simple case of one input and one output, and previous bootstrap methods proposed for inference have not been proved consistent, making inference doubtful. This paper derives the asymptotic distribution of DEA estimators under variable returns to scale. This result is used to prove consistency of two different bootstrap procedures (one based on subsampling, the other based on smoothing). The smooth bootstrap requires smoothing the irregularly bounded density of inputs and outputs and smoothing the DEA frontier estimate. Both bootstrap procedures allow for dependence of the inefficiency process on output levels and the mix of inputs in the case of input-oriented measures, or on input levels and the mix of outputs in the case of output-oriented measures.