pyStoNED: A Python Package for Convex Regression and Frontier Estimation
pyStoNED：用于凸回归与前沿估计的 Python 软件包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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确涉及凸分位数与期望分位数回归，直接对应分位数与分布方法。
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…
pyStoNED：用于凸回归与前沿估计的 Python 软件包
- 研究问题
- 如何降低多变量形状约束回归与生产效率前沿估计的计算和使用门槛，使相关非参数方法更容易进入实证研究？
- 方法与思路
- 作者介绍 pyStoNED 的使用，涵盖凸回归、凸分位数与期望分位数回归、保序回归及随机非参数包络方法，并展示成本和生产前沿估计。
- 材料陈述的贡献
- 摘要称，该软件包提供免费、易用的计算工具，将多种形状约束与前沿估计方法集中实现；文章的主要贡献是软件介绍和应用教程。
- 阅读关注点
- 阅读全文时应核对各方法的形状约束、目标函数和求解器要求，以及教程如何区分成本前沿、生产前沿与随机误差的处理。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明计算复杂度、软件稳定性检验或相对其他实现的性能。
原文摘要
Shape-constrained nonparametric regression is a growing area in econometrics, statistics, operations research, machine learning and related fields. In the field of productivity and efficiency analysis, recent developments in the multivariate convex regression and related techniques such as convex quantile regression and convex expectile regression have bridged the long-standing gap between the conventional deterministic-nonparametric and stochastic-parametric methods. Unfortunately, the heavy computational burden and the lack of powerful, reliable, and fully open access computational package has slowed down the diffusion of these advanced estimation techniques to the empirical practice. The purpose of the Python package pyStoNED is to address this challenge by providing a freely available and user-friendly tool for the multivariate convex regression, convex quantile regression, convex expectile regression, isotonic regression, stochastic nonparametric envelopment of data, and related methods. This paper presents a tutorial of the pyStoNED package and illustrates its application, focusing on the estimation of frontier cost and production functions.