Making noisy data sing
让噪声数据发挥作用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：摘要围绕生产技术、有效前沿及要素配置构造最大似然估计，直接涉及生产结构估计。
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…
关注这篇论文的作者
让噪声数据发挥作用
- 研究问题
- 生产技术估计如何同时处理缺失数据和测量误差？劳动投入内生性与不同缺失模式，会怎样影响效率和规模报酬指标的估计？
- 方法与思路
- 作者在劳动内生性和数据缺失模式的不同假定下构造最大似然估计量，并用智利工业普查数据与忽略数据缺陷的估计方法比较。
- 材料陈述的贡献
- 摘要称，所提估计量可生成规模报酬、偏离有效前沿的均方指标，并在劳动被视为内生时衡量偏离有效要素组合的程度。
- 阅读关注点
- 应核对生产技术模型、测量误差与缺失机制的设定，以及劳动内生性的处理；比较各估计量时需关注识别条件和指标含义。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，无法确认缺失机制和误差分布的具体假设；摘要未报告比较结果，不能声称新估计量表现更好。
原文摘要
Maximum-likelihood estimators of production technologies are developed that deal with missing data and measurement errors, making alternative assumptions regarding the endogeneity of labor and missing data patterns. The estimators yield indices of the returns to scale, mean square deviation from the efficient frontier, and (when labor is treated as endogenous) mean square deviation from efficient factor mixes. To gauge the performance of the alternative estimators, they are applied to Chilean industrial census data, and compared with ‘naive’ estimators that do not recognize data imperfections.