The Post Double LASSO for Efficiency Analysis
效率分析中的后双重 LASSOAI 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：摘要明确涉及效率分析、前沿估计和高维正交矩方法，但未说明可对应给定结构估计或其他细分方向的具体模型，因此保留空数组。
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…
效率分析中的后双重 LASSO
- 研究问题
- 当效率分析可利用大量解释变量时，为什么识别无效率反而可能更困难，如何同时估计生产前沿的基本组成与无效率部分？
- 方法与思路
- 作者针对效率分析推导 Neyman 正交矩条件，并使用后双重 LASSO 估计前沿及无效率，再通过应用展示与其他方法的差别。
- 材料陈述的贡献
- 摘要指出高维数据可能增加无效率检测的难度，并提出利用正交矩条件和后双重 LASSO 的估计思路，以应用说明方法之间的差异。
- 阅读关注点
- 应核对前沿与无效率的模型定义、正交矩条件的推导、高维变量选择要求，以及应用中不同估计结果是否使用相同的模型和数据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明识别条件、收敛性质或应用结果，不能判断该方法普遍提升估计效率。
原文摘要
Big data and machine learning methods have become commonplace across economic milieus. One area that has not seen as much attention to these important topics yet is efficiency analysis. We show how the availability of big (wide) data can actually make detection of inefficiency more challenging. We then show how machine learning methods can be leveraged to adequately estimate the primitives of the frontier itself as well as inefficiency using the `post double LASSO' by deriving Neyman orthogonal moment conditions for this problem. Finally, an application is presented to illustrate key differences of the post-double LASSO compared to other approaches.