Penalized sieve estimation of zero‐inefficiency stochastic frontiers
含零无效率质量点的随机前沿惩罚筛估计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：摘要围绕企业无效率分布与非参数随机前沿模型的估计和检验展开，最直接对应微观结构估计。
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…
含零无效率质量点的随机前沿惩罚筛估计
- 研究问题
- 若企业无效率分布在零处存在代表完全有效率企业的离散质量点，如何在非参数随机前沿模型中估计并检验这一特征？
- 方法与思路
- 作者在零处单峰假设下，对含零质量点的混合无效率分布提出筛式密度估计，并构造零无效率假设检验。
- 材料陈述的贡献
- 摘要称，论文建立估计量的一致性、收敛速度及渐近正态性，提出零无效率检验，并以模拟和两个应用展示可操作性。
- 阅读关注点
- 应核对零处单峰假设的确切含义、质量点与连续部分的识别、惩罚与筛维数选择，以及渐近结论和检验的成立条件。
- 阅读边界
- 仅据所给 Crossref 摘要，惩罚形式、具体收敛速度和应用结果未说明，不能确认零质量点在所有噪声设定下均可识别。
原文摘要
Summary Stochastic frontier models for cross‐sectional data typically assume that the one‐sided distribution of firm‐level inefficiency is continuous. However, it may be reasonable to hypothesize that inefficiency is continuous except for a discrete mass at zero capturing fully efficient firms (zero‐inefficiency). We propose a sieve‐type density estimator for such a mixture distribution in a nonparametric stochastic frontier setting under a unimodality‐at‐zero assumption. Consistency, rates of convergence and asymptotic normality of the estimators are established, as well as a test of the zero‐inefficiency hypothesis. Simulations and two applications are provided to demonstrate the practicality of the method.