Detecting Outliers in Deterministic Nonparametric Frontier Models With Multiple Outputs
多产出确定性非参数前沿模型中的异常值检测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：摘要聚焦生产前沿数据的异常值筛查，未明确涉及结构参数估计或其他给定细分方向，因此现有分类证据不足。
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
多产出确定性非参数前沿模型中的异常值检测
- 研究问题
- 多投入、多产出的生产数据中，如何发现与其他观测差异较大的异常点，以辅助确定性非参数前沿分析中的测量误差核查顺序？
- 方法与思路
- 作者提出用于确定性非参数生产前沿的异常值识别方法，以观测与其他数据的差异程度辅助筛查和排序；摘要未说明具体统计量与计算步骤。
- 材料陈述的贡献
- 摘要称，该方法能标记可能含测量误差、需要进一步核查的观测，并在数据检查成本较高时提供检查优先次序，服务于多投入多产出数据审查。
- 阅读关注点
- 阅读时应核对差异程度的定义、异常值判定规则及多投入多产出的处理方式，并区分真实的高效率生产单位与可能存在测量误差的观测。
- 阅读边界
- 摘要未说明阈值、误报控制、样本要求或验证结果；被标记为异常仅意味着值得核查，不能直接认定该观测错误，也不能证明前沿估计更准确。
原文摘要
This article provides a statistical methodology for identifying outliers in production data with multiple inputs and outputs used in deterministic nonparametric frontier models. The methodology is useful in identifying observations that may contain some form of measurement error and, thus, merit closer scrutiny. When data checking is costly, the methodology may be used to rank observations in terms of their dissimilarity to other observations in the data, suggesting a priority for further inspection of the data.