Assignment at the Frontier: Identifying the Frontier Structural Function and Bounding Mean Deviations
前沿处配置：前沿结构函数识别与平均偏离界限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：摘要研究内生投入下的生产前沿结构函数识别及非效率估计，属于结构估计。
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
前沿处配置：前沿结构函数识别与平均偏离界限
- 研究问题
- 投入与非负未观测偏离相关时，如何识别产出前沿，并在接近前沿的数据稀少、另有随机误差时估计平均偏离？
- 方法与思路
- 作者以条件偏离支持包含零识别前沿，用零附近最小概率质量约束进行正则化，并利用方差和偏度推导平均偏离下界。
- 材料陈述的贡献
- 摘要称，前沿处配置条件可使前沿由条件产出上确界识别，无需工具变量；另提出估计正则化与平均偏离下界并用于生产前沿。
- 阅读关注点
- 应核对支持条件的经济含义、加入随机误差后的估计要求、零附近质量约束的选择，以及矩信息下界的适用条件和紧致性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要仅给出关键识别思路，未说明完整误差条件、下界公式及应用数值。
原文摘要
This paper analyzes a model in which an outcome equals a frontier function of inputs minus a nonnegative unobserved deviation. The inputs may be endogenous (statistically dependent on the deviation). If zero lies in the support of the deviation given the inputs -- an assumption we term assignment at the frontier -- then the frontier is identified by the supremum of the outcome given those inputs, obviating the need for instruments. We then consider estimation with random error that is mean-independent of the inputs. Motivated by the assignment at the frontier assumption, we regularize estimation by requiring the fitted distribution of the deviation to maintain a minimum probability mass in a neighborhood of zero. Finally, we derive a lower bound on mean deviation, using only variance and skewness, that is robust to scarcity of data near the frontier. We apply our methods to estimate a frontier production function and mean inefficiency.