Quantile Methods for Stochastic Frontier Analysis
A Quantile Methods for Stochastic Frontier Analysis két látszólag eltérő közgazdaságtani terület, a kvantilis becslés és a sztochasztikus határelemzés (SFA) egyesítésére törekszik. Miért lehet ezt a két területet különállónak tekinteni? A kvantilisek az eloszlás egy kontinuumán léteznek; a határ ennek egy rögzített objektuma. Mint látni fogjuk, ez a két megközelítés, ha megfelelően használják, egyesíthető, és így egységes megközelítést biztosít a sztochasztikus határ tanulmányozására.
Az 1-5. szakaszok a jelenlegi helyzetet mutatják be. Az 1. szakasz részletezi a regressziós függvény és a feltételes kvantilisfüggvény közötti nagyon szoros kapcsolatot, hogy megmutassa, hogy a kvantilis kapcsolat nem valamilyen különálló statisztikai szempont, amely a regressziós specifikációnktól függetlenül él. Ebben a szakaszban azt is bemutatjuk, hogy a kvantilis megközelítés és a Q-estimátor valójában mit tesz, és ezt szembeállítjuk azzal, amit az SFA-modellek akarnak tenni, egy szimulált példán keresztül is. A 2. szakasz bemutatja a lineáris Q-becslő főbb jellemzőit és tulajdonságait, amikor a hibatermünk független a regresszoroktól, mint szükséges előkészületet a 3. szakaszra való áttéréshez, ahol a szerzők bemutatják, hogy e tulajdonságok közül néhány alapvetően összeegyeztethetetlen az SFA céljaival és céljaival. A 4. szakasz a determinisztikus határt megfelelően konstruáló legújabb fejlesztéseket tárgyalja. Az 5. szakasz eltávolodik a kvantilis regressziótól, és olyan likelihood-alapú megközelítéseket mutat be, amelyek olyan sűrűségfüggvényeket használnak, amelyek egyik paraméterükként tartalmazzák az eloszlásuk nulladik kvantilisének valószínűségét.
A 6-9. szakaszok egy új becslőt, valamint olyan mérőszámokat és felismeréseket mutatnak be, amelyek lehetővé teszik a kvantilis megközelítés gyümölcsöző alkalmazását az SFA-ban. A 6. szakasz bemutatja, hogyan lehet a kvantilis becslőt további feltételezésekkel együtt használni annak érdekében, hogy koncepcionálisan érvényes és hasznos becslési és következtetési eredményeket szolgáltassunk az SFM-ekben. A 7. szakasz bemutatja a hatékonyság kvantilisfüggő mértékeit mind a minta, mind az egyén szintjén, de azt is, hogyan használhatók a hatékonyságtalanság eloszlásának feltételes kvantilisei arra, hogy képet adjanak arról, hogy az egyéni hatékonysági pontszámok hogyan oszlanak el a hatékonysági eloszlás egy kiválasztott kvantilise körül. A 8. szakasz egy alapvető eredményt bizonyít: azt, hogy a termelési SFA-modellek összetett hibatermének pozitív és magas értékei konkrét valószínűségi értelemben várhatóan együtt járnak alacsony hatékonyságtalansággal. A 9. szakasz a hibaterminus és a regresszorok vagy más kovariánsok közötti függőség esetét vizsgálja. A 10. szakasz empirikus illusztrációt nyújt, amely bemutatja az előző négy szakasz megközelítését, és útmutatóként szolgál a részletes alkalmazott vizsgálatokhoz. A 11. szakasz tartalmazza a különböző nyitott kérdések listáját, valamint a jövőbeli kutatásokra vonatkozó ötleteket és irányokat, míg a 12. szakasz rövid összefoglalót és következtetéseket tartalmaz.