×
巴哈雷语Feizi;艾哈迈德·波尔达维什

面板数据中动态技术无效的非线性自回归随机前沿模型。 （英语） Zbl 07649688号

Commun公司。统计、理论方法 52，第4期，1058-1075（2023）.
摘要：在本文中，我们重点研究了面板数据中具有非线性自回归结构的新随机前沿模型。在经典的金融模型中，考虑了不相关的误差，这在经验情况下通常不会遇到。在我们的随机前沿模型中，综合误差由统计误差和技术无效性两部分组成，而技术无效性假设为自相关。通过参数泰勒级数展开和非参数调整因子两步法，提出了一种半参数方法来估计非线性自回归函数。对于模型参数估计，采用了期望最大化方法，并通过蒙特卡罗模拟检验了估计的性能。最后，我们使用实际数据集研究了新模型的适用性。

MSC公司：

62M20型 随机过程的推断与预测
62第20页 统计学在经济学中的应用

关键词：

随机前沿;EM算法;半参数方法;面板数据;技术效率低下

软件：

锡
PDF格式BibTeX公司 XML格式引用
\textit{B.Feizi}和\textit{A.Pourdarvish}，Commun。Stat.，理论方法52，No.4，1058--1075（2023；Zbl 07649688）
全文： 内政部

参考文献：

[1] 艾格纳，D.J。；Lovell，C.A.K。；Schmidt，P.，随机前沿生产函数模型的公式化和估计，计量经济学杂志，6，1，21-37（1977）·Zbl 0366.90026号 ·doi:10.1016/0304-4076（77）90052-5
[2] Alsumaiei，A.A.，预测城市含水层地下水位波动的非线性自回归建模方法，Water，12，3，820（2020）·doi:10.3390/w12030820
[3] 阿扎里尼，A。；与Capitanio A.合作，《偏态和相关家族》（2014），英国剑桥：剑桥大学出版社，IMS专著系列，英国剑桥·Zbl 1338.62007号
[4] 巴顿，A。；Hossain，I.，水稻生产技术效率的随机前沿模型和分布假设，农业科学与技术杂志，16481-96（2014）
[5] 布拉斯克斯，F。；科普曼，S.J。；Lucas，A.，具有最优性质的非线性自回归模型，《计量经济学评论》，39，6，559-78（2020）·Zbl 1490.62421号 ·doi:10.1080/07474938.2019.1701807
[6] Bowman，A.W.，核密度估计平滑的交叉验证替代方法，生物统计学，71，2，353-60（1984）·doi:10.1093/biomet/71.2.353
[7] 卡苏，B。；法拉利，A。；Zhao，T.，印度银行业的监管改革和生产率变化，《经济与统计评论》，95，3，1066-77（2013）·doi:10.1162/REST_a_00298
[8] 法努什，R。；哈杰比，M。；Samadi，S.Y.，具有独立和相依误差的一阶非线性自回归时间序列模型的半参数估计，伊朗科学技术杂志，事务A:科学，43，3，905-17（2019）·doi:10.1007/s40995-018-0538-4
[9] 法努什，R。；Mortazavi，S.J.，估计具有相关误差的非线性自回归模型的半参数方法，非线性分析，74，17，6358-70（2011）·Zbl 1232.62118号 ·doi:10.1016/j.na.2011.06.016
[10] 哈贝马，J.D.F。；赫尔曼斯，J。；Van den Broek，K.，Compstat 1974:计算统计程序，使用密度估计的逐步判别分析程序（1974），奥地利维也纳：Physica Verlag，奥地利维也纳
[11] 哈贾贾比，A。；Fallah，A.，具有不对称创新的非线性半参数AR（1）模型，《统计中的通信——模拟和计算》，47，5，1453-62（2018）·兹比尔07550046 ·doi:10.1080/03610918.2017.1315772
[12] 哈贾贾比，A。；Maleki，M.，非线性半参数自回归模型与斜正态创新的尺度混合的有限混合，应用统计杂志，46，11，2010-29（2019）·Zbl 1516.62318号 ·doi:10.1080/02664763.2019.1575953
[13] W·哈德尔。；霍尔，P。；Ichimura，H.，单指数模型中的最优平滑，《统计年鉴》，21157-78（1993）·Zbl 0770.62049号
[14] 科特，M。；Kolari，J.W。；斯皮尔迪克，L.，享受放松管制下的宁静生活？来自美国银行调整后勒纳指数的证据，《经济与统计评论》，94，2，462-80（2012）·doi:10.1162/REST_a_00155
[15] Lai，H。；Kumbhakar，S.C.，使用基于似然的方法估计动态随机前沿模型（2018），慕尼黑大学图书馆：德国慕尼黑大学图书馆
[16] 刘，L。；丁·F。；朱强，带自回归噪声的多元自回归方程误差系统的递推辨识，国际系统科学杂志，49，13，2763-75（2018）·Zbl 1482.93655号 ·doi:10.1080/00207721.2018.1511873
[17] Maleki，M。；Arellano-Valle，R.B.，基于偏态正态分布的有限尺度混合的自回归过程的最大后验估计，统计计算与模拟杂志，87，6，1061-83（2017）·Zbl 07191989 ·doi:10.1080/00949655.2016.1245305
[18] Maleki，M。；哈贾贾比，A。；Arellano-Valle，R.B.，对称和非对称混合自回归过程，巴西概率统计杂志，34，2，273-90（2020）·Zbl 1445.62233号 ·doi:10.1214/19-BJPS429
[19] 梅森，W。；van den Broeck，J.，《基于Cobb-Douglas生产函数的综合误差效率估计》，《国际经济评论》，第18、2、435-44页（1977年）·Zbl 0366.90025号 ·doi:10.2307/2525757
[20] 皮特，M.M。；Lee，L.-F.，《印度尼西亚纺织业技术效率低下的测量和来源》，《发展经济学杂志》，9，1，43-64（1981）·doi:10.1016/0304-3878（81）90004-3
[21] Pourahmadi，M.，具有非线性异方差预测因子的Skew-normal ARMA模型，《统计学中的通信——理论和方法》，36，9，1803-19（2007）·Zbl 1315.62073号 ·doi:10.1080/03610920601126274
[22] 施密特，P。；Sickles，R.C.，《生产前沿与面板数据》，《商业与经济统计杂志》，2367-74（1984）
[23] Scott，D.W.，《多元密度估计：理论、实践和可视化》（1992年），纽约：John Wiley&Sons出版社，纽约·Zbl 0850.62006号
[24] 斯科特·D·W。；Terrell，G.R.，《密度估计中的有偏和无偏交叉验证》，美国统计协会杂志，82，400，1131-46（1987）·Zbl 0648.62037号 ·doi:10.1080/01621459.1987.10478550
[25] 沙拉菲，M。；Nematollahi，A.R.，AR（1）模型与偏态创新，Metrika，79，8，1011-29（2016）·Zbl 1468.62347号 ·doi:10.1007/s00184-016-0587-7
[26] Sheather，S.J。；Jones，M.C.，《用于核密度估计的可靠的基于数据的带宽选择方法》，《皇家统计学会杂志：B辑（统计方法）》，53，3，683-90（1991）·Zbl 0800.62219
[27] Silverman，B.W.，《统计和数据分析密度估计》（1986年），英国伦敦：查普曼和霍尔，CRC，英国伦敦·Zbl 0617.62042号
[28] Tealab，A。；赫夫尼，H。；Badr，A.，《使用ANN预测非线性时间序列》，《未来计算与信息学杂志》，2017年第2期，第1期，第39-47页·doi:10.1016/j.fcij.2017.05.001
[29] 于，Z。；王，b。；Shi，N.，自回归模型中回归函数的半参数估计，《统计学与概率快报》，79，2，165-72（2009）·Zbl 1155.62071号 ·doi:10.1016/j.spl.2008.07.047
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。