Estimation and Inference for Threshold Effects in Panel Data Stochastic Frontier Models
Notice bibliographique
Résumé
One of the most enduring problems in cross-section or panel data models is heterogeneity among individual observations. Different approaches have been proposed to deal with this issue, but threshold regression models offer intuitively appealing econometric methods to account for heterogeneity. We propose three different estimators that can accommodate multiple thresholds. The first two, allowing respectively for fixed and random effects, assume that the firms' specific inefficiency scores are time-invariant while the third one allows for time-varying inefficiency scores. We rely on a likelihood ratio test with m − 1 regimes under the null against m regimes. Testing for threshold effects is problematic because of the presence of a nuisance parameter which is not identified under the null hypothesis. This is known as Davies problem. We apply procedures pioneered by Hansen (1999) to test for the presence of threshold effects and to obtain a confidence set for the threshold parameter. These procedures specifically account for Davies problem and are based on non-standard asymptotic theory. Finally, we perform an empirical application of the fixed effects model on a panel of Quebec dairy farms. The specifications involving a trend and the Cobb- Douglas and Translog functional forms support three thresholds or four regimes based on farm size. The efficiency scores vary between 0.95 and 1 in models with and without thresholds. Therefore, productivity differences across farm sizes are most likely due to technological heterogeneity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».