Econometric Modeling of Input-Driven Output Risk through a Versatile CES Production Function
Notice bibliographique
Résumé
The conventional functional form of the Constant-Elasticity-of-Substitution (CES) production function is a general production function nesting a number of other forms of production functions. Examples of such functions include Leontief, Cobb–Douglas, and linear production functions. Nevertheless, the conventional form of the CES production specification is still restrictive in multiple aspects. One example is the fact that the marginal effect of increasing input use always has to be to increase the variability of output quantity by the conventional construction of this function. This paper proposes a generalized variant of the CES production function that allows for various input effects on the probability distribution of output. Failure to allow for this possible input–output risk structure is indeed one of the limitations of the conventional form of the CES production function. This limitation may result in false inferences about input-driven output risk. In light of this, the present paper proposes a solution to this problem. First, it is shown that the familiar CES formulation suffers from very restrictive structural assumptions regarding risk considerations, and that such restrictions may lead to biased and inefficient estimates of production quantity and production risk. Following the general theme of Just and Pope’s approach, a CES-based production-function specification that overcomes this shortcoming of the original CES production function is introduced, and a three-stage Nonlinear Least-Squares (NLS) estimation procedure for the estimation of the proposed functional form is presented. To illustrate the proposed approaches in this paper, two empirical applications in irrigation and fertilizer response using the famous Hexem–Heady experimental dataset are provided. Finally, implications for modeling input-driven production risks are discussed.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».