无法访问整个数据分布会导致任何实证调查的结果参数估计存在严重偏差，这会妨碍对数据生成过程的理解和分析。 我们整合并综合了各种科学学科中存在的知识，以开发半参数内生截断证明算法，以纠正由于内生自选择引起的截断偏差。 因此，计算机科学（模式识别）、机器（无监督）学习、电气工程（信号提取）、经济学、心理学和管理科学都有助于嵌入所提供算法中的思想和技术。 这种综合丰富了算法的准确性、效率和适用性。 在截断下，分布的未观察部分类似于计算机科学、机器学习和人工智能算法中处理的模式识别中未观察到的像素问题。 然而，社会科学中的数据本质上是由它们自己的行为（认知）产生的。 因此，结合经济学、心理学和管理科学的行为方面在模型中发挥作用，允许内生性发生、建模和控制。 提供的算法改进了机器学习中的协变量移位假设，因为每个数据点从原始分布中截断自身的“决定”是生成估计算法的重要构建块。 完善 Vox Populi（人群的智慧）的概念允许数据点根据他们估计的潜在参考群体意见空间“自我分类”。 意见空间由专家观察到的和未观察到的特征组成。 后者被潜在类捕获。 新兴算法是半参数的，属于正交多项式序列族（例如傅立叶），已知具有灵活性并且在非参数分析中很有用。 对于我们的目的，这个估计器最吸引人的特征是它本质上防止了潜在的多重共线性问题，这是核估计器不具备的特征。 每个数据由不同的分布函数生成，其特征是各种连续分布函数的有限混合，不限于单峰或对称。 因此，所提出的算法是免费分发的。 参考组的数量不是任意强加的，而是使用 SCAD（平滑剪裁绝对偏差）惩罚机制来估计的。 基于 2,000,000 个不同分布函数的 Monte-Carlo 模拟，实际上生成了 1 亿个非 iid 实现，并证明了我们模型的非常高的准确性。
