好阿，详细的结果发来看一下，帮你：）

啊，谢谢楼上，结果有点长，我就只复制前半部分过来了，后面的efficiency estimation没有复制，但实际上这个estimation却是相当完美……数据方面我试过各种变换转化结果都不太好，然后模型也有改，比如减少变量什么的，系数倒是变正了回归出来的效率却匪夷所思，所以好纠结呀，哈哈

Tech. Eff. Effects Frontier (see B&C 1993)
The model is a cost function
The dependent variable is logged


the ols estimates are :

                 coefficient     standard-error    t-ratio

  beta 0        -0.65117474E+00  0.75427379E-01 -0.86331350E+01
  beta 1        -0.92262921E+00  0.15591886E+01 -0.59173675E+00
  beta 2        -0.43860161E+00  0.13776306E+01 -0.31837389E+00
  beta 3        -0.41217852E-01  0.42299084E-01 -0.97443841E+00
  beta 4         0.58378216E+00  0.18895259E-01  0.30895695E+02
  beta 5        -0.37912324E+00  0.80279675E+00 -0.47225308E+00
  beta 6        -0.35952540E+00  0.11644904E+01 -0.30874053E+00
  beta 7         0.42419770E-01  0.30955340E-01  0.13703539E+01
  beta 8         0.56446175E-01  0.10963753E-01  0.51484353E+01
  beta 9        -0.12187150E+00  0.97543449E+00 -0.12494073E+00
  beta10         0.31871898E+00  0.39525011E+00  0.80637290E+00
  beta11         0.66434778E+00  0.51143169E+00  0.12989961E+01
  beta12        -0.28434020E-01  0.33030095E+00 -0.86085191E-01
  beta13         0.22675501E+00  0.43684181E+00  0.51907809E+00
  beta14         0.12404455E+00  0.36981279E-01  0.33542526E+01
  sigma-squared  0.11997815E-01

log likelihood function =   0.12994769E+03

the estimates after the grid search were :

  beta 0        -0.71200049E+00
  beta 1        -0.92262921E+00
  beta 2        -0.43860161E+00
  beta 3        -0.41217852E-01
  beta 4         0.58378216E+00
  beta 5        -0.37912324E+00
  beta 6        -0.35952540E+00
  beta 7         0.42419770E-01
  beta 8         0.56446175E-01
  beta 9        -0.12187150E+00
  beta10         0.31871898E+00
  beta11         0.66434778E+00
  beta12        -0.28434020E-01
  beta13         0.22675501E+00
  beta14         0.12404455E+00
  delta 0        0.00000000E+00
  delta 1        0.00000000E+00
  delta 2        0.00000000E+00
  delta 3        0.00000000E+00
  delta 4        0.00000000E+00
  delta 5        0.00000000E+00
  sigma-squared  0.14528969E-01
  gamma          0.40000000E+00


iteration =     0  func evals =     19  llf =  0.13024732E+03
    -0.71200049E+00-0.92262921E+00-0.43860161E+00-0.41217852E-01 0.58378216E+00
    -0.37912324E+00-0.35952540E+00 0.42419770E-01 0.56446175E-01-0.12187150E+00
     0.31871898E+00 0.66434778E+00-0.28434020E-01 0.22675501E+00 0.12404455E+00
     0.00000000E+00 0.00000000E+00 0.00000000E+00 0.00000000E+00 0.00000000E+00
     0.00000000E+00 0.14528969E-01 0.40000000E+00
gradient step
iteration =     5  func evals =     49  llf =  0.13347955E+03
    -0.70751503E+00-0.91752720E+00-0.44399641E+00-0.15198195E-01 0.59033157E+00
    -0.38082869E+00-0.35960424E+00 0.40239598E-01 0.49983238E-01-0.12124817E+00
     0.32085080E+00 0.65741205E+00-0.29520677E-01 0.23532523E+00 0.10361491E+00
     0.38018044E-01-0.22052699E-03 0.32663019E-01 0.14698944E-01-0.16887460E-02
    -0.11194072E-01 0.12599078E-01 0.39942953E+00
iteration =    10  func evals =     72  llf =  0.13465250E+03
    -0.70953954E+00-0.90187391E+00-0.45533682E+00-0.27911405E-01 0.59229232E+00
    -0.36844071E+00-0.37442417E+00 0.38721944E-01 0.49363930E-01-0.12025505E+00
     0.30699226E+00 0.63752449E+00-0.14366708E-01 0.25236516E+00 0.99557930E-01
     0.50599028E-01-0.16863050E-03 0.43130763E-01 0.11090533E+00-0.48754742E-01
    -0.18135218E-01 0.11688855E-01 0.38805809E+00
iteration =    15  func evals =     92  llf =  0.13564942E+03
    -0.72859084E+00-0.93751195E+00-0.47444341E+00-0.25337670E-01 0.59599322E+00
    -0.35975739E+00-0.34735754E+00 0.55357011E-01 0.47824149E-01-0.26980499E-01
     0.30206881E+00 0.60340553E+00-0.53446078E-03 0.21054778E+00 0.97970711E-01
     0.18635780E+00-0.18682419E-03-0.11360939E+00 0.19266862E+00-0.73847136E-01
    -0.32839830E-01 0.13026032E-01 0.51536387E+00
iteration =    20  func evals =    119  llf =  0.13942474E+03
    -0.73413651E+00-0.95426065E+00-0.52867268E+00-0.38137872E-01 0.59823389E+00
    -0.23764187E+00-0.37299150E+00 0.46707447E-01 0.50696339E-01 0.18124374E+00
     0.38571069E+00 0.44903095E+00-0.30057372E-01 0.11473084E+00 0.96484362E-01
     0.67840711E+00-0.33488349E-03-0.64227576E+00 0.25105099E+00-0.20086098E+00
    -0.19388484E-01 0.12166019E-01 0.50612661E+00
pt better than entering pt cannot be found
iteration =    21  func evals =    127  llf =  0.13942474E+03
    -0.73413651E+00-0.95426065E+00-0.52867268E+00-0.38137872E-01 0.59823389E+00
    -0.23764187E+00-0.37299150E+00 0.46707447E-01 0.50696339E-01 0.18124374E+00
     0.38571069E+00 0.44903095E+00-0.30057372E-01 0.11473084E+00 0.96484362E-01
     0.67840711E+00-0.33488349E-03-0.64227576E+00 0.25105099E+00-0.20086098E+00
    -0.19388484E-01 0.12166019E-01 0.50612661E+00


the final mle estimates are :

                 coefficient     standard-error    t-ratio

  beta 0        -0.73413651E+00  0.45923358E-01 -0.15986124E+02
  beta 1        -0.95426065E+00  0.63321204E+00 -0.15070160E+01
  beta 2        -0.52867268E+00  0.57568732E+00 -0.91833301E+00
  beta 3        -0.38137872E-01  0.33763699E-01 -0.11295525E+01
  beta 4         0.59823389E+00  0.29381729E-01  0.20360745E+02
  beta 5        -0.23764187E+00  0.44961612E+00 -0.52854393E+00
  beta 6        -0.37299150E+00  0.48657036E+00 -0.76657258E+00
  beta 7         0.46707447E-01  0.31000517E-01  0.15066667E+01
  beta 8         0.50696339E-01  0.15493591E-01  0.32720846E+01
  beta 9         0.18124374E+00  0.80264040E+00  0.22580939E+00
  beta10         0.38571069E+00  0.63615762E+00  0.60631309E+00
  beta11         0.44903095E+00  0.70307524E+00  0.63866699E+00
  beta12        -0.30057372E-01  0.53180581E+00 -0.56519449E-01
  beta13         0.11473084E+00  0.63726764E+00  0.18003557E+00
  beta14         0.96484362E-01  0.43478487E-01  0.22191288E+01
  delta 0        0.67840711E+00  0.55655735E+00  0.12189348E+01
  delta 1       -0.33488349E-03  0.23636573E-03 -0.14168022E+01
  delta 2       -0.64227576E+00  0.65592626E+00 -0.97918897E+00
  delta 3        0.25105099E+00  0.13169147E+00  0.19063572E+01
  delta 4       -0.20086098E+00  0.13808272E+00 -0.14546424E+01
  delta 5       -0.19388484E-01  0.43715668E-01 -0.44351339E+00
  sigma-squared  0.12166019E-01  0.47315447E-02  0.25712573E+01
  gamma          0.50612661E+00  0.34207178E+00  0.14795918E+01

log likelihood function =   0.13942474E+03

LR test of the one-sided error =   0.18954104E+02
with number of restrictions = 7
[note that this statistic has a mixed chi-square distribution]

number of iterations =     21

(maximum number of iterations set at :   100)

number of cross-sections =     14

number of time periods =     11

total number of observations =    154

这是用Coelli（1995）model做到的，time invariant， half distributed
gamma还好，
符号是可以解释的，不过显著的不多。要看你的变量了，还有你是用SFAmodel做的吧？具体可以回复聊。
最大都在研究这个方面的，有时间可以联系
QQ： 2264387497

你说的我都知道啊，不过cost function不管怎么样产出增加都应该导致成本增加吧，是负数说不通的……

这里在计算效率的时候，产出增加，不一定代表着成本就要一定增加。 因为你所带入的值是现阶段的实际值，换句话说，这个值不一定是efficient效率最佳的。

你所说的情况只在效率合理的情况下才能成立，即企业达到了最佳效率，产出增加，成本也就相应的增加。

U是计算inefficiency，成本和产出的不相关性（包括负的），正说明了u的存在。

不知道这样说明是否明白，有空探讨。