各位大虾好,我潜伏多日,今天第一次发帖,求助啊。
我用frontier做sfa,用的是面板数据,要做技术效率回归,但是6组所有的数据做出来,t-ratio全部太小,都小于0.1,请问这个是t值么,如果是那岂不是都不能通过检验了,怎么办啊。下面是我的一组回归结果与过程,帮帮忙啊,谢谢大家了
数据,dat文件
1.000000 1.000000 4.087152 1.000000 6.254040 3.224062 0.319992 0.127192
2.000000 1.000000 4.010057 1.000000 6.237250 3.226447 0.154503 0.127192
3.000000 1.000000 5.090186 1.000000 7.045254 4.491777 0.117548 0.127192
4.000000 1.000000 4.200505 1.000000 7.428755 4.323470 0.145502 0.127192
5.000000 1.000000 5.286245 1.000000 7.137390 3.567841 0.231424 0.127192
6.000000 1.000000 5.451725 1.000000 7.295511 4.656908 0.129778 0.127192
7.000000 1.000000 5.195620 1.000000 6.697738 4.072780 0.147938 0.127192
8.000000 1.000000 4.164182 1.000000 6.076747 3.377929 0.092832 0.127192
9.000000 1.000000 5.302060 1.000000 7.158327 4.779544 0.092447 0.127192
10.000000 1.000000 5.233939 1.000000 7.059188 4.316554 0.138881 0.127192
11.000000 1.000000 1.918392 1.000000 3.991204 0.693147 0.067211 0.127192
1.000000 2.000000 4.712858 2.000000 6.315575 3.223664 0.428839 0.131766
2.000000 2.000000 4.117084 2.000000 6.271234 3.273364 0.157504 0.131766
3.000000 2.000000 5.340658 2.000000 7.219971 4.551242 0.119186 0.131766
4.000000 2.000000 5.381049 2.000000 7.479164 4.344584 0.143971 0.131766
5.000000 2.000000 5.779106 2.000000 7.214372 3.662792 0.233162 0.131766
6.000000 2.000000 5.955034 2.000000 7.602576 4.799173 0.130702 0.131766
7.000000 2.000000 5.517533 2.000000 7.020539 4.259859 0.127573 0.131766
8.000000 2.000000 4.625071 2.000000 6.263703 3.584907 0.087583 0.131766
9.000000 2.000000 5.894155 2.000000 7.536199 4.936343 0.090178 0.131766
10.000000 2.000000 5.616517 2.000000 7.114891 4.463722 0.137486 0.131766
11.000000 2.000000 2.606387 2.000000 4.265071 0.712950 0.079088 0.131766
1.000000 3.000000 4.323868 3.000000 6.284489 3.215671 0.415665 0.131222
2.000000 3.000000 4.192378 3.000000 6.393122 3.252311 0.160845 0.131222
3.000000 3.000000 5.495979 3.000000 7.365547 4.575535 0.122256 0.131222
4.000000 3.000000 4.458525 3.000000 7.551759 4.373994 0.138644 0.131222
5.000000 3.000000 5.660840 3.000000 7.394585 3.619261 0.295078 0.131222
6.000000 3.000000 6.007043 3.000000 7.790787 4.784654 0.127226 0.131222
7.000000 3.000000 5.470673 3.000000 7.208993 4.283173 0.117982 0.131222
8.000000 3.000000 4.372355 3.000000 6.342737 3.603049 0.085254 0.131222
9.000000 3.000000 6.299868 3.000000 7.798720 5.012167 0.082525 0.131222
10.000000 3.000000 5.612763 3.000000 7.290532 4.546057 0.140506 0.131222
11.000000 3.000000 2.748552 3.000000 4.229604 0.765468 0.083266 0.131222
1.000000 4.000000 3.336125 4.000000 6.296243 3.176386 0.324037 0.125426
2.000000 4.000000 4.191623 4.000000 6.484971 3.164208 0.158513 0.125426
3.000000 4.000000 5.849699 4.000000 7.606517 4.622027 0.125419 0.125426
4.000000 4.000000 4.578313 4.000000 7.759469 4.422328 0.148333 0.125426
5.000000 4.000000 5.495117 4.000000 7.561028 3.645711 0.255820 0.125426
6.000000 4.000000 6.269891 4.000000 8.047087 4.858804 0.118516 0.125426
7.000000 4.000000 5.527045 4.000000 7.418829 4.343546 0.114571 0.125426
8.000000 4.000000 4.740138 4.000000 6.485856 3.730261 0.084909 0.125426
9.000000 4.000000 6.576316 4.000000 8.053038 5.067709 0.081161 0.125426
10.000000 4.000000 6.010090 4.000000 7.635053 4.641213 0.138611 0.125426
11.000000 4.000000 2.855895 4.000000 5.234579 0.741937 0.165828 0.125426
1.000000 5.000000 3.972742 5.000000 6.765685 3.173878 0.343442 0.126871
2.000000 5.000000 4.564869 5.000000 6.603822 3.216874 0.162937 0.126871
3.000000 5.000000 6.334469 5.000000 7.743356 4.640151 0.125918 0.126871
4.000000 5.000000 5.754602 5.000000 7.788361 4.476882 0.149243 0.126871
5.000000 5.000000 5.702048 5.000000 7.613276 3.625673 0.248081 0.126871
6.000000 5.000000 7.014086 5.000000 8.175868 4.946132 0.115312 0.126871
7.000000 5.000000 5.898115 5.000000 7.587989 4.411100 0.109750 0.126871
8.000000 5.000000 5.313304 5.000000 6.587095 3.863673 0.084062 0.126871
9.000000 5.000000 6.924130 5.000000 8.323196 5.136680 0.087497 0.126871
10.000000 5.000000 6.489357 5.000000 7.716430 4.731098 0.137294 0.126871
11.000000 5.000000 3.109953 5.000000 5.198773 0.708036 0.091839 0.126871
1.000000 6.000000 0.000000 6.000000 6.776484 3.122805 0.362406 0.131777
2.000000 6.000000 2.407846 6.000000 6.748677 3.304686 0.173928 0.131777
3.000000 6.000000 5.974776 6.000000 7.922069 4.690522 0.132655 0.131777
4.000000 6.000000 0.000000 6.000000 7.905700 4.496917 0.152075 0.131777
5.000000 6.000000 4.163715 6.000000 7.680356 3.624341 0.256628 0.131777
6.000000 6.000000 7.040887 6.000000 8.357785 5.160319 0.119616 0.131777
7.000000 6.000000 5.623620 6.000000 7.745557 4.457134 0.111711 0.131777
8.000000 6.000000 5.175754 6.000000 6.706593 3.983227 0.093983 0.131777
9.000000 6.000000 6.835840 6.000000 8.448619 5.229128 0.093488 0.131777
10.000000 6.000000 6.072561 6.000000 7.885709 4.830711 0.142058 0.131777
11.000000 6.000000 3.614695 6.000000 5.210524 1.095273 0.089714 0.131777
1.000000 7.000000 4.841348 7.000000 6.798682 3.113960 0.368658 0.134371
2.000000 7.000000 4.926746 7.000000 6.937052 3.374853 0.172038 0.134371
3.000000 7.000000 6.279159 7.000000 8.111655 4.690338 0.136076 0.134371
4.000000 7.000000 6.115738 7.000000 8.055236 4.600057 0.144769 0.134371
5.000000 7.000000 5.575760 7.000000 7.754033 3.575711 0.266658 0.134371
6.000000 7.000000 6.991453 7.000000 8.457194 5.107338 0.119354 0.134371
7.000000 7.000000 6.260843 7.000000 7.802373 4.448282 0.113712 0.134371
8.000000 7.000000 5.434769 7.000000 6.919630 3.973494 0.094283 0.134371
9.000000 7.000000 7.173215 7.000000 8.557761 5.278166 0.098796 0.134371
10.000000 7.000000 6.677499 7.000000 7.922942 4.797690 0.143716 0.134371
11.000000 7.000000 4.322940 7.000000 5.147349 0.943906 0.084868 0.134371
1.000000 8.000000 5.046710 8.000000 6.600639 3.050694 0.376616 0.134104
2.000000 8.000000 5.747576 8.000000 7.133080 3.344627 0.170685 0.134104
3.000000 8.000000 6.528922 8.000000 8.322219 4.761917 0.133545 0.134104
4.000000 8.000000 6.531402 8.000000 8.198374 4.592389 0.150087 0.134104
5.000000 8.000000 6.232703 8.000000 7.765005 3.567277 0.276228 0.134104
6.000000 8.000000 7.422445 8.000000 8.596577 5.221490 0.117400 0.134104
7.000000 8.000000 6.782147 8.000000 7.912983 4.535499 0.115527 0.134104
8.000000 8.000000 5.906614 8.000000 7.143444 4.058545 0.096352 0.134104
9.000000 8.000000 7.456374 8.000000 8.714236 5.278268 0.098107 0.134104
10.000000 8.000000 7.032086 8.000000 8.101472 4.903495 0.145650 0.134104
11.000000 8.000000 4.307034 8.000000 5.148308 0.959350 0.087208 0.134104
ins文件:
2 1=ERROR COMPONENTS MODEL, 2=TE EFFECTS MODEL
sy-dta.txt DATA FILE NAME
sy-out.txt OUTPUT FILE NAME
1 1=PRODUCTION FUNCTION, 2=COST FUNCTION
y LOGGED DEPENDENT VARIABLE (Y/N)
11 NUMBER OF CROSS-SECTIONS
8 NUMBER OF TIME PERIODS
88 NUMBER OF OBSERVATIONS IN TOTAL
3 NUMBER OF REGRESSOR VARIABLES (Xs)
y MU (Y/N) [OR DELTA0 (Y/N) IF USING TE EFFECTS MODEL]
2 ETA (Y/N) [OR NUMBER OF TE EFFECTS REGRESSORS (Zs)]
n STARTING VALUES (Y/N)
IF YES THEN BETA0
BETA1 TO
BETAK
SIGMA SQUARED
GAMMA
MU [OR DELTA0
ETA DELTA1 TO
DELTAP]
NOTE: IF YOU ARE SUPPLYING STARTING VALUES
AND YOU HAVE RESTRICTED MU [OR DELTA0] TO BE
ZERO THEN YOU SHOULD NOT SUPPLY A STARTING
VALUE FOR THIS PARAMETER.
结果:
the final mle estimates are :
coefficient standard-error t-ratio
beta 0 -0.68086389E+00 0.11906389E+01 -0.57184751E+00
beta 1 0.10208215E+00 0.52952518E-01 0.19278054E+01
beta 2 0.78389615E+00 0.70821791E-01 0.11068573E+02
beta 3 0.12394656E+00 0.88331168E-01 0.14032030E+01
delta 0 -0.99530855E+01 0.60557084E+01 -0.16435873E+01
delta 1 0.27408060E+02 0.22001312E+02 0.12457466E+01
delta 2 -0.13253300E+01 0.22710993E+01 -0.58356322E+00
sigma-squared 0.42180670E+01 0.18355917E+01 0.22979331E+01
gamma 0.99618096E+00 0.22668726E-02 0.43945167E+03
log likelihood function = -0.65626902E+02
LR test of the one-sided error = 0.11367525E+03
with number of restrictions = 4