在使用SFA（Stochastic Frontier Analysis）进行成本或生产率前沿分析时，参数估计通常采用极大似然估计（MLE）方法，而不是最小二乘法。这是因为前沿函数中包含了效率项，这使得误差项呈现出非对称分布，不符合普通最小二乘法的假设。

1. **参数显著性检验**：在SFA模型中，并不是所有参数都必须通过显著性检验。不过，通常我们会关心某些关键变量（如投入要素、技术变化等）的系数是否显著，这有助于解释效率差异的原因。然而，即使有的参数不显著，也不一定意味着应该完全忽略它们——这些参数可能对整体估计有间接影响。

2. **最小二乘法 vs 极大似然估计**：理论上讲，如果模型假设（如误差项分布）满足条件，MLE通常能提供更准确的参数估计值。在SFA框架下，由于误差项包含效率和随机噪声两个部分，并且效率项通常是非负的，因此使用MLE可以更好地捕捉到这种特性。

3. **选择哪组参数**：如果同时获得了最小二乘法和极大似然估计的两组参数值，在SFA分析中推荐使用通过MLE得到的结果。因为MLE方法考虑了模型的所有假设，并且在处理非对称误差分布时表现更佳，这与SFA模型的核心特点相符。

最后提醒一点，选择何种参数还需要根据具体的数据特征和研究目的来判断，比如检查残差的性质、模型的预测能力等，以确保最终使用的模型既合理又有效。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用