其实发不发钱没有太大关系啦，差一点就更无所谓了。关键是大家讨论，共同进步。我也有个问题，请高手指点。

如果我们用CB95model，即引入个体特征变量和环境变量作为技术效率的解释变量，回归出结果后，如何确定每一个变量对技术效率的影响呢？因为得到的方程是对效率均值的回归，而不是对效率的回归。

看看EG5，或作TOBIT回归模型。

tobit 没必要，理论上也说不通。CB95model已经回归了系数，但是他只是对均值，每一个生产者分布可能不同吧。

qing

tobit 没必要，理论上也说不通。CB95model已经回归了系数，但是他只是对均值，每一个生产者分布可能不同吧。

qing duoduo

tobit 没必要，理论上也说不通。CB95model已经回归了系数，但是他只是对均值，每一个生产者分布可能不同吧。

qing duoduo zhi

tobit 没必要，理论上也说不通。CB95model已经回归了系数，但是他只是对均值，每一个生产者分布可能不同吧。

qing duoduo zhi jiao

在成本模型Y_i = x_ib + (V_i + U_i) 和BC95模型：Y_it = x_itb + (V_it - U_it) 中，成本模型与BC95中的U_i

_{值是自己设置的环境变量吗？好象}V_{i的值不能够通过该软件一步计算出来，那么在平常的情况下，一般使用什么软件或者方式可以一步到位？}

_谢谢！

[此贴子已经被作者于2006-1-11 20:40:33编辑过]

如果使用BC95或者成本模型还有进行数据输入的转化？

如果是，那么该软件需要怎么的数据格式或者是否对数据类型的其它方面有何特殊要求！

已经发面板数据至你油箱中！

希望能够学习以下shazam的数据转换方法！

同时如果有时间希望使用成本模型！

简单的说两句，没看各个回复，有重复的请见谅：

1、刚开始运行程序时，选择t即是你自己一步步选择，选择f则是事先设定好一个指示文件，程序将按照该指示文件运行；

2、执行Front41.exe，数据文件必须带扩展名.dta，输出文件必须带扩展名.out

3、注意number of iterations，初始设定maximum number of iterations=100，如果结果是重复了100次，就要考虑修改maximum number of iterations，比如设定为500

谢谢！ 奖励68元！

[此贴子已经被作者于2006-1-14 14:32:27编辑过]

有可能是数据不符合要求！

比如：在产出指标中，有的数据是为零！这个是我有意设置的，不知道能否使用成本模型来计算！

如果是其它方面的数据不符合要求，还望大哥赐教！谢谢！

首先，谢谢您的批评（诚心）！

其次，回答您的问题：

1，“有意设置的?什么意思？”实际情况是这样：因为我估计到（实际情况也是这样），在我自己的研究中，产出数据

是有些为零（也可能是我错误的估计了SFA的成本模型的能力或者是我的想法太幼稚），其本意是想借用SFA来估计自

变量对因变量的解释程度，而这种程度可以用具体的数据来表达。（成本好象是有这种意思包含在里面）；

2，“变量也没说明”，因为这些变量不是很重要，并且使用成本模型能否适合现在正在探索之中，如果能行，后面还有

大量的工作要做！

3“难把SFA全盘弄通”，完全正确。我看了一下您上次发给我的部分文献，里面的内容的确很令人费解，就是1-2篇

文献也搞得人头痛！

4，“还差一变量”，本人水平实在有限，以前也一直没有使用过该类模型！请见谅！

最后说明：基于DEA方法的实证分析是我的主要研究方向！

刚才又看了一下SFA中的成本模型，里面的确是要包含四个基本的变量！（where Ci, Qi, R_i and W_i are cost, output, capital price and labour price！ ）而我给的数据的确不符合数据的基本要求！

现在的我主要是使用SFA中的成本思想，

ln(C_i/W_i) = b₀ + b₁ln(Q_i) + b₂ln(R_i/W_i) +。。。。。。。+ (V_i + U_i), ln(C_i/W_i) 整体代表一个变量（EXCEL中的产出数据），ln(Q_i) 整体代表一个变量（EXCEL中的投入数据），ln(R_i/W_i)又整体表一个变量（EXCEL中的投入数据），省略号代表一系列变量！

其目的在于求出V_i 和 U_i 对ln(C_i/W_i) 的解释程度！

[此贴子已经被作者于2006-1-14 22:42:33编辑过]

今天自己使用了一些数据，原始数据和结果数据如下(模型是第一个）：

原始数据：

1 1 9.125087 8.060856 1.203973
2 1 8.942435 8.035279 1.203973
3 1 8.587652 7.431300 5.516690
4 1 8.376229 6.993015 5.302558
5 1 8.470206 7.311218 6.187072
6 1 8.496705 7.700295 6.050441
7 1 8.407378 7.325808 5.415611
8 1 8.432746 7.373374 5.892279
9 1 9.299413 8.677610 1.203973
10 1 8.785417 7.847763 6.105864
11 1 9.039315 7.936303 1.203973
12 1 8.530030 7.569928 7.187740
13 1 8.833434 8.161375 6.635710
14 1 8.459691 7.400621 6.605826
15 1 8.667164 7.690743 6.997111
16 1 8.419007 7.226936 6.649956
17 1 8.558872 7.437206 5.900692
18 1 8.668265 7.573017 6.704929
19 1 9.118872 7.952263 1.203973
20 1 8.633998 7.285507 7.401628
21 1 8.582663 7.629490 1.203973
22 1 8.682029 7.208600 5.827415
23 1 8.608477 7.383989 6.888878
24 1 8.503905 6.986566 6.702918
25 1 8.728863 7.541683 7.044940
26 1 8.445504 7.073270 6.281706
27 1 8.406306 6.858565 5.412226
28 1 8.456041 7.098376 1.203973
29 1 8.405792 7.167809 2.972464
30 1 8.579191 7.541683 1.203973

结果数据：

Output from the program FRONTIER (Version 4.1c)

instruction file = terminal
data file = eg1.dta

Error Components Frontier (see B&C 1992)
The model is a production function
The dependent variable is logged

the ols estimates are :

coefficient standard-error t-ratio

beta 0 0.51051052E+01 0.47208582E+00 0.10813935E+02
beta 1 0.48249259E+00 0.59662713E-01 0.80870040E+01
beta 2 -0.18546524E-01 0.10177004E-01 -0.18223953E+01
sigma-squared 0.13809479E-01

log likelihood function = 0.23248253E+02

the estimates after the grid search were :

beta 0 0.51253195E+01
beta 1 0.48249259E+00
beta 2 -0.18546524E-01
sigma-squared 0.12837151E-01
gamma 0.50000000E-01
mu is restricted to be zero
eta is restricted to be zero


iteration = 0 func evals = 20 llf = 0.23246066E+02
0.51253195E+01 0.48249259E+00-0.18546524E-01 0.12837151E-01 0.50000000E-01
gradient step
iteration = 5 func evals = 47 llf = 0.23247087E+02
0.51210078E+01 0.48248853E+00-0.18553826E-01 0.12664364E-01 0.29403108E-01
iteration = 10 func evals = 135 llf = 0.23248167E+02
0.51115837E+01 0.48251636E+00-0.18552168E-01 0.12472735E-01 0.53219701E-02
iteration = 15 func evals = 223 llf = 0.23248235E+02
0.51090383E+01 0.48252058E+00-0.18547698E-01 0.12447338E-01 0.21366470E-02
iteration = 20 func evals = 330 llf = 0.23248245E+02
0.51080881E+01 0.48250617E+00-0.18546881E-01 0.12438801E-01 0.11830941E-02
iteration = 25 func evals = 437 llf = 0.23248250E+02
0.51072250E+01 0.48248738E+00-0.18546320E-01 0.12432449E-01 0.53924715E-03
iteration = 30 func evals = 547 llf = 0.23248252E+02
0.51067374E+01 0.48249090E+00-0.18546803E-01 0.12431025E-01 0.32633570E-03
iteration = 35 func evals = 655 llf = 0.23248252E+02
0.51064405E+01 0.48248922E+00-0.18546533E-01 0.12430009E-01 0.21426392E-03
iteration = 40 func evals = 765 llf = 0.23248253E+02
0.51060339E+01 0.48249262E+00-0.18546620E-01 0.12429392E-01 0.10799047E-03
iteration = 45 func evals = 859 llf = 0.23248253E+02
0.51058665E+01 0.48249245E+00-0.18546854E-01 0.12429112E-01 0.72238791E-04
iteration = 49 func evals = 914 llf = 0.23248253E+02
0.51057744E+01 0.48249264E+00-0.18546520E-01 0.12428998E-01 0.56289222E-04

the final mle estimates are :

coefficient standard-error t-ratio

beta 0 0.51057744E+01 0.57673215E+00 0.88529388E+01
beta 1 0.48249264E+00 0.56050136E-01 0.86082332E+01
beta 2 -0.18546520E-01 0.93463359E-02 -0.19843627E+01
sigma-squared 0.12428998E-01 0.32026377E-02 0.38808629E+01
gamma 0.56289222E-04 0.66304876E-01 0.84894543E-03
mu is restricted to be zero
eta is restricted to be zero

log likelihood function = 0.23248253E+02

the likelihood value is less than that obtained
using ols! - try again using different starting values

number of iterations = 49

(maximum number of iterations set at : 100)

number of cross-sections = 30

number of time periods = 1

total number of observations = 30

thus there are: 0 obsns not in the panel

covariance matrix :

0.33261997E+00 -0.24791495E-01 -0.20314894E-02 0.27037102E-03 0.24543252E-01
-0.24791495E-01 0.31416177E-02 0.21841877E-03 -0.13417796E-04 -0.21126258E-04
-0.20314894E-02 0.21841877E-03 0.87353995E-04 -0.11359346E-05 0.67804083E-05
0.27037102E-03 -0.13417796E-04 -0.11359346E-05 0.10256888E-04 0.29959413E-04
0.24543252E-01 -0.21126258E-04 0.67804083E-05 0.29959413E-04 0.43963366E-02

technical efficiency estimates :

firm eff.-est.

1 0.99933610E+00
2 0.99933262E+00
3 0.99933296E+00
4 0.99933288E+00
5 0.99933200E+00
6 0.99932864E+00
7 0.99933028E+00
8 0.99933051E+00
9 0.99933359E+00
10 0.99933312E+00
11 0.99933557E+00
12 0.99933105E+00
13 0.99933121E+00
14 0.99933106E+00
15 0.99933259E+00
16 0.99933196E+00
17 0.99933246E+00
18 0.99933366E+00
19 0.99933703E+00
20 0.99933605E+00
21 0.99932926E+00
22 0.99933719E+00
23 0.99933437E+00
24 0.99933608E+00
25 0.99933534E+00
26 0.99933388E+00
27 0.99933486E+00
28 0.99933192E+00
29 0.99933088E+00
30 0.99933006E+00

mean efficiency = 0.99933297E+00

存在的问题如下：为什么计算结果是一致的？很奇怪！

另外一组数据（主要体现在红色地方）

1 1 9.125087 8.060856 -1.203973
2 1 8.942435 8.035279 -1.203973
3 1 8.587652 7.431300 5.516690
4 1 8.376229 6.993015 5.302558
5 1 8.470206 7.311218 6.187072
6 1 8.496705 7.700295 6.050441
7 1 8.407378 7.325808 5.415611
8 1 8.432746 7.373374 5.892279
9 1 9.299413 8.677610 -1.203973
10 1 8.785417 7.847763 6.105864
11 1 9.039315 7.936303 -1.203973
12 1 8.530030 7.569928 7.187740
13 1 8.833434 8.161375 6.635710
14 1 8.459691 7.400621 6.605826
15 1 8.667164 7.690743 6.997111
16 1 8.419007 7.226936 6.649956
17 1 8.558872 7.437206 5.900692
18 1 8.668265 7.573017 6.704929
19 1 9.118872 7.952263 -1.203973
20 1 8.633998 7.285507 7.401628
21 1 8.582663 7.629490 -1.203973
22 1 8.682029 7.208600 5.827415
23 1 8.608477 7.383989 6.888878
24 1 8.503905 6.986566 6.702918
25 1 8.728863 7.541683 7.044940
26 1 8.445504 7.073270 6.281706
27 1 8.406306 6.858565 5.412226
28 1 8.456041 7.098376 -1.203973
29 1 8.405792 7.167809 2.972464
30 1 8.579191 7.541683 -1.203973

结果数据如下：

Output from the program FRONTIER (Version 4.1c)

instruction file = terminal
data file = eg1.dta

Error Components Frontier (see B&C 1992)
The model is a production function
The dependent variable is logged

the ols estimates are :

coefficient standard-error t-ratio

beta 0 0.51435992E+01 0.46904812E+00 0.10966037E+02
beta 1 0.47333440E+00 0.60376935E-01 0.78396560E+01
beta 2 -0.14160271E-01 0.71610594E-02 -0.19773990E+01
sigma-squared 0.13546344E-01

log likelihood function = 0.23536831E+02

the estimates after the grid search were :

beta 0 0.51636200E+01
beta 1 0.47333440E+00
beta 2 -0.14160271E-01
sigma-squared 0.12592543E-01
gamma 0.50000000E-01
mu is restricted to be zero
eta is restricted to be zero


iteration = 0 func evals = 20 llf = 0.23535011E+02
0.51636200E+01 0.47333440E+00-0.14160271E-01 0.12592543E-01 0.50000000E-01
gradient step
iteration = 5 func evals = 47 llf = 0.23535824E+02
0.51601869E+01 0.47325552E+00-0.14169835E-01 0.12432954E-01 0.30614967E-01
iteration = 10 func evals = 134 llf = 0.23536640E+02
0.51511848E+01 0.47353459E+00-0.14149079E-01 0.12272011E-01 0.10283794E-01
iteration = 15 func evals = 222 llf = 0.23536773E+02
0.51510907E+01 0.47316861E+00-0.14170655E-01 0.12229288E-01 0.48109891E-02
iteration = 20 func evals = 330 llf = 0.23536815E+02
0.51473837E+01 0.47340084E+00-0.14156401E-01 0.12210190E-01 0.23574759E-02
iteration = 25 func evals = 435 llf = 0.23536825E+02
0.51465559E+01 0.47335376E+00-0.14159165E-01 0.12201338E-01 0.12240058E-02
iteration = 30 func evals = 529 llf = 0.23536830E+02
0.51454715E+01 0.47333306E+00-0.14160379E-01 0.12195315E-01 0.44290417E-03
iteration = 35 func evals = 635 llf = 0.23536830E+02
0.51450727E+01 0.47333998E+00-0.14159923E-01 0.12193898E-01 0.29598221E-03
iteration = 40 func evals = 745 llf = 0.23536831E+02
0.51446819E+01 0.47334022E+00-0.14159896E-01 0.12192858E-01 0.16334020E-03
iteration = 45 func evals = 854 llf = 0.23536831E+02
0.51445000E+01 0.47333526E+00-0.14160201E-01 0.12192394E-01 0.10525408E-03
iteration = 50 func evals = 966 llf = 0.23536831E+02
0.51443533E+01 0.47333243E+00-0.14160401E-01 0.12192270E-01 0.69796301E-04
iteration = 52 func evals = 997 llf = 0.23536831E+02
0.51443168E+01 0.47333161E+00-0.14160454E-01 0.12192235E-01 0.61875638E-04

the final mle estimates are :

coefficient standard-error t-ratio

beta 0 0.51443168E+01 0.51631819E+00 0.99634622E+01
beta 1 0.47333161E+00 0.54772217E-01 0.86418195E+01
beta 2 -0.14160454E-01 0.67119649E-02 -0.21097330E+01
sigma-squared 0.12192235E-01 0.31315540E-02 0.38933497E+01
gamma 0.61875638E-04 0.58145288E-01 0.10641557E-02
mu is restricted to be zero
eta is restricted to be zero

log likelihood function = 0.23536831E+02

the likelihood value is less than that obtained
using ols! - try again using different starting values

number of iterations = 52

(maximum number of iterations set at : 100)

number of cross-sections = 30

number of time periods = 1

total number of observations = 30

thus there are: 0 obsns not in the panel

covariance matrix :

0.26658448E+00 -0.22408687E-01 -0.13668244E-02 0.10170043E-03 0.17612587E-01
-0.22408687E-01 0.29999958E-02 0.16384744E-03 0.33419806E-05 0.84870061E-04
-0.13668244E-02 0.16384744E-03 0.45050473E-04 0.32647406E-06 0.55293134E-05
0.10170043E-03 0.33419806E-05 0.32647406E-06 0.98066305E-05 0.24805249E-04
0.17612587E-01 0.84870061E-04 0.55293134E-05 0.24805249E-04 0.33808746E-02

technical efficiency estimates :

firm eff.-est.

1 0.99931071E+00
2 0.99930688E+00
3 0.99930747E+00
4 0.99930732E+00
5 0.99930633E+00
6 0.99930272E+00
7 0.99930451E+00
8 0.99930472E+00
9 0.99930807E+00
10 0.99930768E+00
11 0.99931011E+00
12 0.99930523E+00
13 0.99930559E+00
14 0.99930527E+00
15 0.99930697E+00
16 0.99930622E+00
17 0.99930689E+00
18 0.99930816E+00
19 0.99931171E+00
20 0.99931066E+00
21 0.99930310E+00
22 0.99931204E+00
23 0.99930888E+00
24 0.99931069E+00
25 0.99930995E+00
26 0.99930833E+00
27 0.99930945E+00
28 0.99930592E+00
29 0.99930538E+00
30 0.99930396E+00

mean efficiency = 0.99930736E+00

怎么结果差别不大？

[此贴子已经被作者于2006-1-15 10:49:00编辑过]

怎么在成本模型中有这种结果出现？

firm eff.-est.

1 0.15974617E+35
2 0.10245519+123
3 0.66801478+204
4 0.27150308+177
5 0.12408204+126
6 0.44231182+173
7 0.12192151E+01
8 Inf
9 0.42886593+118
10 Inf
11 Inf
12 Inf
13 0.10403066+104
14 0.51664846+233
15 Inf
16 0.53619299E+04
17 Inf
18 Inf
19 Inf
20 0.10116491+233
21 0.38255825+114
22 0.14181282E+33

mean efficiency = Inf

我的做法是直接使用ln(C_i/W_i)整体 是产出，ln(Q_i) 是第一投入，ln(R_i/W_i) 是第二投入。具体的原始数据是 ：

ln(C_i/W_i) ln(Q_i) ln(R_i/W_i)

1 1 248.81 5365 1688
2 1 200.85 4342.6 1089
3 1 486.42 4770.5 1497
4 1 424.3 4898.6 2209
5 1 224.89 4480 1519
6 1 362.23 4595.1 1593
7 1 448.48 6538.2 2560
8 1 1323.11 5064.6 1939
9 1 761.82 6859.8 3503
10 1 739.39 4720.6 1637
11 1 1093.47 5809 2188
12 1 772.75 4532.4 1376
13 1 365.29 5212.8 1698
14 1 816.42 5815.4 1945
15 1 1638.65 5619.5 1459
16 1 339.48 5896 1351
17 1 981.3 5477.9 1610
18 1 814.78 4934 1082
19 1 1147.04 6178.7 1885
20 1 534.7 4654.1 1180
21 1 224.13 4475.2 952
22 1 19.54 4472.9 1297

直接使用，没有需要经过数据的再次变换。在运行时将该类数据当作已经经过SHAZAM软件处理过！

注：hkswen，如果有什么不对的请原谅！如果是您现在比较忙未有时间上坛子，也没有什么关系！等您那天有时间和心情再解决也不迟！

全世界的经济总量取对数也没有超过100，假设的话，也要建立在合理的经济及数学的基础上，超过了计算机的位数容量，当然给你无限大（inf)。

谢谢！的确是这样的！

现在主要是以DEA为主，而SFA只是起到辅助作用！