数据包络分析概要.ppt

（5）SFA 与DEA 可获得的相关经济信息不同。 就本文所总结的模型而言， 除了能够计算技术效率外，SFA 还可通过 参数值求出投入的产出弹性和规模报酬情况。 而在DEA 的模型中，可求出规模效率和规模报酬情况。 （6）SFA 与DEA 分析影响效率因素的方法不同。通常在计算出技术效率后会进一步分析影响效率的因素。 对于SFA， 只需将技术无效率项表示成影响因素的线性形式后在原有模型中即可完成对影响因素各个参数的估计。 对于DEA，通常需要分为两阶段。第一阶段是计算其技术效率，第二阶段是以技术效率为因变量以影响因素为自变量通过二元离散选择模型进行分析。 在分析影响效率因素上，SFA 更为方便。 FRONTIER Version 4.1 准备以下几个文件 1) FRONTIER41.EXE 2) FRONT 41.000 3) A data file (TEST.DTA) 4) instruction file (TEST.INS) 5) output file (TEST.OUT) 1、柯布道格拉斯生产函数前沿利用截面数据和假定半正态分布 运算结果 总体方差σ2=σu2+σν2是生产波动幅度的反映，受到随机因素 和无效率的影响，其值小于1，表明误差项和无效率项波动幅度均不大 方差比γ 代表误差项的方差 中技术无效率方差所占的比重，即γ=σu2 /（σu2+σν2 ），其值越大，表明技术无效率对生产的波动越具有解释力，同时也表明随机前沿模型比决定性模型更适合 2、超越对数生产函数（简称Translog 函数） 其中β0，β1，β2，β3，β4和β5 为待估计参数。 Translog 函数本质是生产函数f（1nK，1nL）在（0，0）点的近似二阶泰勒展开，当β3=β4=β5=0 时，就退化为C—D 函数。 在SFA 中，选择C—D 函数的主要优点是其形式简洁，参数有直接的经济学含义（β1和β2表示资本和劳动的产出弹 性）； 选择Translog 函数的主要优点是考虑了资本和劳动相互作用对于产出的影响，克服了C—D 函数替代弹性固定为1 的缺点。 需要注意的是，虽然C—D 函数是Translog 函数的特殊形式， 但不意味着选择Translog 函数就一定比C—D 函数效果好 我们首先选择Translog 函数，在参数估计后做β3=β4=β5=0 是否为0 的似然比检验。 若不能拒绝β3=β4=β5=0 的原假设， 则选择C—D 函数； 反之则选择Translog 函数。 其检验统计量LR=-2{1n[L(H0)/L(H1)]}近似服从xa 的分布，自由度为待检验参数的个数（自由度=3）。 还可再根据参数估计的结果是否符合常理及相 应的t 值做出综合判断。 单侧LR 检验的原假设：模型为决定性模型，也就是说不存在生产的无效率项，即σ2=μ=η=0，LR 值近似服从 自由度为3 的卡方分布。 具有4个年份，15个单位，分析MU值 可以进行OLS 随机前沿分析与数据包络分析 方法的评析与比较 在经济学中，技术效率是指在既定的投入下产出可增加的能力或在既定的产出下投入可减少的能力。 常用度量技术效率的方法是生产前沿分析方法。 所谓生产前沿是指在一定的技术水平下，各种比例投入所对应的最大产出集合。 生产前沿通常用生产函数表示。 前沿分析方法根据是否已知生产函数的具体的形式分为参数方法和非参数方法 前者以随机前沿分析（Stochastic Frontier Analysis，下文简称SFA）为代表 后者以数据包络分析（Data Envelope Analysis，下文简称DEA）为代表。 1、SFA 模型 SFA 是前沿分析中参数方法的典型代表，即需要确定生产前沿的具体形式。 与非参数方法相比，它的最大优点是考虑了随机因素对于产出的影响。 SFA 要解决的问题是要度量n 个决策单元T 期的技术效率（TE），每个决策单元都是m 种投入和一种产出 面板数据问题，SFA 最常用的模型基本组成如下 和向量β 是待估计参数。 在上述模型中，yit为第i 个决策单元第期的实际产出； xit为第i 个决策单元第t 期的投入向量； f（xit，β）为某种生产函数； vit为随机扰动项， 表示诸如天气等随机因素对于产出的影响，由于该随机因素可使产出增加或减少 常假设 εit=vit-μit为合成误差项，由于εit的期望是小于0， 因此不能直接用最小二乘法估计参数， 而是在求出εit的密度函数后用极大似然估计的方法估计出各个参数，然后通过μ 的条件分布μ|ε 求出条件期望E （exp{-μit}|εit）作为技术效率TEit的估计值 通过? 的取值，可以判断本批数据是否有必要用SFA 模型。