双边随机前沿模型,SFA-two-tier程序+案例数据+论文

有坛友反映有些双边随机模型代码包没办法安装,而且命令包不对,请大家在文件夹
中S里面的程序包复制到plus文件下的S文件夹应该可以的。

   包括双边随机
前沿模型,SFA,Two-tier Stochastic Frontier Mo
del:案例数据+命令+程序命令源代码+案例文章****面板改进版***
*--
---------Panel SFA 一般化设定----------------
-
  *
  *  y[it] = a + x[it]B + v[it] - 
u[it]   (1)
  *  ε[it]=v[it]− ui       /
/这是我们算出vit的关键
  *  v[it] ~ N(0, vsigma^2
[it])              (2)
  *  u[it] ~ N(mu
[it], usigma^2[it])         (3)
  *  mu[
it] = q[it]B                         (4)

  *  vsigma^2[it] = w[it]B             
      (5)
  *  usigma^2[it] = z[it]B    
               (6)
  *
  *--------------
---------------------------------

补充内
容 (2023-8-11 16:02):
有几处代码小bug解释一下,
1.dro
p if year==.  //去掉缺失值,要多打一个=号,去除空缺值;

2. 
 
    rename u_hat       Neg  //  u代表了抑制
效应(或称为技术效率损失)
        rename w_hat      
 Pos  //W或V则代表了促进效应(或称为技术效率增益)
    renam
e uw_diff_exp   NI   //净效应
        repla
ce NI=Pos-Neg     //可能算的有差异可以备用
*-转换成百分数
,便于统计        
        foreach v of varli
st Neg-NI{
          replace `v' = `v'*1
00
        }
      
        tabstat  Neg
 -NI, stat(mean sd p25 p50 p75) format(%

6.3f) c(s)  //算出U,W的双边效应估计拟合值

4.根据分组要求重新
把bug修订为 **时间特征**和**地区特征**,
logout, save(
hlh_z0) excel replace:  /// //输出 Excel 表

      tabstat  Pos Neg uw_diff,  

             by(zone) stat(mean sd p25 p
50 p75) format(%
6.3f) c(s)  //分区域统计
**时间
特征**
    *-w_hat u_hat uw_diff (Panel 1-
2)
logout, save(hlh_z1) excel replace:  
/// //输出 Excel 表格   
        tabstat w_h
at u_hat uw_diff,  
             by(
year) stat(mean sd p25 p50 p75) format(%

6.3f) c(s)  //促进效应、抑制效应时间特征
            
   
    *-NI (Panel 3-4)
logout, save(hl
h_z2) excel replace:  /// //输出 Excel 表格

         tabstat  NI,  
            
 by(year) stat(mean sd p25 p50 p75) form
at(%
6.3f) c(s)        //净效应时间特征
   

下载链接:https://download.csdn.net/download/weixin_45892228/89139350

点击下载:双边随机前沿模型,SFA-two-tier程序+案例数据+论文

随机前沿 (Stochastic Frontier Analysis, SFA) 是一种经济学方法,用于测量生产效率。它是通过将产出看作是技术效率和随机误差的乘积,来估计生产函数的确定性 (技术效率) 和随机成分 (随机误差)。 在随机前沿SFA模型中,我们假设技术效率是未观测到的变量,并引入误差项来衡量技术效率的波动。 在Python中实现随机前沿SFA模型,可以使用统计分析库statsmodels。首先,我们需要导入相应的库: ``` import numpy as np import pandas as pd from statsmodels.api import OLS from statsmodels.tools.tools import add_constant ``` 接下来,我们需要准备用于模型估计的数据。这些数据应该包含有关产出、输入和其他相关因素的信息。首先,我们创建一个DataFrame来存储这些数据: ``` data = pd.DataFrame({'output': [10, 12, 14, 16, 18], 'input1': [2, 3, 4, 5, 6], 'input2': [3, 4, 5, 6, 7], 'input3': [1, 2, 3, 4, 5]}) ``` 接下来,我们需要对输入变量进行对数变换,以取得更好的结果: ``` data['log_input1'] = np.log(data['input1']) data['log_input2'] = np.log(data['input2']) data['log_input3'] = np.log(data['input3']) ``` 随后,我们需要定义模型并拟合数据: ``` model = OLS(data['output'], add_constant(data[['log_input1', 'log_input2', 'log_input3']])) result = model.fit() ``` 最后,我们可以通过result.summary()方法来查看模型的拟合结果: ``` print(result.summary()) ``` 以上就是用Python实现随机前沿SFA模型的简单步骤。当然,在实际应用中,我们还需要考虑模型的假设前提、数据的准备和模型的验证等方面。在这里,我们只演示了最基本的代码实现。希望这能对你有所帮助!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值