随机前沿模型stata命令sfa

本教学视频由合工大经济学院张王飞制作，请尊重作者的知识产权，购买后使用，勿用于商业用途，或上传至网络！谢谢

随机前沿模型（SFA）原理和软件实现

一、SFA原理

在经济学中，常常需要估计生产函数或者成本函数。生产函数f(x)的定义为：在给定投入x情况下的最大产出。但现实中的产商可能达不到最大产出的前沿，为了，假设产商i的产量为：

yi?f(xi,?)?i （1） 其中，?为待估参数；?i为产商i的水平，满足0??i?1。如果?i=1，则产商i正好处于效率前沿。同时，考虑生产函数还会受到随机冲击，故将方程（1）改写成：

yi?f(xi,?)?ievi （2）

其中，evi?0为随机冲击。方程（2）意味着生产函数的前沿f(xi,?)ev是

i随机的，故此类模型称为“随机前沿模型”（stochastic frontier model）。随机前沿模型最早由Aigner, Lovell and Schmidt(1977)提出，并在实证领域运用广泛，Kumbhakar and Lovell(2000)为该领

本教学视频由合工大经济学院张王飞制作，请尊重作者的知识产权，购买后使用，勿用于商业用途，或上传至网络！谢谢

随机前沿模型（SFA）原理和软件实现

一、SFA原理

在经济学中，常常需要估计生产函数或者成本函数。生产函数f(x)的定义为：在给定投入x情况下的最大产出。但现实中的产商可能达不到最大产出的前沿，为了，假设产商i的产量为：

yi?f(xi,?)?i （1） 其中，?为待估参数；?i为产商i的水平，满足0??i?1。如果?i=1，则产商i正好处于效率前沿。同时，考虑生产函数还会受到随机冲击，故将方程（1）改写成：

yi?f(xi,?)?ievi （2）

其中，evi?0为随机冲击。方程（2）意味着生产函数的前沿f(xi,?)ev是

i随机的，故此类模型称为“随机前沿模型”（stochastic frontier model）。随机前沿模型最早由Aigner, Lovell and Schmidt(1977)提出，并在实证领域运用广泛，Kumbhakar and Lovell(2000)为该领

本教学视频由合工大经济学院张王飞制作，请尊重作者的知识产权，购买后使用，勿用于商业用途，或上传至网络！谢谢

随机前沿模型（SFA）原理和软件实现

一、SFA原理

在经济学中，常常需要估计生产函数或者成本函数。生产函数f(x)的定义为：在给定投入x情况下的最大产出。但现实中的产商可能达不到最大产出的前沿，为了，假设产商i的产量为：

yi?f(xi,?)?i （1） 其中，?为待估参数；?i为产商i的水平，满足0??i?1。如果?i=1，则产商i正好处于效率前沿。同时，考虑生产函数还会受到随机冲击，故将方程（1）改写成：

yi?f(xi,?)?ievi （2）

其中，evi?0为随机冲击。方程（2）意味着生产函数的前沿f(xi,?)ev是

i随机的，故此类模型称为“随机前沿模型”（stochastic frontier model）。随机前沿模型最早由Aigner, Lovell and Schmidt(1977)提出，并在实证领域运用广泛，Kumbhakar and Lovell(2000)为该领

STATA 面板数据模型估计命令一览表

一、静态面板数据的STATA处理命令

（一）数据处理

输入数据

●tsset code year 该命令是将数据定义为“面板”形式 ●xtdes 该命令是了解面板数据结构

●summarize sq cpi unem g se5 ln 各变量的描述性统计（统计分析） ●gen lag_y=L.y /////// 产生一个滞后一期的新变量 gen F_y=F.y /////// 产生一个超前项的新变量 gen D_y=D.y /////// 产生一个一阶差分的新变量 gen D2_y=D2.y /////// 产生一个二阶差分的新变量

（二）模型的筛选和检验

●1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型） ●xtreg sq cpi unem g se5 ln,fe

对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。在我们这个例子中发现F统计量的概率为0.0000，检验结果表明固定效应模型优于混合OLS模型。

●2、

STATA 面板数据模型估计命令一览表

一、静态面板数据的STATA处理命令

（一）数据处理

输入数据

●tsset code year 该命令是将数据定义为“面板”形式 ●xtdes 该命令是了解面板数据结构

●summarize sq cpi unem g se5 ln 各变量的描述性统计（统计分析） ●gen lag_y=L.y /////// 产生一个滞后一期的新变量 gen F_y=F.y /////// 产生一个超前项的新变量 gen D_y=D.y /////// 产生一个一阶差分的新变量 gen D2_y=D2.y /////// 产生一个二阶差分的新变量

（二）模型的筛选和检验

●1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型） ●xtreg sq cpi unem g se5 ln,fe

对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。在我们这个例子中发现F统计量的概率为0.0000，检验结果表明固定效应模型优于混合OLS模型。

●2、

STATA 面板数据模型估计命令一览表

一、静态面板数据的STATA处理命令

（一）数据处理

输入数据

●tsset code year 该命令是将数据定义为“面板”形式 ●xtdes 该命令是了解面板数据结构

●summarize sq cpi unem g se5 ln 各变量的描述性统计（统计分析） ●gen lag_y=L.y /////// 产生一个滞后一期的新变量 gen F_y=F.y /////// 产生一个超前项的新变量 gen D_y=D.y /////// 产生一个一阶差分的新变量 gen D2_y=D2.y /////// 产生一个二阶差分的新变量

（二）模型的筛选和检验

●1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型） ●xtreg sq cpi unem g se5 ln,fe

对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。在我们这个例子中发现F统计量的概率为0.0000，检验结果表明固定效应模型优于混合OLS模型。

●2、

STATA 面板数据模型估计命令一览表

一、静态面板数据的STATA处理命令

y???xitiit???it 固定效应模型

y?xitit???it

itit?????it 随机效应模型

（一）数据处理

输入数据

●tsset code year 该命令是将数据定义为“面板”形式 ●xtdes 该命令是了解面板数据结构

●summarize sq cpi unem g se5 ln 各变量的描述性统计（统计分析）

●gen lag_y=L.y /////// 产生一个滞后一期的新变量

gen F_y=F.y /////// 产生一个超前项的新变量 gen D_y=D.y /////// 产生一个一阶差分的新变量 gen D2_y=D2.y /////// 产生一个二阶差分的新变量

（二）模型的筛选和检验

●1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型） ●xtreg sq cpi unem g se5 ln,fe

数据的描述

（一） 频数分布 tabulate a

tabulate a,missing(或者m) 将缺失值与其它数值同样对待，即显示缺失值的频数分布 tabulate a,nofreq 不输出频数

tabulate a,nolabel 不展示变量标签

tabulate a,plot 生成变量a的频数分布，同时生成一个简单的分布图形 by urban,sort:tabulate girl

tabulate age,nolabel missing plot

tab 后面最多两个变量

tab1 可接多个变量，但只能分别生成单个变量的频数分布 tab2 a b c 生成a与b，b与c，a和c的交叉频数表

tab girl enroll,chi2 column row miss nokey 两个变量的卡方（验证是否关联）；列变量百分比，行变量百分比，缺失变量百分比，压缩单元格内容的提示

（二） 变量的中央趋势与离散趋势 sum

sum age,detail

sort urban

by urban:sum height

（三） 其他方法

1. 使用table命令描述数据

Table urban,contents(mean height

Stata语句1 1.reg y x1 x2 predict xxx predict newvar, stdp predict aaa，re predict newvar, stdr predict newvar, xb 量的预测值。

predict newvar, residual test x1

值为回归报告中t值平方。test x1=x2 test x1*a=x2*b 系。

2.tab x1,gen(x1) gen fsize1=fize==1 则为零。下同。 gen fsize2=fsize==2 gen fsize3=fsize==3 gen fsize4=fsize==4 gen fsize5=fsize>=5 3.reg y x1 x2 x3,level(99) 返回先前回归中因变量的拟合值，xxx随意变量名。 预测拟合值的标准差

返回先前回归中因变量的残差， aaa为随意变量名。 预测残差的标准差

产生一个新变量其值为由上面回归方程计算的被解释变

产生一个新变量其值为由上面回归方程计算出的残差 检验

Stata 命令合集

一、简单操作 ①

Cd bak 定义根目录

Set memory 50m 设置软件使用内存

②编辑复制数据

Data——Data Editor——Data Editor（Edit） 一般选择第2个： Treat first row as variable names encode province,gen(id) 把字符转化成数值 ③打开已经保存的文件 clear

use mg mg表示文件名

④xtset 定义面板数据 （tsset定义时间序列数据） xtset province year

⑤统计量信息（原始数据的统计性描述） Sum ⑥取对数

单个变量：gen lnc=ln(c) gen lny=ln(y) gen lnmg=ln(mg) 所有变量：foreach v of varlist c-mg {

gen ln`v’=ln(`v’) 注意不是左边的`不是单引号 } c-mg为所有变量 ⑦单位根检验 xtunitroot llc lnc

(lnc为变量名称，llc为单位根检验方法) 一阶差分：gen dlnc=d.lnc ⑧相关系