Stochastic Frontier Analysis
การวัดประสิทธิภาพทางเทคนิคด้วยวิธีการ Stochastic Frontier Analysis เป็นวิธีการที่เรียกว่า Error components model เป็นการประมาณค่าเส้นพรมแดนการผลิตโดยใช้กำหนดการเชิงเส้น ประมาณค่าสมการพรมแดนการผลิตด้วยวิธี Maximum Likelihood Estimation นำเสนอโดย Aigner, Lovel and Schmidt (1977) และ Meeusen and Van den Broeck (1977) ในปี ค.ศ. 1977 ต่อมาได้มีการพัฒนาและเสนอการประยุกต์ใช้แบบจำลองเส้นพรมแดนเชิงเฟ้นสุ่มอย่างต่อเนื่อง มีทั้งการพัฒนาแบบจำลอง และการนำแบบจำลองมาประยุกต์ใช้ในด้านต่างๆ
การเตรียมข้อมูลสำหรับนำเข้าโปรแกรม R ด้วยไฟล์ seed.csv ประกอบด้วยตัวแปร ดังนี้คือ
Y = ปริมาณผลผลิตเมล็ดพันธุ์ข้าวเฉลี่ยต่อไร่ หน่วยเป็นกิโลกรัมต่อไร่
X1 = ปริมาณการใช้เมล็ดพันธุ์ หน่วยเป็นกิโลกรัมต่อไร่
X2 = แรงงาน หน่วยเป็นวันงานต่อไร่
X3 = ปริมาณการใช้ปุ๋ยเคมี หน่วยเป็นกิโลกรัมต่อไร่
X4 = ปริมาณการใช้สารเคมีป้องกันกำจัดศัตรูพืช หน่วยเป็นลิตรต่อไร่
D1 = ตัวแปรหุ่นชนิดพันธุ์ข้าว : 1 คือพันธุ์ปทุมธานี 1, 0 คือพันธุ์อื่น ๆ
D2 = ตัวแปรหุ่นวิธีการปลูก : 1 คือปักดำ, 0 คือวิธีอื่น ๆ
seed.csv
Load Packages
library(micEcon)
library(zoo)
library(frontier)
library(lmtest)
library(car)
- ●นำเข้าข้อมูลจากไฟล์ seed.csv เข้าสู่โปรแกรม R
seed <- read.csv("~/seed.csv", header = TRUE)
- ●Take Log ตัวแปร Y X1 X2 X3 X4
seed$lny <- log(seed$Y)
seed$lnx1 <- log(seed$X1)
seed$lnx2 <- log(seed$X2)
seed$lnx3 <- log(seed$X3)
seed$lnx4 <- log(seed$X4)
- ●กำหนดรูปแบบในการวิเคราะห์ โดยใช้ Cobb-Douglas Model
ตัวแปรการผลิตเมล็ดพันธุ์ข้าว
sfaResult <- sfa(lny ~ lnx1 + lnx2 + lnx3 + lnx4 + D1 + D2 ,ineffDecrease = TRUE,data = seed)
summary(sfaResult)
lrtest(sfaResult)
ผลการประมาณค่าปัจจัยที่ส่งผลต่อประสิทธิภาพการผลิต
- ●เก็บผลการคำนวณประสิทธิภาพทางเทคนิคในชื่อตัวแปร Teff_COB
seed$Teff_COB <- efficiencies(sfaResult,asInData = TRUE)
- ●เก็บผลการคำนวณค่า fitted (ค่าพยากรณ์) ในชื่อตัวแปร Ypre_COB
seed$Ypre_COB <- fitted(sfaResult)
- ●เก็บผลการคำนวณค่า Residual ในชื่อตัวแปร Resi_COB
seed$Resi_COB <- residuals(sfaResult,asInData = TRUE)
- ●การหาค่าความไม่มีประสิทธิภาพ (Inefficiency) และเก็บผลการคำนวณในชื่อตัวแปร Ti_COB
COBgamma <- unname(coef(sfaResult)["gamma"])
COBsigmaSq <- unname(coef(sfaResult)["sigmaSq"])
COBsigma <- COBsigmaSq^0.5
COBsigmaSqU <- COBgamma * COBsigmaSq
COBsigmaU <- COBsigmaSqU^0.5
COBsigmaSqV <- COBsigmaSq * (1 - COBgamma)
COBsigmaV <- COBsigmaSqV^0.5
COBlambdaSq <- COBsigmaSqU / COBsigmaSqV
COBlambda <- COBsigmaU / COBsigmaV
COBee <- with(seed,(Resi_COB*COBlambda)/COBsigma) COBte <- -((COBsigma*COBlambda)/(1+(COBlambda^2)))*(((dnorm(COBee)) /(1-(pnorm(COBee))))-COBee)
seed$Ti_COB <- COBte*(-1)
- ●แสดงผลการคำนวณ
Data <- seed[, c("Ypre_COB", "Resi_COB", "Ti_COB", "Teff_COB")]
Data
ผลการคำนวณ
Ypre_COB = ค่าพยากรณ์ (fitted)
Resi_COB = ค่าส่วนเหลือ (residual)
Ti_COB = ค่าความไม่มีประสิทธิภาพ (technical inefficiency)
Teff_COB = ค่าประสิทธิภาพ (technical efficiency)
ต้องการข้อมูลหรือสคริปต์ไฟล์
share link
- 3
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
