Halaman 1

Model Parametrik Stochastic Frontier: Teori

Dan Aplikasi
Bagian I: Model Data Cross-Sectional
Hung-Jen Wang
Universitas Nasional Taiwan
Wangh@ntu.edu.tw
Universitas Airlangga
April 2017
HJ Wang
2017 AU

Halaman 2
Konten
Model stochastic frontier produksi (cross-section)
Aplikasi model stochastic frontier
Produksi stochastic frontier model: panel data
Model stochastic frontier biaya
Topik terpilih lainnya
HJ Wang
2017 AU

Halaman 3
Produktivitas, Teknologi, dan (Teknis) Efisiensi
1
Produktivitas: Kemampuan dalam mengubah input menjadi output.
1
Sering diukur dengan rasio output terhadap input per unit
2
Ukuran penting kinerja pada perusahaan, negara, dan lain-lain,
3
Kadang disebut sebagai "efisiensi" perusahaan (negara,
...)
4
Produktivitas = f (teknologi, efisiensi teknis)
2
(Produksi) teknologi: Cara input dikonversi menjadi
Output.
1
Diwakili oleh fungsi produksi: y = F (X; )
2
R & D itu penting
3
(Teknis): sejauh mana yang diberikan
Teknologi produksi dimanfaatkan dalam produksi.
1
Sering diukur dengan rasio output aktual terhadap potensi
keluaran
2
Mungkin tergantung pada manajemen, pelatihan, skema pengaturan,
Skema insentif, dll.
3
Topik kursus ini
HJ Wang
2017 AU

Halaman 4
Mengapa saya harus mempelajari model efisiensi teknis?
1
Ini penting untuk memahami produktivitas.
1
Fakta negara berkembang
2
Kebijakan pemerintah
2
Alat ekonometri yang berguna untuk produk non-produksi lainnya
penelitian.
1
Cari biaya upah; Kendala pembiayaan investasi;
Disekuilibrium pasar kredit; pertumbuhan ekonomi.
HJ Wang
2017 AU

Halaman 5
Dasar-dasar
1
Teori produksi standar: Rata-rata, produsen menggunakan
Mengingat teknologi produksi dengan efisiensi (penuh) sama.
2
Hipotesis produksi frontier stokastik: produsen yang berbeda
Dapat menggunakan teknologi produksi pada tingkat efisiensi yang berbeda.
Faktor-faktor seperti manajemen, pengalaman, dan sebagainya, dapat menyebabkan
inefisiensi sistematis dalam perilaku produksi.
3
Dua jenis inefisiensi:
1
Inefisiensi teknis: gagal mencapai output potensial
Diberikan masukan;
2
Inefisiensi alokasi: gagal menggunakan campuran masukan yang optimal untuk
Diberi harga input
HJ Wang
2017 AU

Halaman 6
Perkiraan inefisiensi dari mana?
1
Dari perkiraan fungsi produksi:
1
Eksogen: input (X), endogen: output (Y);
2
Dapat memperkirakan kerugian output akibat inefisiensi teknis
(mudah);
2
Dari perkiraan fungsi biaya:
1
Eksogen: Y dan harga input (W); Endogen: X;
2
Dapat memperkirakan kenaikan biaya karena inefisiensi teknis
(Mudah), inefisiensi alokatif (sulit), atau keduanya (sangat sulit).
3
Dari estimasi fungsi laba:
1
Eksogen: harga input (W) dan harga output (P);
Endogen: Y dan X;
2
Dapat memperkirakan keuntungan terdahulu karena inefisiensi teknis
(Mudah), inefisiensi alokatif (sulit), atau keduanya (sangat sulit).
HJ Wang
2017 AU

Halaman 7
Fungsi Produksi: Pendahuluan I
1
Sebuah representasi matematis dari teknologi itu
Mengubah input menjadi output (s). Ini menentukan kuantitatif
Hubungan antara input dan output maksimum yang mungkin
Untuk teknologi tertentu.
y = f (x 1, x 2, ..., x n) f (x),
(1)
Dimana f (.) Menentukan teknologi yang mengatur input-output
hubungan.
2
Kondisi keteraturan:
1. f (x) adalah terbatas, non-negatif, bernilai real dan bernilai tunggal untuk
semua x non-negatif dan terbatas.
2. f (0) = 0 artinya tidak ada input berarti tidak ada output.
3. f (x) f (x) untuk x x (monotonicity).
4. f (x) kontinu dan dua kali terdiferensialkan di mana-mana.
5. Persyaratan masukan set V (y) = {x | f (x) y} adalah cembung
set, yang berarti kuasi-cekung dari f (x).
HJ Wang
2017 AU

Halaman 8
Fungsi Produksi: Pendahuluan II
6. set V (y) ditutup dan non-kosong untuk setiap y> 0.
3
Homogenitas: Suatu fungsi produksi bersifat homogen jika
y y = f (x 1, x 2, ..., x n).
(2)
1
Fungsi di atas adalah homogen derajat .
2
Jika = 1: hasil konstan terhadap skala; Homogenitas linier Jika
> (<) 1: meningkat (menurun) kembali ke skala.
4
Kembali ke Skala (RTS): RTS = lnf (x) / ln | = 1. Ini
Dapat juga dinyatakan sebagai jumlah elastisitas input, yaitu,
RTS =

saya
i (x),
(3)
mana i (x) =
lny
lnx i
.
1
Perhatikan bahwa RTS tidak bergantung pada x jika fungsinya
homogen.
HJ Wang
2017 AU

Halaman 9
Contoh Grafis: Dua Masukan
y * = f (x 1, x 2; ) menggambarkan permukaan dari jagung produksi;
0
)
(
2
1,
Xxf
y
1
X
2
X
Y
1
Bagaimana dengan poin "di dalam" jagung?
HJ Wang
2017 AU

Halaman 10
Sebuah Contoh Grafis: Dua Input (diberikan x 2)
HJ Wang
2017 AU

Halaman 11
1
Klasik: kegiatan produksi berlangsung di "permukaan"
Jagung produksi (gambar 1) atau pada garis produksi
Kurva kemungkinan (fig2);
2
Stochastic production frontier: kegiatan produksi mungkin juga
Terjadi di dalam jagung atau di bawah kemungkinan produksi
perbatasan. Artinya, mungkin ada yang sistematis
Inefisiensi teknis yang menyebabkan output aktual turun di bawah ini
Kemungkinan maksimal.
HJ Wang
2017 AU

Halaman 12
Dua Cara untuk Mencirikan Inefisiensi Teknis
1
Terlalu banyak masukan yang digunakan Mengingat y b, x 1
1 terlalu tinggi. Jika
sepenuhnya efisien, hanya perlu x 2
1 <x 1
1. = input-oriented (IO)
Ukuran inefisiensi teknis.
2
Output Terlalu Sedikit Diproduksi! Gunakan x 1
1 tetapi hanya mendapatkan y b! Jika
sepenuhnya efisien, harus mendapatkan y B> y b. = output oriented (OO)
Ukuran inefisiensi teknis.
HJ Wang
2017 AU

Halaman 13
Bagaimana Model IO inefisiensi teknis?
1
IO inefisiensi: "Gunakan terlalu banyak untuk menghasilkan keluaran tertentu."
1
Untuk y = 10, Anda menggunakan x = 8. Jika benar-benar efisien, hanya perlu x = 6;
yaitu, y * = f (x) 10 = f (6).
2
Namun, x = 8 adalah kuantitas yang diamati (bukan x = 6). Bagaimana caranya
Cocok x = 8 ke dalam persamaan? 10 = f (8 * 0.75)!
2
Lebih umum, y * = f (~x e -), 0.
1
Catatan: 0 <e <1 jika <0; e = 1 jika = 0; e > 1 jika q> 0.
2
Oleh karena itu, 0 <e - 1 diberikan 0.
3
Jadi, e - ( 0) adalah seperti diskon faktor. Ini diskon
Tingkat input yang tidak efisien ke tingkat yang efisien.
3
~ X: "mengamati" masukan "tidak efisien" (terlalu banyak);
4
~xe - (<x): Tingkat masukan yang efisien;
5
: persentase dimana input dapat dikurangi sementara
Mempertahankan tingkat output yang sama
6
F (.): Fungsi produksi standar (klasik);
HJ Wang
2017 AU

Halaman 14
Bagaimana model inefisiensi teknis OO
1
OO inefisiensi: "Menghasilkan terlalu sedikit output untuk input yang diberikan."
1
Anda menggunakan x = 8 dan hanya menghasilkan y = 10. Jika benar-benar efisien, Anda
dapat menghasilkan y * = 11; yaitu, y * = f (x) 11 = f (8).
2
Namun, y = 10 adalah kuantitas yang diamati (bukan y = 11). Bagaimana
Untuk menyesuaikan y = 10 ke dalam persamaan? 10 = f (8) * (10/11)!
2
Lebih umum, y = y * e-u, di mana u 0
1
y * = f (x; ) (fungsi produksi standar);
2
0 <e-u 1 adalah untuk diskon output yang optimal dengan
Output tidak efisien
3
karena itu,
y = y * e-u = f (x; ) e-u, u 0,
(4)
(atau, ye u = f (x; );)
(5)
Jika efisien, input yang sama menghasilkan lebih banyak daripada yang diamati
keluaran. kamu u> y.
HJ Wang
2017 AU

Halaman 15
Mana yang akan digunakan? IO atau OO? saya
1
Demi kesederhanaan komputasi, OO teknis
inefisiensi sering dipilih lebih IO untuk fungsi produksi.
(Untuk fungsi biaya, justru sebaliknya: IO lebih mudah bekerja
dengan.)
2
Pertimbangkan fungsi produksi CD dua masukan;
homogen, yaitu, y = f (x)):
1
Dengan teknologi OO. Ineff .:
y = (Ax a
1xb
2) e-u,
(6)
= ln y = ln A + a ln x 1 + b ln x 2 - u.
(7)
2
Dengan teknologi IO. Ineff .:
y = (A (x 1 e -) (x 2 e -) b),
(8)
= ln y = ln A + a ln x 1 + b ln x 2 - (a + b) .
(8)
HJ Wang
2017 AU

Halaman 16
Mana yang akan digunakan? IO atau OO? II
3
Perhatikan, a + b juga merupakan hasil dari skala produksi ini
fungsi.
3
Pertimbangkan fungsi produksi translog (tidak homogen):
LNY = 0 +

J
j lnx j +
1
2

K
jk lnx j lnx k, jk = kj.
(10)
Fungsinya tidak homogen kecuali
K
jk = 0 j.
1
Dengan teknologi OO. Ineff .: Cukup tambahkan -u pada persamaan di atas.
HJ Wang
2017 AU

Halaman 17
Mana yang akan digunakan? IO atau OO? AKU AKU AKU
2
Dengan teknologi IO. Ineff .:
ln y = 0 +

J
 j ln x j +
1
2

K
jk ln x j ln x k
-

J
j+

J
(

K
jk ln x k
)
+
1
2
2
J

K
jk .

(11)
Jika fungsi produksi bersifat homogen,

J
jk = 0 k,
(12)
kemudian
ln y = 0 +

J
j ln x j -
J
j,
(13)
HJ Wang
2017 AU

Halaman 18
Mana yang akan digunakan? IO atau OO? IV
4
Perhatikan bahwa inefisiensi teknis OO netral karena konstruksi:
Dampak inefisiensi terhadap output tidak bergantung pada
Tingkat jumlah input dan output.
5
Sebaliknya, spesifikasi inefisiensi teknis IO adalah
Tidak harus netral - hanya netral jika produksi
Fungsinya homogen
6
Bahkan jika modelnya memiliki inefisiensi teknologi OO (netral oleh
Konstruksi) atau IO dengan homogenitas (juga netral), kita bisa
Tetap membuat inefisiensi tidak netral. Secara ekonometrik, ini
Dapat dicapai dengan membuat u atau fungsi input
Jumlah.
HJ Wang
2017 AU

Halaman 19
OO teknis inefisiensi fungsi produksi: lebih
rapat
y = f (x) e-u = y * e-u, u 0; e-u = y / y *; U = ln (y / y *) sehingga
u = ln (y * / y) = ln (1 + y / y) y / y.
HJ Wang
2017 AU

Halaman 20
Ukuran Efisiensi (In)
1
Indeks efisiensi:
Y = f (x) e
-u
=Y
*
E
-u
, U 0; = e
-u
=Y/y
*
;
sehingga e-u mengukur persen dari output potensial sebenarnya
Dicapai; Ukuran efisiensi teknis;
2
Indeks inefisiensi;
U = ln (y / y *
),
U = ln (y
*
/ Y) = ln (1 + y / y) y / y;
Jadi u mengukur persen dari kehilangan output (bila dikalikan dengan
100) karena inefisiensi teknis.
HJ Wang
2017 AU

Halaman 21
Sebelum Kita Menaksir .....
1
Pertanyaan penting: Apakah sampel memiliki produksi yang sama
teknologi?
1
Inefisiensi diukur sebagai jarak antara
Output aktual dan output optimal.
2
Output optimal diukur kondisional pada produksi
teknologi. Diasumsikan bahwa teknologi produksi adalah
Sama untuk semua individu.
3
Jika mereka tidak berbagi teknologi yang sama, perkiraan
Inefisiensi itu menyesatkan.
2
Contoh buruk: penyatuan data bank India dan AS; Penyatuan
Data perusahaan dari industri yang sangat berbeda.
HJ Wang
2017 AU

Halaman 22
Tujuan Estimasi Stochastic Frontier
1
Memperkirakan teknologi produksi (yaitu, koefisien );
2
Mengerti apakah inefisiensi adalah fenomena serius di
sampel (yaitu, E (u i) atau E (e-u
i));

3
Mengerti apa yang menyebabkan inefisiensi (yaitu, apa yang menentukan
u i);
4
membandingkan tingkat efisiensi di seluruh produsen (yaitu, E (u i) vs
E (u j));
5
Membuat peringkat efisiensi antar produsen.
HJ Wang
2017 AU

Halaman 23
Metode Estimasi (OO; froniter produksi)
1
Dua gol:
1
Mendapatkan perkiraan parameter yang konsisten (),
2
Dapatkan indeks spesifik pengamatan (in).
y i = f (x i; ) e-u ln y i = ln f (x i; ) - u i;
i,
(14)
2
Bagaimana menangani u i?
1
Pendekatan bebas distribusi:
2
COLS (OLS yang telah diperbaiki);
3
Pendekatan tapal batas tebal; (Akan melompat)
4
Pendekatan parametrik (berdasarkan asumsi distribusi).
5
Setengah normal, dipotong normal, dll;
HJ Wang
2017 AU

Halaman 24
Pendekatan bebas distribusi: COLS
1
Tidak memerlukan asumsi (ketat) distribusi pada u i.
HJ Wang
2017 AU

Halaman 25
1
Perkirakan model OLS, lalu geser interceptnya
Ke atas untuk mengikat semua pengamatan dari atas.
1
mendapatkan residual OLS: i = ln y i - [ 0 + x i ].
2
Inefisiensi teknis adalah
*
i {[ 0 + max { i}
]
+ ~ X i }
}
{{
}
Perkiraan fungsi frontier
- ln y i
= {[ 0 + max { i}
]
+ ~ X i } - ( i + [ 0 + x i ])
= Max { i} - i 0.
HJ Wang
2017 AU

Halaman 26
Komentar untuk COLS
1
keuntungan:
1
Mudah diperkirakan;
2
Kerugiannya:
1
COLS adalah regresi bergeser rata-rata = perbedaan antara
Produsen frontier yang efisien dan produsen rata-rata hanya mempengaruhi
Koefisien intercept but not slope;
2
Fungsi frontier deterministik = (1) keacakan
Model ini seluruhnya berasal dari variasi inefisiensi; (2)
Penyimpangan dari perkiraan perbatasan sepenuhnya dikaitkan dengan
ketidakefisienan; (3) perkiraan inefisiensi akan sensitif terhadap
Outlier
HJ Wang
2017 AU

Halaman 27
Pendekatan Parametrik: Setup
LNY i = lnf (x i; ) + v i - u i, di mana v i adalah-mean nol sisa,
(15)
1
lnf (x i; ) + v i mendefinisikan stochastic frontier;
2
memaksakan asumsi distribusi pada v i dan u i,
1
Menurunkan fungsi log-likelihood dan mendapatkan perkiraan dari
Koefisien oleh MLE; Atau, estimator MoM;
2
Dapatkan ukuran spesifik pengamatan inefisiensi teknis
(rumit!).
HJ Wang
2017 AU

Halaman 28
Pendekatan Parametrik: u adalah Half-Normal
LNY i = LNY
*
i - u i,
(16)
Lny
*
i = x i + v i, (efisien stochastic frontier),
(17)
u i ~N + (0, 2),
v i ~ N (0, 2
v),
(18)
Atau
LNY i = x i + i; i = v i - u i,
(19)
HJ Wang
2017 AU

Halaman 29
(Setengah normal :) Density Plot
0
.5
1
0
.5
1
1.5
2
2.5
3
= .5
=1
=2
=5
2

saya
Kamu
HJ Wang
2017 AU

Halaman 30
(Setengah normal :) Fungsi Log-Likelihood
L i = -ln (0,5) -
1
2
ln ( 2
v + 2) + ln
(
i
2
v+2
)
+ Ln
( * i
*
)
,
(20)
dimana
*i =
- 2 i
2
v+2
,
(21)
2
*=
2
v2
2
v+2
.
(22)
HJ Wang
2017 AU

Halaman 31
(Setengah normal :) Observasi-Ukuran Tertentu dari
(Dalam) Indeks efisiensi I
1
Kebutuhan: E (u i) (= y / y) dan / atau E (exp (u i)) (= y / y *).
2
Cara mendapatkan indeks observasi-dari u ~ N + (0, 2)?
3
Jondrow dkk. (1982) diusulkan menggunakan harapan bersyarat:
1
E (u i | i) = E (u i | y i - X i ),
E (u i | i) =
* ( *i

( *i

) + * i.
(23)
2
batas bawah (L i) dan batas atas (U i) dari
(1 - ) interval kepercayaan 100%:
L i = * i + -1
{
1-
(
1-

2
)[
1-
(
-
*i
*
)]}
*, (24)
U i = * i + -1
{
1-

2
"
1-
(
-
*i
*
)]}
*,
(25)
HJ Wang
2017 AU

Halaman 32
(Setengah normal :) Observasi-Ukuran Tertentu dari
(Dalam) efisiensi Indeks II
4
Battese dan Coelli (1988) mengikutinya:
E [exp (u i) | i] = exp
(
- * i +
1
2
2
*
)
( *i

-*
)

( *i

). (26)
1
Interval Keyakinan:
L i = exp (-U i),
(27)
U i = exp (-L i).
(28)
HJ Wang
2017 AU

Page 33
(Setengah normal :) faktor penentu eksogen
1
dua-langkah pendekatan: Setelah mendapatkan E (u i | i), menjalankan Logit sebuah
regresi E (u i | i) pada penentu eksogen z i. Tapi ini
Pendekatan memiliki masalah serius:
1
asumsi iid dari u i dilanggar;
2
Wang dan Schmidt (2002) menunjukkan bahwa bias itu signifikan.
2
Pendekatan satu langkah: (Ford et al 1993)
u ~ N + (0, 2 = g (Z i delta)) N + (0, exp (Z i delta))
1
Hati-hati dengan interpretasi: bukan efek marjinal,
Meski tandanya sama dengan tanda efek marjinal.
2
Jadi, model ini mengasumsikan Z saya hanya mempengaruhi varians
ketidakefisienan"? Tidak! 2 adalah varians dari pra-truncating
Distribusi u Setelah pemotongan, E (u) = q ( 2) dan
V (u) = h ( 2).
HJ Wang
2017 AU

Page 34
(setengah normal :) menguji kesalahan satu sisi (u i)
1
Sejak u i ~ N + (0, 2), itu dilakukan untuk menguji H 0: 2 = 0. Sebuah LR
uji statistik -2 [L (H 0) - L (H 1)] disarankan, di mana
L (H 0) dan L (H 1) adalah log-kemungkinan nilai-nilai dibatasi
Model (OLS) dan model tak terbatas (SF).
2
Masalah: null ( 2 = 0) adalah pada batas u i 's
Dukungan, dan distribusi biasa tidak berlaku.
3
Lee (1993) dan Coelli (1995) menunjukkan bahwa statistik LR memiliki
Distribusi chi-kuadrat campuran, dengan nilai kritis yang diberikan di
Kodde dan Palm (1986).
HJ Wang
2017 AU

Page 35
Komentar pada Model Setengah Normal
1
Keuntungan:
1
Lebih mudah untuk memperkirakan (hanya memiliki satu parameter dalam distribusi u);
2
Kekurangan:
1
Tidak fleksibel karena hanya memiliki satu parameter untuk mengkarakterisasi
distribusi;
2
Mode berada pada 0 (tingkat efisiensi penuh).
HJ Wang
2017 AU

Page 36
(Setengah normal :) Catatan 1
1
Sebelum perkiraan, selalu ada baiknya untuk memeriksa
Kemiringan residu OLS model yang sesuai.
2
(Schmidt dan Lin, 1984) untuk stochastic production frontier
Model, residu OLS harus miring ke kiri (yaitu,
skewness negatif) (recall v i - u i).
3

b1=
m3
m2

m2
,
(29)
m 2 dan m 3: kedua dan sampel ketiga saat-saat yang
Residu OLS
HJ Wang
2017 AU

halaman 37
(Setengah normal :) Catatan 2
1
Statistik yang sering dilaporkan namun terkadang salah digunakan:
=
2
2+2
V
.
(30)
2
Untuk model setengah normal, bisa digunakan untuk menguji
signifikansi dari istilah u i. (Tapi seharusnya tidak digunakan untuk
Terpotong model normal; kemudian.)
3
Hal ini sering ditafsirkan sebagai bagian varians model yang akan datang
Dari inefisiensi Ini salah, karena
var (u) = (1 - 2 / ) 2 = 2.
HJ Wang
2017 AU

Halaman 38
Pendekatan Parametrik: u terpotong Normal
LNY i = x i + i,
(31)
i = v i - u i,
(32)
u i ~ N + (, 2),
(33)
v i ~ N (0, 2
v).
(34)
1
Bentuk fungsionalnya lebih fleksibel daripada yang setengah normal
distribusi.
2
Modus distribusi belum tentu 0.
HJ Wang
2017 AU

Halaman 39
(Terpotong normal :) Density Plot
0
.2
.4
.6
0
1
2
3
4
= .5, = 1
= 1, = 1
= .5, = 2
2

saya
Kamu
Gambar: Kepadatan Plot Terpotong-Normal Distribusi
HJ Wang
2017 AU

Halaman 40
(Terpotong normal :) fungsi log-likelihood
Li=-
1
2
ln ( 2
v + 2) + ln
(
+i
2
v+2
)
+ Ln
( * i
*
)
-ln
(

)
,
dimana
*i =
2
v-2i
2
v+2
,
2
*=
2
v2
2
v+2
.
HJ Wang
2017 AU

Halaman 41
(Terpotong normal :) Statistik
E (u i | i) =
*(
*i

( *i
 *

) + * i,
E [exp (u i) | i] = exp
(
- * i +
1
2
2
*
)
( *i

-*
)

( *i

),
HJ Wang
2017 AU

Halaman 42
(Dipotong normal :) Faktor Penentu Eksogen
1
Mengingat u 1 ~ N + (, 2), bagaimana menjelaskan eksogen yang
Faktor penentu inefisiensi?
2
Battese dan Coelli (1995): membuat fungsi dari Z: = Z i delta
3
Pertanyaan: Mengapa Z i masuk melalui tapi tidak 2 (Wang, 2002)?
HJ Wang
2017 AU

Halaman 43
(Terpotong normal :) Soal 1: Tidak mencukupi
Parameterisasi
Saat-saat u adalah fungsi dari kedua dan 2.
E (u) = f (, ) = +
"
(

)
(

)
]
,
V (u) = g (, ) = 2

1 -

"
(

)
(

)
]
-
"
(

)
(

)
]2
.
1
Tidak ada pembenaran teoritis mengapa faktor eksogen z itu
Mempengaruhi momen u melalui tapi tidak .
HJ Wang
2017 AU

Halaman 44
(Terpotong normal :) Soal 2: Efficiency Effects Are
Seharusnya Monoton
1
Jika hanya adalah parameter, hubungan antara E (u) dan
unsur z itu dipaksa untuk menjadi monoton.
2
Banyak hubungan ekonomi, bagaimanapun, cenderung terjadi
Tidak monoton Misalnya, tarif pajak penghasilan dan
Pendapatan pemerintah; Tingkat upah dan pasokan tenaga kerja; Usia
Dan efisiensi tenaga kerja; Rasio keuangan (debt-asset ratio,
Rasio pendapatan bunga) dan kinerja perusahaan.
3
Untuk meringkas: Ketika z itu hanya diperbolehkan di , eksogen yang
Faktor 'efek pada Anda mungkin tidak sepenuhnya dipertanggungjawabkan, dan mereka
Kemampuan untuk menjelaskan model dikompromikan dan dibatasi.
HJ Wang
2017 AU
 Halaman 45
(Terpotong normal :) Perbaikannya
1
Membuat model yang lebih fleksibel dengan memungkinkan z untuk mempengaruhi u
melalui kedua dan 2 (Wang 2002).
= Z i delta, 2 = exp (Z i y)
(35)
2
Fleksibilitas tambahan ini memiliki manfaat akomodatif
efek efisiensi non-monoton dari z pada E (u).
3
Efek marginal dari elemen k dari z adalah:
E (u i t)
z [k]
= [k]

1 -

"
(

)
(

)
]
-
"
(

)
(

)
]2

+
[k]
2

(
+

)
"
(

)
(

)
]
+
"
(

)
(

)
]2
.
HJ Wang
2017 AU

Halaman 46
(Dipotong normal :) Contoh Empiris
Data
Keluaran dan masukan petani padi India.
Panel tidak seimbang dari 34 petani, dengan jumlah keseluruhan
Pengamatan sama dengan 271.
Variabel
Sama seperti Battese dan Coelli (1995) dan Coelli
Dan Battese (1996).
y i t: ln (Y i t);
x i t: {ln (Tanah i t), ln (PILand i t), ln (Buruh i t), ln (Bullock i t),
ln [Max (Cost i t, 1 - D i t)], Tahun t};
z i t: {Umur i t, Sekolah i t, Tahun t},
HJ Wang
2017 AU

Halaman 47
(Terpotong normal :) Efek Marjinal Umur pada Inefisiensi
E (u itu)
Gambar: (i): Battese dan Coelli (1995); (Ii): Wang (2002)
HJ Wang
2017 AU

Halaman 48
(Terpotong normal :) Catatan 1
1
Ingat statistik istic:
=
2
2+2
V
.
(36)
2
Apakah 2 ukuran yang baik dari varians dari u i?
3
u i ~ N + (, 2), sehingga var (u i) adalah fungsi dari kedua dan 2.
4
Penafsiran 2 sebagai varian dari u i tidak benar. Itu
Perkiraan tidak ada artinya untuk model normal terpotong.
HJ Wang
2017 AU

Halaman 49
Asumsi distribusi lainnya
1
Distribusi eksponensial:
1
Hanya memiliki 1 parameter, mudah untuk memperkirakan, sangat mirip dengan
Distribusi setengah normal.
2
Distribusi gamma (Greene):
1
Sulit diperkirakan (permukaan kemungkinan datar).
HJ Wang
2017 AU

Halaman 50
Model Properti Penskalaan (Wang dan Schmidt 2002) I
1
Sebuah varian dari model normal terpotong.
2
u i ~ h (Z i, ) u *:
1
u * 0: distribusi dasar, umum untuk semua observasi dan
tidak tergantung pada Z i. Ini bisa mengambil bentuk fungsional apapun (seperti
Terpotong normal)
2
h (Z i, ) 0: meningkatkan fungsi. Misalnya, h () = exp (Z i delta)
3
Model ini menunjukkan bahwa variabel acak u i mengikuti
distribusi umum u *, tetapi masing-masing dibobot dengan yang berbeda,
Skala observasi khusus h ().
4
Bentuk distribusi u i adalah sama untuk semua perusahaan.
Fungsi penskalaan h () pada dasarnya membentang atau menyusut
sumbu horisontal, sehingga skala distribusi u i
Perubahan tapi bentuk dasarnya tidak.
5
Mean dan varians dari u i dipengaruhi oleh Z i di
arah yang sama.
HJ Wang
2017 AU

Halaman 51
Scaling Property Model (Wang dan Schmidt 2002) II
6
Keuntungan lain dari distribusi ini:
Lnu i
z [k]
= [k]
(37)
Jadi, koefisiennya memiliki interpretasi intuitif (efeknya
Pada tingkat perubahan inefisiensi).
HJ Wang
2017 AU

Halaman 52
Metode Estimasi Dua Langkah vs. Satu Langkah Estimasi (Wang dan
Schmidt 2002)
1
Pendekatan dua langkah:
1
Langkah 1: Perkirakan model y i = f (x i; ) + v i - u i
dengan asumsi u i adalah iid.
2
Gunakan diperkirakan parameter untuk menghitung E (u i | i).
3
Langkah 2: Jalankan regresi Logit E (u i | i) pada eksogen
penentu z i.
2
Soal: asumsi iid dari u i pada langkah 1 adalah
Tidak konsisten dengan regresi pada langkah kedua.
1
Jika x dan z berkorelasi, bias. Arah bias
Tergantung pada efek z pada u dan juga tanda dari
Korelasi antara z dan x.
2
Langkah efisiensi teknis langkah pertama mungkin terjadi
Serius underdispersed, sehingga hasil dari langkah kedua
Regresi cenderung bias ke bawah.
HJ Wang
2017 AU
 Halaman 53
Simulasi (Wang dan Schmidt 2002)
y i = x i + v i - u i,
I = 1, ..., N,
(38)
u i = exp (z i) u
*
i,
(39)
Kamu
*
i ~ N + (, 1),
(40)
v i = ~ N (0, 2
v),
(41)
Koefisien korelasi antara x dan z adalah .
1
Kasus dasar:
= 0, = 1, = 0,5, = 1, v = 1, = 0, N = 200.
HJ Wang
2017 AU

Halaman 54
HJ Wang
2017 AU

Halaman 55
Model Meta Frontier
1
Motivasi: Ingin membandingkan efisiensi komersial
Bank di India dan Inggris. Bagaimana?!
2
Perkirakan batas setiap kelompok "homogen" (yaitu,
Bank di negara yang sama), dan kemudian menggunakan batas-batas dari
Kelompok untuk membangun sebuah perbatasan meta.
HJ Wang
2017 AU

Page 56
Model Meta Frontier
1
metafrontier: f * (x) = convexhull (f 1 (x) f 2 (x) ...).
2
kesenjangan teknologi rasio: TGR j = f j (x) / f * (x) 1.
X
X
Y
)(
*
Xf
)(
1
Xf
)(
2
Xf
) (/) (
*
Xfxf
TGR
J
j
HJ Wang
2017 AU

Halaman 57
Battese, Rao, O'Donnell (2004 JPA)
1
Kelompok j'th frontier dan efisiensi (j: group; i: firm) (diperkirakan
Dengan cara biasa):
LNY ji = lnf j (x ji) + v ji - u ji,
(42)
TE ji = E (e
U | v ji - u ji).
ji

(43)
2
Metafrontier dan rasio kesenjangan teknologi (diperkirakan secara linier
Dan / atau pemrograman kuadrat):
Min
J

J=1
N j

I=1
| lnf *
(X) -
f j (x) |
(44)
Tunduk pada lnf
*
(x) ln f j (x);
(45)
TGR =
f j (x)
f * (x) 1
(46)
HJ Wang
2017 AU
 halaman 58
Huang, Huang, Liu (2014)
1
"Ganda SF"!
2
Kelompok j'th frontier dan efisiensi: Sama seperti Battese et
Al. (2004)
3
Rasio metafrontier dan teknologi gap:
ln f j (x) = lnf
*
(X) + v
*
ji - w *
ji, w
*
ji 0;
(47)
TGR = E (e
w *

ji | v *
ji - w *
ji).
(48)
4
Keuntungan: Account untuk estimasi ketidakpastian dan kelompok
Hetergeneity.
5
Komentar: Semua model metafrontier memerlukan pengetahuan tentang kelompok
keanggotaan. Dalam beberapa aplikasi, keanggotaan grup adalah
tidak diketahui. Model kelas laten adalah alternatifnya.
HJ Wang
2017 AU

Page 59
Fungsi Jarak Input
B
SEBUAH
x 2

X
x 1

Hai
X: vektor masukan yang tidak efisien; X

: Vektor masukan yang efisien

(1 / ): untuk mengukur kembali input yang tidak efisien. 1. Jika = 1,
efisien sekali.
Mendefinisikan sebagai fungsi jarak masukan D I (y, x):
D I (y, x) = max

{ | (x / ) V (y)},
HJ Wang
2017 AU

Halaman 60
Fungsi Masukan Jarak ... lanjutan
D I (y, x) = max { | (x / ) V (y)}
D I (y, x) 1 dan isokuan adalah himpunan x yang
D I (y, x) = 1. D I (y, x)> 1 jika ada inefisiensi teknis.
D I (y, x) exp (u) = 1, di mana u 0, 0 <exp (u) 1.
Asumsikan D I (y, x) adalah homogen berderajat 1 di x, maka kita
dapat memilih x i untuk menormalkan x:
x 1 D I (y, x 2 / x 1, x 3 / x 1, ..., x k / x 1) exp (u) = 1,
lnx 1 + Lnd I (y, x 2 / x 1, x 3 / x 1, ..., x k / x 1) - u = 0,
Susun ulang persyaratan dan tambahkan v untuk kesalahan statistik, yang kita miliki
-lnx 1 = Lnd I (y, x 2 / x 1, x 3 / x 1, ..., x k / x 1) + v - u.
HJ Wang
2017 AU

Page 61
Fungsi Jarak Input: komentar
-lnx 1 = Lnd I (y, x 2 / x 1, x 3 / x 1, ..., x k / x 1) + v - u
Dengan mengambil bentuk fungsional untuk Lnd I () (biasanya Translog), yang
Fungsi di atas dapat diperkirakan dengan teknik yang digunakan
model produksi frontier stokastik. Perhatikan tanda hubung
Variabel dependen!
Bagus untuk memperkirakan beberapa model keluaran tanpa harga
Variabel dan asumsi perilaku (misal, biaya
Model minimisasi).
HJ Wang
2017 AU

Halaman 62
Fungsi Jarak Keluaran
SEBUAH
B
y1

y2

Hai
Y: vektor keluaran tidak efisien;
Y

: Vektor keluaran yang efisien

(1 / ): untuk memperluas output yang tidak efisien. 1. Bila = 1,
efisien sekali.
Mendefinisikan sebagai fungsi output jarak D O (y, x):
D O (y, x) = min

{ | (y / ) P (x)},
HJ Wang
2017 AU

Halaman 63
Fungsi Jarak Onput ... terus
D O (y, x) = min { | (y / ) P (x)}
D O (y, x) 1 dan isokuan dicapai saat
D O (y, x) = 1. D O (y, x) <1 jika ada inefisiensi teknis.
D O (y, x) exp () = 1, di mana 0, exp () 1.
Asumsikan D O (y, x) adalah homogen berderajat 1 di y, maka kita
dapat memilih y saya untuk menormalkan y:
y 1 D O (y 2 / y 1, y 3 / y 1, ..., y k / y 1, x) exp () = 1,
LNY 1 + Lnd O (y 2 / y 1, y 3 / y 1, ..., y k / y 1, x) + = 0,
Susun ulang persyaratan dan tambahkan v untuk kesalahan statistik, yang kita miliki
-lny 1 = Lnd O (y 2 / y 1, y 3 / y 1, ..., y k / y 1, x) + v + .
HJ Wang
2017 AU

Halaman 64
Fungsi Jarak Onput: komentar
-lny 1 = Lnd O (y 2 / y 1, y 3 / y 1, ..., y k / y 1, x) + v + .
Dengan mengambil bentuk fungsional untuk Lnd O () (biasanya Translog),
Fungsi di atas dapat diperkirakan dengan teknik yang digunakan
model biaya frontier stokastik. Perhatikan tanda flip dari
variabel tak bebas!
Bagus untuk memperkirakan beberapa model keluaran tanpa harga
Variabel dan asumsi perilaku (misal, biaya
Model minimisasi).
HJ Wang
2017 AU

Halaman 65
Bandingkan Model yang Berbeda: Lakukan distribusi yang berbeda
masalah?
1
Data: produksi peternakan sapi perah.
1
Ly: output: log produksi susu,
2
Llabor: jam kerja,
3
Lfeed: pakan,
4
Lcattle: jumlah sapi,
5
Lland: lahan pertanian
6
Comp: biaya yang berhubungan dengan komputer terhadap total biaya
HJ Wang
2017 AU

Halaman 66
(Contoh :) OLS
HJ Wang
2017 AU

Page 67
(Contoh :) Residu OLS: grafik
0
1
2
3
4
5
Massa jenis
-6
-4
-2
0
HJ Wang
2017 AU

Halaman 68
(Contoh :) residu OLS
HJ Wang
2017 AU

Page 69
(Contoh :) COLS
0
2
4
6
8
Massa jenis
.4
.6
.8
1
Model 2: KOLEKSI
HJ Wang
2017 AU

Halaman 70
(Contoh :) COLS Efficiency Index
0
2
4
6
8
Massa jenis
.4
.6
.8
1
HJ Wang
2017 AU

Halaman 71
(Contoh :) Model Setengah Normal
HJ Wang
2017 AU

Halaman 72
(Contoh :) Half-Normal: grafik
0
2
4
6
8
10
Massa jenis
.5
.6
.7
.8
.9
1
HJ Wang
2017 AU

Halaman 73
(Contoh :) terpotong-normal
HJ Wang
2017 AU

Halaman 74
(Contoh :) terpotong-normal: grafik
0
5
10
15
20
Massa jenis
.6
.7
.8
.9
1
HJ Wang
2017 AU

Halaman 75
(Contoh :) terpotong-normal: efek marjinal
-.5
-4
-3
-2
-1
0
Efek marginal dari comp pada E (u)
4
6
8
10
12
14
Comp
HJ Wang
2017 AU

Halaman 76
Apakah distribusi berbeda penting?
HJ Wang
2017 AU

Halaman 77
E (exp (u i) | i): Apakah distribusi yang berbeda peduli?
Ringkasan Statistik
HJ Wang
2017 AU

Halaman 78
E (exp (u i) | i): Apakah distribusi yang berbeda peduli?
Koefisien Korelasi
HJ Wang
2017 AU

Halaman 79
E (exp (u i) | i): Apakah distribusi yang berbeda peduli?
Kendall's
1
: 100 (1 - ) / 2 memberikan probabilitas bahwa dipilih secara acak
Sepasang observasi memiliki peringkat yang berlawanan dalam dua seri.
HJ Wang
2017 AU
 Halaman 80
Aplikasi
HJ Wang
2017 AU

Halaman 81
Isi
1
Arah penelitian menggunakan model stochastic frontier (SF):
1
Studi efisiensi tradisional dengan isu-isu penting;
2
Perbaikan dalam pemodelan SF;
3
Penggunaan model SF secara kreatif dalam studi non-efisiensi.
2
Beberapa contoh:
1
Model upah buruh;
2
Model penentuan harga aset;
3
Model investasi modal;
4
Model disekuilibrium pasar kredit;
5
Model pertumbuhan ekonomi
HJ Wang
2017 AU

Halaman 82
Teori Pencarian dan Upah Kurang Bayar
1
Hofler dan Murphy, 1992, "Underpaid dan Overworked:
Mengukur Pengaruh Informasi yang Tidak Sempurna tentang Upah, "
Permintaan Ekonomi.
2
Karena informasi yang tidak sempurna, pencarian pekerjaan mahal
(Tingkat diskonto positif, butuh waktu dan usaha).
1
Pekerja dibayar di bawah upah maksimum yang seharusnya
Jika tidak, dapatkan pasar informasi yang efisien.
2
Tingkat kekurangan pembayaran berhubungan dengan faktor demografis
Dan faktor sosial.
HJ Wang
2017 AU

Halaman 83
Apa yang mereka lakukan
1
Selidiki tingkat kekurangan antara upah aktual
Dan upah "maksimal" (jika informasi itu sempurna), dan
Faktor yang mempengaruhi kekurangan.
1
H1: Kelompok demografis menunjukkan tingkat yang berbeda dari
Kurang bayar
2
H2: Pekerja di daerah yang membayar pengangguran relatif lebih tinggi
Manfaat menunjukkan kurang bayar.
3
H3: Pekerja berpendidikan lebih sedikit menunjukkan kurang bayar.
4
H4: Pekerja di daerah perkotaan kurang menunjukkan kekurangan pembayaran.
5
H5: Pekerja dengan kekayaan yang lebih besar menunjukkan kurang bayar.
HJ Wang
2017 AU

Halaman 84
Bagaimana Mereka Melakukannya
1
w i = X i + v i - u i;
(49)
1
X i: individu-spesifik faktor upah-menentukan;
2
v i ~ N (0, 2
v): kesalahan statistik;
3
u i ~ N + (0, 2): merupakan efek informasi tentang pencarian.
2
potensial upah X i + v i lebih besar dari upah yang sebenarnya
X i + v i - u i.
3
Mendapatkan E (u i | v i - u i), dan membandingkan nilai rata-rata di
Kelompok yang tersirat hipotesis H1 terhadap H5.
HJ Wang
2017 AU

Page 85
Apa yang mereka temukan
1
Temukan dukungan untuk semua hipotesis.
2
Biaya efisiensi informasi yang tidak sempurna bagi perekonomian
Secara keseluruhan, dalam hal GNP, berada di urutan 10 persen. (?!)
1
Tunjukkan pentingnya meningkatkan efisiensi informasi di
Pasar tenaga kerja.
HJ Wang
2017 AU

Page 86
Studi Serupa Lainnya
1
Groot dan Oosterbeek (1994, Ekonomi Tenaga Kerja), Hofler dan
Polachek (1985 Jurnal Ekonomi dan Bisnis), Hofler
Dan Murphy (1994 Southern Economic Journal).
2
Juga, Hofler dan Polachek (1985 Jurnal Ekonomi dan
Bisnis), Hofler dan Murphy (1994 Southern Economic
Jurnal).
3
Polachek dan Yoon (1987 Tinjauan Ekonomi dan Statistik,
Dan 1996 Journal of Applied Econometrics) pertimbangkan a
Model perbatasan dua tingkat:
1
Pekerja tidak mengetahui tawaran upah maksimal masing-masing perusahaan, dan
Perusahaan tidak tahu upah pemesanan pekerja.
2
Ketidakefisienan "dua tingkat": Perusahaan membayar terlalu banyak, dan pekerja
melakukannya
Tidak mendapatkan tawaran maksimal
3
w i = x i + v i - u i + w i, u i 0, w i 0.
1
x: dari kedua penawaran dan permintaan sisi; x adalah keseimbangan
i

Upah dengan tidak adanya semua persyaratan stokastik.

2
u 0: ketidaktahuan majikan; w 0: ketidaktahuan karyawan.
i i

HJ Wang
2017 AU

Halaman 87
Benarkah masalah informasinya?
1
Polachek dan Robst, 1998, "Empolyee Labor Market
Informasi: Membandingkan Tindakan Langsung Dunia Kerja
Pengetahuan Pekerja terhadap Perkiraan Perbatasan Stochastic ",
Ekonomi tenaga kerja
2
Kritik: informasi pekerja yang tidak lengkap pada intinya
Diukur sebagai residu. Apakah itu benar-benar mewakili ukuran
Informasi yang tidak lengkap
3
Polachek dan Robst (1998) menggunakan "pengetahuan dunia
Tes kerja "Survei Longitudinal Nasional untuk Remaja Putra
(NLSYM) untuk mengukur pengetahuan pekerja tentang tenaga kerja
Peluang pasar
1
Jika tindakan tersebut konsisten dengan "residu" dari
Model stochastic frontier, kemudian mencari dukungan terhadap stochastic
Analisis perbatasan
HJ Wang
2017 AU

Halaman 88
Bagaimana Mereka Melakukannya dan Apa yang Mereka Temukan
1
W i = x i + v i - u i,
(50)
u i ~ N + (Z i delta, 2).
(51)
Dimana Z adalah skor tes di NLSYM:
1
Tes meliputi pertanyaan seperti deskripsi judul pekerjaan, diperlukan
Pendidikan, gaji tertinggi dari dua pilihan
2
Intinya, model Battese dan Coelli (1995).
3
Jika <0, memberikan dukungan terhadap analisis garis stochastic.
Mendukung.
HJ Wang
2017 AU

Halaman 89
Keuangan: Underpricing IPO
1
Hunt-McCool, Koh, dan Francis, 1996, "Pengujian untuk
Underpricing yang Disengaja di Premarket IPO, "Review dari
Studi Keuangan
2
Underpricing IPO: Harga penawaran IPO awal berada di bawah
Harga penawaran penutupan hari
3
Disengaja: (1) memulai aktivitas aktivitas beli (Shiller
1990 dan Welch 1992), (2) "meninggalkan selera yang baik" dengan
Investor (Faulhaber 1989, Grinblatt dan Hwang 1989, Welch
1989), (3) menghindari tuntutan hukum potensial (Tinic 1988)
4
Tidak disengaja: harga awal ditetapkan ke fundamental; dan
Kelebihan imbal hasil di pasar setelahnya adalah karena pasar setelahnya
Masalah, seperti mode dan gelembung spekulatif (Aggarwal dan
Rivoli 1990, Shiller 1990).
HJ Wang
2017 AU

Page 90
Bagaimana Membedakan Dua Hipotesis?
1
Gunakan data pra-pasar untuk memperkirakan model stochastic frontier.
p i = f (X i; ) + v i - u i,
(52)
u i ~ N + (0, 2),
(53)
di mana p i adalah awal harga penawaran.
1
Jika tidak ada underpricing yang disengaja, tidak berbeda dengan OLS.
2
Dapatkan ukuran underpricing "pra-pasar":
E (u i | v i - u i ) / p *
saya
, Yang merupakan persen dari underpricing.
1
Regresi:
setelah pasar kembali kelebihan = a + b E (u i | v i - u i ) / p *
i + .
2
Jika b adalah signifikan, artinya setelah-pasar excess return adalah
dipengaruhi oleh pra-pasar di bawah harga = bukti
disengaja di bawah harga.
HJ Wang
2017 AU

Page 91
Model Pertumbuhan Convergence
1
Kumbhakar dan Wang, 2005, Estimasi Pertumbuhan
Konvergensi Menggunakan Stochastic Production Frontier
Pendekatan, Ekonomi Letters
2
Mengingat sumber daya, sebuah negara mungkin jatuh pendek menghasilkan
maksimum yang mungkin (perbatasan) output.
1
lembaga keuangan tidak memadai dan tdk tepat regulasi
intervensi, dll
3
konvergensi ekonomi diamati jika negara-negara beroperasi
di bawah perbatasan bergerak ke arah perbatasan produksi dunia:
teknologi catch-up.
HJ Wang
2017 AU

Halaman 92
Model
t: periode waktu awal.
1
= Lnu itu / t: persentase perubahan dalam inefisiensi dari waktu ke waktu;
catch-up tingkat.
HJ Wang
2017 AU

Halaman 93
Data
1
Database Bank STARS dunia adalah sumber data. 82 negara
selama periode 1960-1987.
HJ Wang
2017 AU

Page 94
fitur
1
inefisiensi teknis ditafsirkan dalam konteks
konvergensi pertumbuhan;
1
jarak awal dari perbatasan adalah fungsi dari
khusus negara modal awal untuk rasio tenaga kerja;
2
saat t = t, u itu = u i ~ N + ( 0 + i (k itu - l itu ), 2 )
2
parameterisasi inefisiensi memungkinkan perhitungan mudah
dan uji tingkat konvergensi;
1
inefisiensi berevolusi dari waktu ke waktu sesuai dengan exp [ (t - t)]:
2
Jika <0, maka ketika t , u itu 0. Oleh karena itu,
hipotesis konvergensi diuji oleh H 0 : y 0 terhadap
H 1 : > 0.
3
termasuk efek tetap negara tertentu di perbatasan dunia untuk
mengenali heterogenitas negara.
HJ Wang
2017 AU

Page 95
Hasil
TL spesifikasi
spesifikasi CD
Model 1
Model 3
koe.
std.err.
koe.
Std. berbuat salah.
fungsi frontier
1
0,501 ***
(0,023)
0,853 ***
(0.008)
2
-0.031
(0.020)
0,111 ***
(0.011)
3
0,018 ***
(0,005)
4
0,011 *
(0,006)
5
0.007
(0,012)
6
-0,087 *** (0,012)
-0,041 *** (0,004)
u itu eqn.

-0,012 *** (0,001)

-0,024 *** (0,001)
0
8,567 ***
(1,950)
1,551 ***
(0,282)
1
-0,107 *
(0,065)
0,036
(0,048)
cu
-0,900 *** (0,185)
-1,535 *** (0,162)
v itu eqn.
cv
-4,294 *** (0,030)
-4,117 *** (0,030)
k
0,651 ***
(0,018)
0,853 ***
(0.008)
l
0,066 ***
(0.013)
0,111 ***
(0.011)
log-kemungkinan
1408.630
1249.913
HJ Wang
2017 AU

Page 96
Kendala Pembiayaan tentang Penanaman Modal
Wang, 2003, Sebuah Analisis Stochastic Frontier Pembiayaan
Kendala Investasi: Kasus Keuangan
Liberalisasi di Taiwan, Jurnal Bisnis dan Ekonomi
Statistik
tingkat gesekan investasi.
cost of fund
aku *

S
D
menginvestasikan
pengeluaran
S1

saya 1

JIKA 1

S3

saya 3

S3

saya 3

aku *
Investasi
Q
saya A
f (cf, ukuran)
IEI = I A / I * ;
IEI: Investasi
Efisiensi
Indeks
0 <= IEI <= 1;
HJ Wang
2017 AU

Page 97
kendala pembiayaan harus memiliki efek satu sisi pada
neo-klasik, tingkat gesekan investasi.
1
Pengaruh kendala pembiayaan diidentifikasi dengan memberlakukan
satu sisi asumsi distribusi pada kendala.
2
Efeknya adalah fungsi dari perusahaan arus kas dan aset ukuran .
HJ Wang
2017 AU
 Halaman 98
Keuntungan
1
Langsung mengukur efek dari kendala, oleh karena itu tidak
harus sampel terpisah apriori.
2
Membutuhkan asumsi struktural relatif lemah pada keuangan
dan variabel nyata.
3
kendala pembiayaan memiliki efek distribusi satu sisi
4
efek kendala pembiayaan dapat dijelaskan oleh
variabel diamati
5
Dapat memperoleh ukuran kuantitatif dari efek pembiayaan
kendala, yang dapat digunakan untuk membuat cross-sectional juga
sebagai perbandingan lintas-waktu.
HJ Wang
2017 AU

Halaman 99
Q Tobin: statistik yang cukup investasi. Menggunakan model Q untuk
mengukur Saya * . Dengan beberapa manipulasi,
Ln
(Saya itu
K itu
)
= + lnQ itu + 2 lnx itu + v itu - u itu .
1
Modal efisiensi pasar Indeks: E [exp (u itu ) | v itu - u itu ].
HJ Wang
2017 AU

Halaman 100
Tabel: Pengaruh Liberalisasi Keuangan pada Perusahaan dari ukuran yang berbeda
tahun
semua perusahaan perusahaan kecil perusahaan menengah perusahaan besar # dari obs
1989
0,580
0,497
0.596
0,635
101
1990
0.578
0,525
0.596
0,605
115
1991
0,604
0.537
0,620
0,646
131
1992
0,606
0,546
0,625
0,644
148
1993
0,598
0,512
0,663
0,623
173
1994
0,622
0,572
0,662
0.638
184
1995
0,631
0,604
0,627
0,666
184
1996
0,603
0,527
0,625
0,666
184
# Dari obs
1220
412
402
406
HJ Wang
2017 AU

Halaman 101
The Disequilibrium Model
1
Chen dan Wang, 2008, Krisis Keuangan dan Efek pada
Kredit Bank - Bukti dari Taiwan, Southern
Jurnal ekonomi
2
Perlambatan kredit perbankan setelah Januari 1998 di
Taiwan fenomenal, dan diyakini untuk berkontribusi pada
resesi di tahun-tahun berikutnya.
3
Apakah perlambatan terutama didorong oleh permintaan atau penawaran?
1
supply-driven: kemungkinan untuk mengamati kelebihan permintaan;
2
demand-driven: kemungkinan untuk mengamati kelebihan pasokan.
HJ Wang
2017 AU

Halaman 102
Permintaan Berbasis Model: Sebuah Ilustrasi
Qt=Dt-Ed
t,Ed
t 0.
HJ Wang
2017 AU

Page 103
Model pasokan Berbasis: Sebuah Ilustrasi
Qt=St-Es
t,Es
t 0.
HJ Wang
2017 AU

Halaman 104
Identifikasi
1
Model ini:
q itu = d itu - e d
itu + v d, itu ,
ed
itu 0;
atau,
q itu = s itu - e s
itu + v s, itu ,
es
itu 0.
2
Memaksakan asumsi distribusi pada e d
itu dan v d, itu (e s
itu dan
v s, itu ) untuk mengidentifikasi model.
HJ Wang
2017 AU