PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2007 | 54 | z. 2 | 5--27
Tytuł artykułu

Bayesowskie porównywanie giętkich form funkcyjnych jako granicznych funkcji kosztu

Warianty tytułu
The Bayesian comparison of flexible functional forms as stochastic cost frontiers
Języki publikacji
PL
Abstrakty
Praca przedstawia metody bayesowskiego wyboru modeli i łączenia wiedzy, oparte na łańcuchach Markowa, w zastosowaniu do stochastycznych granicznych krótkookresowych funkcji kosztu zmiennego, modelowanych giętkimi formami funkcyjnymi. Do wnioskowania o charakterystykach brzegowych rozkładów a posteriori wykorzystano algorytm Metropolisa i Hastingsa zaimplementowany w losowaniu Gibbsa, natomiast do wyznaczania brzegowych gęstości obserwacji zastosowano technikę zaproponowaną przez S. Chiba w 1995. W pracy przeprowadzono analizę wrażliwości brzegowych gęstości obserwacji i rankingu modeli na zmianę rozkładu a priori parametrów technologii dla funkcji: translog, uogólnionej Leontiewa i McFaddena, dwóch funkcji o mniejszej liczbie parametrów: Cobba i Douglasa z uzmiennionym efektem skali produkcji oraz funkcji typu Cobba i Douglasa z asymptotycznie idealnym agregatorem cenowym. Całość metodologii została zilustrowana funkcją kosztu zmiennego dla 31 elektrowni i elektrociepłowni zawodowych w Polsce w latach 1995-1997. Dla każdej z form funkcyjnych można wskazać rozkład a priori, przy którym wszystkie graniczne funkcje kosztu są jednakowo prawdopodobne a posteriori. Przy założeniu jednakowych odchyleń standardowych rozkładu a priori parametrów technologii najwyższe prawdopodobieństwo a posteriori wykazuje stochastyczna graniczna funkcja kosztu translog, a następnie uogólnione modele Leontiewa i McFaddena. Najmniej potwierdzany przez obserwacje jest model Cobba i Douglasa ze zmiennym efektem skali produkcji, nie będący giętką formą funkcyjną. (abstrakt oryginalny)
EN
The main goal of the paper is to discriminate among stochastic frontier cost functions. The unknown cost function is approximated by the locally flexible functional forms: the translog, generalised Leontief and McFadden and two non-flexible forms: the Cobb-Douglas model with varying returns to scale and the Cobb-Douglas model with the Müntz-Szatz series expansion of order one for the price aggregator. Numerical approximations of moments of marginal posterior distributions are accomplished by implementation of the Markov Chain Monte Carlo techniques, that is the Metropolis-Hastings algorithm within Gibbs sampling. Marginal data density is obtained on the basis of the S. Chib's method proposed in 1995. Detailed discussion of specification of the prior distribution for the technology parameters with the posterior sensitivity analysis is included in the paper. After assuming the same prior standard deviations for the technology parameters in each model we conclude that the most probable a posteriori is the translog model, whose posterior probability is almost equal to one. The generalised Leontief and McFadden flexible forms are equally probable and are much more supported by the data than the non-flexible forms, such as the Cobb-Douglas. The ranking of models does not change when the dispersion of the prior distribution of technology parameters increases evenly but it can be noticed that the marginalised likelihood drops slightly faster for the Generalised McFadden model than for the Generalised Leontief and the Müntz-Szatz series expansions of order one. After assuming the same marginal prior distributions of all individual technology parameters in each model the posterior model probabilities are not affected by the prior model probabilities. The marginal posterior distribution of technology characteristics and the cost efficiency, weighted by the posterior model probabilities, would be equal to the one obtained according to translog. (original abstract)
Rocznik
Tom
54
Numer
Strony
5--27
Opis fizyczny
Twórcy
Bibliografia
  • [1] Aigner D., Lovell C.A.K., Schmidt P., [1977], Formulation and estimation of stochastic frontier production function models, "Journal of Econometrics", Vol. 6.
  • [2] Broeck van den J., Koop G., Osiewalski J., Steel M.F.J., [1994], Stochastic frontier models: A Bayesian perspective, "Journal of Econometrics", Vol. 61.
  • [3] Chib S., Jeliazkov I., [2001], Marginal likelihood from the Metropolis-Hastings output, "Journal of the American Statistical Association", Vol. 96.
  • [4] Carlin B.P., Chib S., [1995], Bayesian model choice via Markov chain Monte Carlo methods, "Journal of the Royal Statistical Society" 57, No. 3.
  • [5] Chib S., [1995], Marginal likelihood form the Gibbs output, "Journal of the American Statistical Assotiation", Vol. 90.
  • [6] Christensen L.R., Greene W.H., [1976], Economies of scale in U.S. electric power generation, "Journal of Political Economy" 84:4, Part 1.
  • [7] Christensen L.R., Jorgenson D.W., Lau L.J., [1971], Conjugate duality and the transcendental logarythmic production function, "Econometrica", Vol. 39.
  • [8] Diewert W.E., [1971], An application of the Shephard duality theorem: a Generalized Leontief production function, "Journal of Political Economy", Vol. 79.
  • [9] Diewert W.E., Wales T.J., [1987], Flexible functional forms and global curvature conditions, "Econometrica", Vol. 55.
  • [10] Farrell M.J., [1957], The measurement of productive efficiency, "Journal of the Royal Statistical Society", Series A, Vol. 120.
  • [11] Fernandez C., Osiewalski J., Steel M.F.J., [1997], On the use of panel data in stochastic frontier models with improper priors, "Journal of Econometrics", Vol. 79.
  • [12] Gagne i Ouellette, [1998], On the choice of functional forms: Summary of a Monte Carlo experiment, "Journal of Business and Economic Statistics", Vol. 16.
  • [13] Gamerman D., [1997], Markov Chain Monte Carlo. Stochastic simulation for Bayesian inference, Chapman & Hall.
  • [14] Gordon S., [1995], Using mixtures of flexible functional forms to estimate factor demand elasticities, "Canadian Journal of Economics Revue Canadienne d'Economique XXIX".
  • [15] Jeffreys H., [1961], Theory of Probability, Oxford University Press, London.
  • [16] Kass R.E, Raftery A.E., [1995], Bayes factors, "Journal of the American Statistical Association", Vol. 90.
  • [17] Koop G., Osiewalski J., Steel M.F.J., [1994], Bayesian efficiency analysis with a flexible form: The AIM cost function, "Journal of Business and Economic Statistics", Vol. 12.
  • [18] Koop G., Osiewalski J., Steel M.F.J., [1997], Bayesian efficiency analysis through individual effects: Hospital cost frontiers, "Journal of Econometrics", Vol. 76.
  • [19] Kumbhakar S.C., [1994], A multiproduct symmetric generalized McFadden Cost Function, "Journal of Productivity Analysis", Vol. 5.
  • [20] Magnus J.R., [1979], Substitution between energy and non-energy inputs in the Netherlands 1950-1976, "International Economic Review", Vol. 20.
  • [21] Marzec J., Osiewalski J., [2001], Bayesian Inference on Technology and Cost Efficiency of Bank Branches, opracowanie w ramach projektu badawczego KBN nr 1-H02B-022-18, (Akademia Ekonomiczna w Krakowie, maszynopis).
  • [22] Meeusen W., van den Broeck J., [1977], Efficiency estimation from Cobb - Douglas production functions with composed error, "International Economic Review", Vol. 8.
  • [23] Newton M.A., Raftery A.E., [1994], Approximate Bayesian inference by the weighted likelihood bootstrap, "Journal of the Royal Statistical Society", Series B, 3.
  • [24] Osiewalski J., [1993], Bayesowska estymacja i predykcja dla jednorównaniowych modeli ekonometrycznych, Akademia Ekonomiczna w Krakowie (Monografie, nr 100), Kraków.
  • [25] Osiewalski J., Pipień M., [1999], Bayesowskie testowanie modeli GARCH i IGARCH, "Przegląd Statystyczny" t. 46.
  • [26] Osiewalski J., Pipień M., [2004], Bayesian comparison of bivariate ARCH-type models for the main exchange rates in Poland, "Journal of Econometrics" 123.
  • [27] Osiewalski J., Steel M.F.J., [1993], A Bayesian perspective on model selection, maszynopis, opublikowano w j. hiszpańskim: Una perspectiva bayesiana en selection de modelos, "Cuadernos Economicos" 55/3.
  • [28] Osiewalski J., Wróbel-Rotter R., [1999], Estymacja granicznych funkcji produkcji i wskaźników efektywności technicznej na podstawie danych przekrojowych, "Przegląd Statystyczny" t. 46, nr l, s. 115-136.
  • [29] Wróbel-Rotter R., [2001], Giętkie formy funkcyjne w empirycznej analizie kosztów: podejście Diewerta i wnioskowanie bayesawskie, "Ekonomista" 4.
  • [30] Wróbel-Rotter R., [2002], Postacie funkcji i metody estymacji w stochastycznych modelach granicznych, rozprawa doktorska pod kier. prof. J. Osiewalskiego, Katedra Ekonometrii, Akademia Ekonomiczna w Krakowie.
  • [31] Wróbel-Rotter R., [2003], Giętkie formy funkcyjne w analizie kosztów: modele półnieparametryczne, Prace Naukowe Akademii Ekonomicznej w Krakowie.
  • [32] Wróbel-Rotter R., [2003], The Bayesian comparison of stochastic frontier cost functions using MCMC methods, [w:] Metody Ilościowe w Naukach Ekonomicznych, Trzecie Warsztaty Doktorskie z Zakresu Ekonometrii i Statystyki, red. Aleksander Welfe, Szkoła Główna Handlowa w Warszawie.
  • [33] Wróbel-Rotter R., [2004], Bayesowska analiza technologii i efektywności kosztowej na podstawie uogólnionego modelu Leontiewa, "Przegląd Statystyczny" nr 4.
  • [34] Wróbel-Rotter R., Osiewalski J., [2002], Bayesowski model efektów losowych w analizie efektywności kosztowej (na przykładzie elektrowni i elektrociepłowni polskich), "Przegląd Statystyczny" nr 1.
  • [35] Zellner A., [1971], An Introduction to Bayesian Inference in Econometrics, J. Wiley, New York.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000131424202

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.