L'action frontierCost permet d'ajuster et d'analyser des modèles de frontière de coût stochastique. Ces modèles sont utilisés pour estimer l'efficacité économique en comparant les coûts observés à une frontière de coût minimale théorique, tout en tenant compte des inefficacités aléatoires et du bruit statistique.
| Paramètre | Description |
|---|---|
| table | Spécifie la table de données en entrée contenant les variables à analyser. Ce paramètre est obligatoire. |
| model | Définit la structure du modèle, y compris la variable dépendante (le coût) via 'depVars' et les variables explicatives via 'effects'. Ce paramètre est obligatoire. |
| class | Spécifie les variables de classification (catégorielles) à utiliser dans le modèle. Permet de définir l'ordre de tri, la méthode de paramétrage (ex: GLM, REFERENCE) et la gestion des valeurs manquantes. |
| bounds | Impose des contraintes de limites simples (bornes inférieures ou supérieures) sur les estimations des paramètres. |
| restrictions | Spécifie des restrictions linéaires à imposer aux estimations des paramètres. |
| optimizer | Fournit des options pour contrôler le processus d'optimisation non linéaire, telles que l'algorithme (ex: Newton-Raphson, Quasi-Newton), le nombre maximal d'itérations, et les tolérances de convergence. |
| output | Définit les détails de la table de sortie (via 'casOut') qui contiendra les scores et statistiques calculés, tels que les valeurs prédites ('pred'), les résidus ('resid') et l'efficacité technique ('te1', 'te2'). |
| tests | Permet de spécifier et d'exécuter des tests d'hypothèses linéaires (Wald, Multiplicateur de Lagrange, Rapport de vraisemblance) sur les paramètres du modèle. |
| freq | Spécifie une variable numérique représentant la fréquence d'occurrence de chaque observation. |
| weight | Spécifie la variable de pondération pour les observations, avec une option pour normaliser les poids. |
| display | Contrôle la liste des tableaux de résultats à afficher dans la sortie. |
| outputTables | Spécifie les tableaux d'affichage à exporter sous forme de tables CAS. |
Création d'un jeu de données simulant une fonction de coût log-linéaire avec une composante d'inefficacité (u) et un bruit aléatoire (v).
| 1 | DATA mycas.cost_data; |
| 2 | call streaminit(12345); |
| 3 | DO i = 1 to 500; |
| 4 | log_q = rand('Normal', 5, 1); /* Log de la production */ |
| 5 | log_p1 = rand('Normal', 2, 0.5); /* Log prix intrant 1 */ |
| 6 | log_p2 = rand('Normal', 3, 0.5); /* Log prix intrant 2 */ |
| 7 | v = rand('Normal', 0, 0.1); /* Erreur aléatoire */ |
| 8 | u = rand('Exponential'); /* Inefficacité de coût (positive) */ |
| 9 | /* Modèle de coût: C = f(Q, P) + v + u */ |
| 10 | log_cost = 1 + 0.7*log_q + 0.4*log_p1 + 0.6*log_p2 + v + u; |
| 11 | OUTPUT; |
| 12 | END; |
| 13 | RUN; |
Ajustement d'un modèle de frontière stochastique où le coût (log_cost) dépend de la production (log_q) et des prix des intrants (log_p1, log_p2).
| 1 | PROC CAS; |
| 2 | frontier.frontierCost |
| 3 | TABLE="cost_data" |
| 4 | model={ |
| 5 | depVars={{name="log_cost"}}, |
| 6 | effects={{vars={"log_q", "log_p1", "log_p2"}}} |
| 7 | }; |
| 8 | RUN; |
Modèle spécifiant une distribution exponentielle pour l'inefficacité, utilisant l'algorithme de Newton-Raphson, produisant une table de sortie avec les scores d'efficacité, et effectuant un test de Wald.
| 1 | PROC CAS; |
| 2 | frontier.frontierCost |
| 3 | TABLE="cost_data" |
| 4 | model={ |
| 5 | depVars={{name="log_cost"}}, |
| 6 | effects={{vars={"log_q", "log_p1", "log_p2"}}}, |
| 7 | modelOptions={type="EXPONENTIAL"} |
| 8 | } |
| 9 | optimizer={ |
| 10 | algorithm="NEWTONRAPHSONWITHRIDGING", |
| 11 | maxIt=100 |
| 12 | } |
| 13 | tests={{ |
| 14 | testLabel="Test Rendements Echelle", |
| 15 | eqns={"log_q = 1"}, |
| 16 | testNames={"WALD"} |
| 17 | }} |
| 18 | OUTPUT={ |
| 19 | casOut={name="cost_scores", replace=TRUE}, |
| 20 | pred="predicted_cost", |
| 21 | te1="tech_efficiency", |
| 22 | resid="residuals" |
| 23 | }; |
| 24 | RUN; |