Оценка эффективности российского банковского сектора: метод анализа стохастической границы (МАСГ)
Дипломная работа - Банковское дело
Другие дипломы по предмету Банковское дело
?кций. - это статистический шум, и отражает техническую неэффективность в предположении, что она не меняется во времени. Если - логарифм выпуска, то тогда техническая эффективность фирмы i равна , а техническая неэффективность равна . Работают с составной ошибкой . Стандартные предположения:
(A.1)
(A.2) и независимы для любых t, s =1, тАж, T, i,j=1, тАж, N.
Иногда делаются дополнительные предположения:
(A.3) независимы от и
(A.4) ,
где
Положим , так что для любого i выполняется . Тогда (1) можно переписать как обычную модель панельных данных
, i=1, тАж, N, t=1, тАж, T . (2)
Абсолютный минимум равен 0, поэтому - максимально возможное в принципе значение для любой выборки ( достижимо при ). На практике значения минимального и, следовательно, максимального отличаются от своих теоретически достижимых экстремальных значений. Это различие особенно заметно, когда объем выборки невелик и (а, следовательно, и ) iитаются неизменными. Проранжируем : , так что , и . Аналогично проранжируем : , и . Тогда . Таким образом, уровень технической эффективности определяется из соотношения и единого . На практике сравнивается с общим для всей выборки значением . Положим . Тогда уравнение (2) можно переписать в виде:
, i=1, тАж, N, t=1, тАж, T (3)
Два определения значительно различаются. Особенности каждой формулировки приводят возможности оценки модели разными техническими способами. Рассмотрим несколько методик оценки как для отраслевой модели за один период, так и для случая панельных данных.
2.2 Оценка технической эффективности отрасли за один период
Рассматривая отрасль не в динамике, имеем T=1, поэтому индекс t в уравнениях можно опустить. В предположениях (А.1)-(А.4) модель, представленная в уравнении (1), может быть оценена методом максимального правдоподобия (ММП). Подробности вычислений, включая функцию правдоподобия, можно найти у Айгнера [7]. В результате оценки ММП получаются состоятельные при оценки .
Введем в рассмотрение математическое ожидание . Ввиду предположения
(А.4) .
Применив метод наименьших квадратов (МНК) к уравнению (1), получим состоятельные оценки . С помощью скорректированного метода наименьших квадратов получается состоятельная оценка . Для этого потребуются состоятельные оценки и , которые можно получить из, соответственно, вторых и третьих моментов МНК-остатков. Подробнее ознакомиться с техникой получения данных статистик можно в работе Олсона [20].
Итак, как ММП, так и скорректированный МНК обеспечивают состоятельные оценки , , и . Однако оценка, ММП-оценка является более эффективной, чем оценка методом скорректированных наименьших квадратов. В любом случае, можно получить точечную оценку для и , что будет описано позднее.
2.3 Оценка технической эффективности отрасли. Панельные данные
Рассмотрим теперь случай панельных данных, когда . В условиях (А.1)-(А.4) уравнение (1) можно оценить методом максимального правдоподобия. Подробно методика описана в работе Питта и Ли [21]. ММП дает оценки тех же параметров, что и в случае рассмотрения одного периода: , , и . Эти оценки состоятельны при , поэтому ММП целесообразно применять, когда N велико. Анализ данных за существенный период не может заменить недостаточный объем выборки N.
Уравнение (1) можно оценить также обобщенным методом наименьших квадратов (ОМНК). Метод опирается на все те же ограничения (А.1)-(А.4), за исключением требования каких-либо дополнительных априорных предположений относительно распределения случайных величин (требование нормальности v или полунормальности u). Стандартные процедуры ОМНК по отношению к панельным данным позволяют получить (a-?), b, , а так же var(). Эти оценки состоятельны при . Следует внимательно различать var() и : в ОМНК используется именно var(), а не . В предположении о полунормальности распределения, , так что оценку var() можно с легкостью перевести в оценку . Эта операция необходима для оценки .
Уравнение (2) полезно в качестве базы для оценки при более слабых предположениях о том, что (или ) iитаются неизменными параметрами. Этот случай может оказаться полезным, потому что он основывается лишь на предположениях (А.1) и (А.2), а также потому что он применим, когда N мало, а T велико (равно как и при большом объеме выборки N). Оценим уравнение (2) с использованием фиктивных переменных для каждой фирмы. Получаем оценки . Определим и Тогда при и фиксированном N, , и так что измеряет эффективность относительно значения лучшей фирмы из выборки. Обсудим теперь, что случится, если N устремить к бесконечности. В условиях предположения (А.4) о полунормальном распределении (фактически возможен любой произвольный механизм генерации , при котором оказываются близки нулю с неотрицательной вероятностью), , а при . Таким образом, и , когда и N, и T стремятся к бесконечности, так что оценка эффективности проводится относительно абсолютного значения , а не его выборочного аналога.
Статистические свойства оценок достаточно сложны из-за оператора максимизации, используемого в определении , а следовательно и . Состоятельность оценок как для случая N и T была доказана Шмидтом и Сиклзом. Парк и Симар (1994), а также Кнейп и Симар (1995) исследовали степень конвергенции оценок. Однако асимптотическое распределение оценок и неизвестно, поэтому стандартные методы создания асимптотических доверительных интервалов, основанных на этих распределениях, недоступны.
<