毕业论文研究的是保险公司成本效率评估，这是原始数据：，投入变量w1、w2、w3，产出变量y1、y2，两个影响因素是是否为中外资、是否为银行系，模型是ln(c/w3)=ln(y1)+ln(y2)+ln(w1/w3)+ln(w2/w3)+ln(y1)^2+ln(y2)^2+ln(w1/w3)^2+ln(w2/w3)^2+ln(y1)*ln(w1/w3)+ln(y1)*ln(w2/w3)+ln(y2)*ln(w1/w3)+ln(y2)*ln(w2/w3)+ln(y1)*ln(y2)+ln(w1/w3)*ln(w2/w3)

用frontier4.1做的，ins文件是
2 1=ERROR COMPONENTS MODEL, 2=TE EFFECTS MODEL
SFAcb.dta DATA FILE NAME
cb2.out OUTPUT FILE NAME
2 1=PRODUCTION FUNCTION, 2=COST FUNCTION
y LOGGED DEPENDENT VARIABLE (Y/N)
44 NUMBER OF CROSS-SECTIONS
4 NUMBER OF TIME PERIODS
176 NUMBER OF OBSERVATIONS IN TOTAL
14 NUMBER OF REGRESSOR VARIABLES (Xs)
y MU (Y/N) [OR DELTA0 (Y/N) IF USING TE EFFECTS MODEL]
2 ETA (Y/N) [OR NUMBER OF TE EFFECTS REGRESSORS (Zs)]
n STARTING VALUES (Y/N)


我做的结果是
the final mle estimates are :

coefficient standard-error t-ratio

beta 0 -0.10708279E+020.98701012E+00 -0.10849209E+02
beta 1 0.26035634E+010.66222884E+000.39315162E+01
beta 2 0.13083865E+010.71859391E+000.18207593E+01
beta 3 0.76562460E+000.98698517E+000.77572048E+00
beta 4 -0.15105818E+010.99066204E+00 -0.15248205E+01
beta 5 0.14055852E-010.75786365E-010.18546677E+00
beta 6 0.13188887E+000.43339112E-010.30431834E+01
beta 7 0.12056823E+000.12755657E+000.94521375E+00
beta 8 0.21856873E+000.24579138E+000.88924492E+00
beta 9 -0.28415647E+000.74638304E-01 -0.38071132E+01
beta10 -0.19652391E+000.78444661E+00 -0.25052553E+00
beta11 0.78060564E-020.20687354E+000.37733470E-01
beta12 0.23333693E-020.30873166E+000.75579203E-02
beta13 -0.53720061E-010.37026574E+00 -0.14508515E+00
beta14 0.20204164E+000.40685689E+000.49659143E+00
delta 0 -0.53835804E-010.44300735E-02 -0.12152350E+02
delta 1 0.56619695E-010.70286680E-010.80555371E+00
delta 2 0.33326311E+000.16359709E+000.20370968E+01
sigma-squared0.16714561E+000.18606018E-010.89834164E+01
gamma 0.25649786E-030.26116955E-040.98211243E+01

log likelihood function =-0.80703030E+02

LR test of the one-sided error = 0.10329775E+02


cost efficiency estimates :


firmyear eff.-est.

1 1 0.10000000E+01
2 1 0.10000000E+01
3 1 0.10000000E+01
4 1 0.10007753E+01
5 1 0.10007751E+01
6 1 0.10063942E+01
7 1 0.10007754E+01
8 1 0.10007752E+01
9 1 0.10007750E+01
10 1 0.10007753E+01
11 1 0.10000000E+01
12 1 0.10000000E+01
13 1 0.10000000E+01
14 1 0.10000000E+01
15 1 0.10007758E+01
16 1 0.10000000E+01
17 1 0.10007751E+01
18 1 0.10063707E+01
19 1 0.10064048E+01
20 1 0.10064229E+01
21 1 0.10063896E+01
22 1 0.13995518E+01
23 1 0.10063624E+01
24 1 0.10064293E+01
25 1 0.10064222E+01
26 1 0.13993583E+01
27 1 0.10063402E+01
28 1 0.10064119E+01
29 1 0.10063888E+01
30 1 0.10063330E+01
31 1 0.10063882E+01
32 1 0.10063935E+01
33 1 0.10064160E+01
34 1 0.10063116E+01
35 1 0.10064672E+01
36 1 0.10063475E+01
37 1 0.10063967E+01
38 1 0.10064170E+01
39 1 0.10063948E+01
40 1 0.10064586E+01
41 1 0.10064616E+01
42 1 0.10064067E+01
43 1 0.10064029E+01
44 1 0.10064092E+01
1 2 0.10007772E+01
2 2 0.10000000E+01
3 2 0.10000000E+01
4 2 0.10007759E+01
5 2 0.10000000E+01
6 2 0.10064635E+01
7 2 0.10000000E+01
8 2 0.10007749E+01
9 2 0.10007764E+01
10 2 0.10007771E+01
11 2 0.10000000E+01
12 2 0.10007749E+01
13 2 0.10007770E+01
14 2 0.10000000E+01
15 2 0.10000000E+01
16 2 0.10007760E+01
17 2 0.10000000E+01
18 2 0.10063445E+01
19 2 0.10064117E+01
20 2 0.10064061E+01
21 2 0.10063173E+01
22 2 0.13996355E+01
23 2 0.10063341E+01
24 2 0.10064646E+01
25 2 0.10063334E+01
26 2 0.13994257E+01
27 2 0.10063422E+01
28 2 0.10063756E+01
29 2 0.10064034E+01
30 2 0.10063362E+01
31 2 0.10064264E+01
32 2 0.10063516E+01
33 2 0.10064089E+01
34 2 0.10063555E+01
35 2 0.10061565E+01
36 2 0.10063989E+01
37 2 0.10063727E+01
38 2 0.10064305E+01
39 2 0.10063997E+01
40 2 0.10064453E+01
41 2 0.10064558E+01
42 2 0.10063474E+01
43 2 0.10063304E+01
44 2 0.10063514E+01
1 3 0.10007769E+01
2 3 0.10000000E+01
3 3 0.10000000E+01
4 3 0.10007750E+01
5 3 0.10000000E+01
6 3 0.10064525E+01
7 3 0.10000000E+01
8 3 0.10000000E+01
9 3 0.10007762E+01
10 3 0.10000000E+01
11 3 0.10000000E+01
12 3 0.10007753E+01
13 3 0.10007767E+01
14 3 0.10000000E+01
15 3 0.10000000E+01
16 3 0.10007774E+01
17 3 0.10007753E+01
18 3 0.10063856E+01
19 3 0.10064196E+01
20 3 0.10064272E+01
21 3 0.10063878E+01
22 3 0.13996933E+01
23 3 0.10064248E+01
24 3 0.10064694E+01
25 3 0.10064623E+01
26 3 0.13994093E+01
27 3 0.10063490E+01
28 3 0.10064273E+01
29 3 0.10063846E+01
30 3 0.10064359E+01
31 3 0.10064470E+01
32 3 0.10064056E+01
33 3 0.10064360E+01
34 3 0.10064030E+01
35 3 0.10064543E+01
36 3 0.10064554E+01
37 3 0.10063840E+01
38 3 0.10064150E+01
39 3 0.10063981E+01
40 3 0.10064862E+01
41 3 0.10064817E+01
42 3 0.10063863E+01
43 3 0.10064053E+01
44 3 0.10064196E+01
1 4 0.10007775E+01
2 4 0.10007751E+01
3 4 0.10000000E+01
4 4 0.10007759E+01
5 4 0.10000000E+01
6 4 0.10064615E+01
7 4 0.10007749E+01
8 4 0.10000000E+01
9 4 0.10007768E+01
10 4 0.10000000E+01
11 4 0.10007752E+01
12 4 0.10007762E+01
13 4 0.10007773E+01
14 4 0.10000000E+01
15 4 0.10000000E+01
16 4 0.10007777E+01
17 4 0.10000000E+01
18 4 0.10063878E+01
19 4 0.10064404E+01
20 4 0.10064342E+01
21 4 0.10063886E+01
22 4 0.13995138E+01
23 4 0.10064402E+01
24 4 0.10064660E+01
25 4 0.10064298E+01
26 4 0.13993964E+01
27 4 0.10063647E+01
28 4 0.10064101E+01
29 4 0.10063902E+01
30 4 0.10063807E+01
31 4 0.10064057E+01
32 4 0.10064144E+01
33 4 0.10064174E+01
34 4 0.10064123E+01
35 4 0.10064429E+01
36 4 0.10064817E+01
37 4 0.10063845E+01
38 4 0.10064166E+01
39 4 0.10063953E+01
40 4 0.10064973E+01
41 4 0.10064797E+01
42 4 0.10063974E+01
43 4 0.10064295E+01
44 4 0.10064255E+01


mean efficiency = 0.10220848E+01


请教大神，ins文件设置是否正确？这个结果计算是否正确？如果正确，这个结果很明显不合理，应该怎么改进呢？