معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

four component stochastic frontier model with determinants

ویژگی	مقدار
سیستم عامل	-
نام فایل	4SFwD-0.0.2
نام	4SFwD
نسخه کتابخانه	0.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Ruei-Chi Lee
ایمیل نویسنده	axu3bjo4fu6@gmail.com
آدرس صفحه اصلی	https://https://github.com/rickylee318/sf_with_determinants
آدرس اینترنتی	https://pypi.org/project/4SFwD/
مجوز	-

# SF4wD # four-component stochastic frontier model with determinants ## Motivation ## This package was developed to complement four-component stochastic frontier that consider determinants in mean and variance parameters of inefficiency distributions by Ruei-Chi Lee. ## Installation ## Install via `$ pip install 4SFwD` ## Features ## * **SF4wD**: main.py - set method and model to run simulation or real data * **HMC**: Hamilton Monte Carlo designed for determinants parameters. * **DA**: Data augmentation for the model * **TK**: Two-parametrization method originally proposed by Tsiona and Kunmbhaker (2014) for four-component model without determinants. * **PMCMC**: Particle MCMC for the model (perferred approach) - speed up by GPU parallel computation ## Example ## Here is how you run a simulation estimation for a four-component stochastic frontier model via PMCMC: - Parameter setting guideline in the SF4wD.py - Simulation data only offers stochastic frontier model that consider determinants in both mean and variance parameter of inefficiencies. ```python import SF4wD #model:str - different way to consider determinants #method:str - different Bayesian method to estimate the model #data_name : str - simulation data or data in data/. #S : int - MCMC length #H : int - number of particles in PMCMC #gpu: boolean - use parallel computation to run PMCMC #save: boolean - save MCMC data my_model = SF4wD(model = 'D', method = 'PMCMC', data_name ='',S=10, H=100, gpu=False, save=False) my_model.run() ``` output: ```python mean sd hpd_3% hpd_97% mcse_mean mcse_sd ess_mean ess_sd ess_bulk ess_tail r_hat beta0 2.412 0.093 2.318 2.555 0.046 0.035 4.0 4.0 7.0 10.0 NaN beta1 1.078 0.074 0.977 1.242 0.023 0.017 10.0 10.0 10.0 10.0 NaN xi0 0.580 0.043 0.531 0.652 0.014 0.011 9.0 9.0 8.0 10.0 NaN xi1 0.694 0.127 0.479 0.867 0.073 0.058 3.0 3.0 3.0 10.0 NaN delta0 0.141 0.072 0.013 0.273 0.023 0.019 10.0 8.0 10.0 10.0 NaN delta1 0.774 0.137 0.620 0.984 0.079 0.063 3.0 3.0 3.0 10.0 NaN z0 -0.461 0.716 -1.844 0.609 0.376 0.291 4.0 4.0 4.0 10.0 NaN z1 2.728 0.889 1.268 3.941 0.459 0.354 4.0 4.0 4.0 10.0 NaN gamma0 0.662 0.092 0.500 0.773 0.052 0.041 3.0 3.0 3.0 10.0 NaN gamma1 0.412 0.061 0.349 0.519 0.021 0.015 9.0 9.0 9.0 10.0 NaN sigma_alpha_sqr 1.377 0.178 1.095 1.693 0.075 0.057 6.0 6.0 6.0 10.0 NaN sigma_v_sqr 2.575 2.523 1.290 9.515 1.062 0.793 6.0 6.0 3.0 10.0 NaN ``` ## License ## Ruei-Chi Lee is the main author and contributor. Bug reports, feature requests, questions, rants, etc are welcome, preferably on the github page.

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl 4SFwD-0.0.2:

pip install 4SFwD-0.0.2.whl

نصب پکیج tar.gz 4SFwD-0.0.2:

pip install 4SFwD-0.0.2.tar.gz