随机前沿模型可以使用最大似然估计与贝叶斯估计等两种估计方法进行参数与效率的估计，这两种估计方法之间存在异同点。Kim and Schmidt 认为两种估计方法的流程比较类似，例如最大似然估计需要给随机变量作出分布假设，贝叶斯估计也需要对待估参数进行分布假设。通过一个实证结果分析得出，Kimand Schmidt 发现两种估计方法分别得到的结果并没有很大差别。Ortega andGavilan 发现贝叶斯估计的优势之一在于可以很方便设置参数约束条件，但缺乏一款易用的测算软件，不过 WinBUGS（Windows Bayesian inference using gibbssampling）软件的灵活性较高，可以很容易实现多种模型的设定。

根据贝叶斯估计的基本思想，以经验为基础的信息可以组成先验信息，再进一步结合样本数据进行修正概率，即可得到对于该事物的推断分析，得到后验分析。而最大似然估计是基于频率学派的基本观点，对于参数估计的标准是：最合理的参数估计量应该使得这组样本从总体中抽出的概念最大。贝叶斯估计方法最早由 Van den Broeck, Koop, Osiewalski and Steel引入到 SFA 分析中。相比常规的 ML 方法，Bayesian 方法的均方差值显著较小，对 SFA 模型的估计效果更好。贝叶斯与最大似然估计分别使用 WinBUGS 与 Frontier 软件。但 Frontier不能设定自回归结构，因此我们选择贝叶斯估计进行参数与效率的估计。根据 WinBUGS 官网的参考资料、软件使用手册及程序小视频，以及相关文献材料，我们使用 WinBUGS 进行贝叶斯分析。程序代码中需要包括模型设定、数据文件及初始化值等三个基本部分。本文中由于模型比较复杂，代码编写部门内容较多，其主要结构如下：导入各个变量数据、将二维数组转化为三维数组、指定等式左边的联合概率分布形式、设定非效率项初始值及自回归结构并指定非效率项分布形式、最后可以灵活地设置需要输出的指标，如效率值、技术进步及规模报酬等及其各种平均值，区域电网、年均值等。