Una nueva metodología basada en splines envolventes para la estimación de la eficiencia en el contexto de múltiples outputs

V. J. España Roch, J. Aparicio Baeza, J. X. Barber Vallés

Se presenta una nueva metodología no paramétrica para la estimación de fronteras de producción que cumplen ciertos axiomas clásicos de la teoría de la producción como la monotonicidad y la concavidad. El método consta de dos etapas: (i) se adapta la versión aditiva de la técnica de aprendizaje automático Multivariate Adaptive Regression Splines (MARS) y (ii) se ajusta un modelo DEA en base a los resultados obtenidos en la primera etapa, pudiendo calcular cualquier medida de eficiencia definida para una tecnología DEA. Este nuevo enfoque comparte con DEA la forma del predictor como una función lineal a trozos, pero supera los problemas de sobreajuste presentes en DEA haciendo uso de la técnica de validación cruzada generalizada y mediante una selección óptima de hiperparámetros. Además, nuestro enfoque permite modelar interacciones subyacentes de las variables manteniendo la linealidad del modelo, lo que le convierte en una técnica muy flexible que se ajusta a escenarios muy diversos.

Keywords: Análisis de Eficiencia, Machine Learning, sobreajuste

Data Envelopment Analysis I
November 10, 2023  12:00 PM
CC3: Room 1

M. D. Guillén, J. Aparicio Baeza, M. Esteve

N. Ramon, H. P. Guevel, J. Aparicio Baeza

R. Moragues, J. Aparicio Baeza, M. Esteve