R. Moragues, J. Aparicio, M. Esteve
En esta presentación, introducimos un método basado en el aprendizaje no supervisado para la estimación de fronteras de producción. Este nuevo método, llamado uDEA, generaliza las técnicas clásicas de Análisis Envolvente de Datos (DEA), y satisface axiomas microeconómicos fundamentales como la convexidad y la libre disponibilidad de inputs y ouputs, pero a diferencia del DEA tradicional, no satisface el principio de mínima extrapolación. Este método está basado en el algoritmo OneClass Support Vector Machine para la estimación del soporte de una distribución estadística, con una función de transformación lineal a trozos, y tiene como objetivo reducir el problema de sobreajuste presente en el DEA. También introducimos la manera de medir la ineficiencia técnica. Evaluamos el método a través de una experiencia computacional, que muestra que el error cuadrático medio de la frontera estimada por el uDEA es hasta un 83% mejor que la estimada por el DEA estándar en ciertos escenarios.
Palabras clave: Análisis Envolvente de Datos, aprendizaje no supervisado, Máquinas de Soporte Vectorial, eficiencia técnica, sobreajuste
Programado
Análisis Envolvente de Datos II
10 de junio de 2022 16:00
Sala de Conferencias
