M. Esteve Campello, J. Aparicio Baeza, J. J. Rodríguez Sala
En la ingeniería de producción y en la microeconomía, un tema de interés es la medición de la eficiencia técnica de las empresas. En la literatura pocos han intentado abordar este problema desde la perspectiva del machine learning. Nuestro objetivo es llenar este vacío adaptando el Random Forest (Breiman, 2001) para estimar las fronteras de producción y la eficiencia técnica. Nuestro enfoque se basa en la técnica EAT (Esteve et al., 2020), que aplica modelos de árboles de decisión para estimar los conjuntos de posibilidades de producción satisfaciendo el axioma de libre disponibilidad en microeconomía y evitando el sobreajuste del modelo. Las aportaciones de este trabajo son las estimaciones derivadas de la eficiencia técnica son robustas tanto al remuestreo de los datos como a las variables input consideradas en el análisis; se sugiere un método para determinar la importancia de las variables de entrada en el modelo; y resolver el problema conocido como maldición de la dimensionalidad
Palabras clave: Análisis Envolvente de Datos, Random Forest, Free Disposal Hull, Eficiencia Técnica, Árboles de Regresión
Programado
Aplicaciones de la Estadística II
10 de junio de 2022 16:00
A15
