V. J. España Roch, J. Aparicio Baeza, X. Barber Vallés, M. Esteve Campello
El artículo que se presenta introduce una nueva metodología para la estimación de funciones de producción que satisface axiomas clásicos de la teoría de producción (monotonía y concavidad) a través de la adaptación de la técnica de aprendizaje automático Multivariate Adaptive Regression Splines (MARS). Este nuevo enfoque, bautizado como Multivariate Adaptive Frontier Splines (MAFS), comparte con el Análisis Envolvente de Datos (DEA) la forma del predictor como una función lineal a trozos. Sin embargo, MAFS supera los problemas de sobreajuste presentes en DEA al recurrir a la técnica de validación cruzada generalizada. En este artículo se ha empleado un experimento computacional para medir el desempeño de MAFS, demostrando que este nuevo enfoque reduce significativamente el error cuadrático medio y el sesgo del estimador de la verdadera función de producción en comparación con DEA y la técnica de Corrected Concave Non-Parametric Least Squares (C2NLS).
Palabras clave: Análisis Envolvente de Datos, Multivariate Adaptive Regression Splines, aprendizaje automático, sobreajuste.
Programado
Análisis Envolvente de Datos II
10 de junio de 2022 16:00
Sala de Conferencias
