[language-switcher]

[:es]Título: El problema de la endogeneidad ligado al Análisis Envolvente de Datos (DEA)
Ponente: Gabriela Sicilia
Date: 27/07/2016 12:00 h
Lugar: Sala de Seminarios, Edificio Torretamarit
Resumen:
La presencia de endogeneidad es frecuente en varios procesos de producción económica, sin embargo, ha recibido poca atención en la literatura de fronteras y generalmente se pasa por alto cuando se utiliza el Análisis Envolvente de Datos (DEA) para estimar la eficiencia técnica. Recientemente, Cordero, Santín y Sicilia (2015) concluyen que cuando uno de los inputs del proceso de producción está alta y positivamente correlacionado con la eficiencia, las estimaciones DEA resultan sesgadas. Asimismo, encuentran que el deterioro de las estimaciones DEA es impulsado por la identificación errónea de las DMUs más ineficientes con bajos niveles del input endógeno. Estos resultados adquieren gran relevancia, ya que los escenarios endógenos positivos altos son similares a los que se observan en muchos procesos de producción. En este contexto, la estimación de la eficiencia técnica mediante modelos DEA sin tener en cuenta la presencia de endogeneidad conduce a estimaciones equívocas de la eficiencia, donde muchas de las DMU más ineficientes son identificadas como unidades de referencia, lo que conducirá a recomendaciones de política inapropiadas. En esta charla se mostrará la investigación que aborda dos cuestiones fundamentales: ¿cómo podemos detectar la presencia de un input endógeno? Y, ¿cómo podemos hacer frente a este problema para mejorar las estimaciones DEA? En primer lugar, proporcionamos un procedimiento heurístico simple que permite identificar la presencia de un input endógeno. En segundo lugar, se propone la utilización de una estrategia que denominamos “Instrumental Input DEA” (II-DEA) como una solución potencial para tratar el problema de endogeneidad. Los resultados de los experimentos Monte Carlo confirman que el enfoque II-DEA muestra un mejor desempeño que el DEA estándar cuando un input presenta una alta correlación positiva con la eficiencia técnica. Por último, se mostrará una aplicación empírica para ilustrar los resultados teóricos.
Breve Bio:
Gabriela Sicilia es Doctora en Economía por la Universidad Complutense de Madrid (2015). Sus principales líneas de investigación son la medición de la eficiencia y la inferencia causal aplicadas al ámbito de la educación, combinando tanto elementos metodológicos como aplicados. Su trabajo ha dado lugar a diversas publicaciones en revistas indexadas en JCR tales como European Journal of Operational Research, Scientometrics, Pacific Economic Review, Latin American Economic Review y The Social Science Journal y han sido presentados en más de 20 congresos nacionales e internacionales. Ha participado en diversos proyectos de investigación competitivos y es colaboradora habitual de la Fundación Europea Sociedad y Educación.[:en]Title: Addressing the endogeneity issue in DEA applications
Speaker: Gabriela Sicilia
Date: 27/07/2016 12:00 h
Location: Sala de Seminarios, Edificio Torretamarit
Abstract:
The presence of the endogeneity is frequently observed in several economic production processes, however, it has received little attention in the frontier literature and it is overlooked when practitioners apply data envelopment analysis (DEA). Recently, Cordero, Santín and Sicilia (2015) concluded that when one input in the production process is highly and positively correlated with the true efficiency level, endogeneity arises and DEA estimates are flawed. In addition, they find that this decline in DEA performance is further driven by the misidentification of the most inefficient DMUs with low levels of the endogenous input. These findings take on greater significance since high positive endogenous scenarios are similar to those that are likely to be found in many production processes. In this context, the estimation of the technical efficiency using DEA models without taking into account the presence of endogeneity leads to inaccurate efficiency estimates where many of the most inefficient DMUs are identified as benchmarks, which will lead to inappropriate performance-based recommendations. Building upon this evidence, in this research we address two key issues: how can we detect the presence of an endogenous input? And, how can we deal with this problem in DEA empirical applications to overcome this problem and improve estimations? First, we provide a simple heuristic procedure which allows practitioners to identify the presence of an endogenous input in an empirical research. Second, we propose the use of an instrumental input DEA (II-DEA) as a potential solution to deal with the endogeneity problem in order to improve DEA estimations. Monte Carlo results confirm that II-DEA approach outperforms standard DEA when an input has a high a positive correlation with the technical efficiency. Finally, we perform an empirical application to illustrate our theoretical findings.
Brief Bio:
Ph.D. in Economics at Complutense University of Madrid (2015). Her main lines of research are the measurement of efficiency and productivity and causal inference applied to the field of education, combining both methodological and applied elements. Her work has led to several publications in scientific international journals such as the European Journal of Operational Research, Scientometrics, Pacific Economic Review, Latin American Economic Review and The Social Science Journal and have been discusssed in more than 20 national and international conferences and workshops. She has also participated in several competitive research projects and is a regular contributor to the European Foundation Society and Education.[:]