Título: Mejorando la Precisión Predictiva de los Modelos de Medición de la Eficiencia Técnica de Empresas e Instituciones usando Aprendizaje Automático
Ponente: José Luis Zofío (Universidad Autónoma de Madrid y Rotterdam School of Management de la Erasmus University)
Fecha y hora: 25/10/2024, 12:00
Inscripción online (cierre 30 minutos antes del inicio): https://forms.gle/2VnXCMsM96tUagEQ8
Lugar: Sala de Seminarios del Edificio Torretamarit (CIO) y online
Organizador: Juan Aparicio Baeza
Abstract:
Realizar predicciones precisas de la verdadera frontera de producción es fundamental para un análisis confiable de la eficiencia. Sin embargo, los métodos determinísticos estándar como el Análisis Envolvente de Datos (DEA, por sus siglas en inglés) proporcionan aproximaciones de la frontera de producción que no pueden acomodar el ruido de manera satisfactoria y padecen de sobreajuste. Este estudio combina técnicas de aprendizaje automático, conocidas como Least Squares Boosting (LSB) y Splines de Regresión Adaptativa Multivariante (MARS), para introducir una nueva metodología que mejora la precisión de las predicciones de las fronteras de producción y supera las limitaciones anteriores. El nuevo método ajusta splines de regresión por pares a los datos, asegurando que las fronteras de producción predichas cumplan con ciertas condiciones de regularidad requeridas: envolvente, monotonía y concavidad. El método, denominado LSB-MAFS, se implementa a través de algoritmos computacionales, y se ilustra su aplicabilidad mediante simulaciones con varios procesos generadores de datos. También comparamos su rendimiento con las alternativas más populares, considerando tanto escenarios deterministas como estocásticos: DEA, DEA con remuestreo (bootstrap), Mínimos Cuadrados No Paramétricos Cóncavos Corregidos (C2NLS) y el Análisis de Fronteras Estocásticas (SFA). El nuevo método supera a estas alternativas en los escenarios más complejos, incluidos aquellos estocásticos, donde en principio los métodos paramétricos como el SFA deberían rendir mejor. Concluimos que nuestro enfoque para la predicción de la frontera de producción es una alternativa válida y competitiva para un análisis de eficiencia confiable.