Una adaptación de Random Forest para la estimación de intervalos de confianza para medidas de eficiencia técnica

M. Guillén, J. Aparicio, C. Vincent

Los métodos no paramétricos tradicionales, como el Análisis Envolvente de Datos (DEA), a menudo sufren de sobreajuste y generan malas estimaciones, lo que conduce a predicciones inexactas y segadas de la eficiencia técnica. En este trabajo presentamos una nueva metodología basada en el aprendizaje automático que adapta el algoritmo Random Forest al contexto de la producción. La principal ventaja de este algoritmo es que hace un doble proceso de aleatorización: tanto de la muestra de datos, como de las variables (inputs) del modelo. Los resultados de este algoritmo son usados para calcular intervalos de confianza BCa (bias-corrected and accelerated) para cuantificar la incertidumbre en las mediciones de eficiencia. Mediante simulaciones computacionales demostramos que el nuevo enfoque logra tasas de éxito significativamente más altas en la predicción correcta del verdadero valor de eficiencia dentro de los intervalos de confianza en comparación con bootstrapped DEA.

Keywords: Análisis Envolvente de Datos, Aprendizaje Automático, Random Forest, Bootstrap, Intervalos de Confianza

Análisis Envolvente de Datos
June 10, 2025  11:30 AM
Sala 3. Maria Rúbies Garrofé

R. González Moyano, J. Aparicio Baeza, V. J. España Roch, J. L. Zofio Prieto

V. J. España Roch, J. Aparicio Baeza, C. Vincent

J. Aparicio, L. Ortiz, D. Santín