Estimación de fronteras de producción a través de la minimización del riesgo estructural y Support Vector Machines
Esta tesis doctoral explora la integración del Análisis Envolvente de Datos (DEA) con técnicas de Aprendizaje Automático (Machine Learning, ML), particularmente la Minimización del Riesgo Estructural (SRM) y las Máquinas de Vectores de Soporte (SVM), con el fin de mejorar la estimación de fronteras...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad Miguel Hernández de Elche |
| Repositorio: | REDIUMH. Depósito Digital de la UMH |
| OAI Identifier: | oai:dspace.umh.es:11000/39500 |
| Acceso en línea: | https://hdl.handle.net/11000/39500 |
| Access Level: | acceso abierto |
| Palabra clave: | Análisis Envolvente de Datos (DEA) Aprendizaje Automático Minimización del Riesgo Estructural (SRM) Máquinas de Vectores de Soporte (SVM) splines lineales Estimación de Fronteras de Eficiencia Tecnología de Producción Data Envelopment Analysis (DEA) Machine Learning (ML) Structural Risk Minimization (SRM) Support Vector Machines (SVM) Data Envelopment Analysisbased Machines (DEAM) Support Vector Regression (SVR) multi-output setting Support Vector Frontiers with Kernel Splines (SVF-Splines) linear splines efficiency frontier estimation production technologies CDU::5 - Ciencias puras y naturales::51 - Matemáticas CDU::0 - Generalidades.::04 - Ciencia y tecnología de los ordenadores. Informática. |
| Sumario: | Esta tesis doctoral explora la integración del Análisis Envolvente de Datos (DEA) con técnicas de Aprendizaje Automático (Machine Learning, ML), particularmente la Minimización del Riesgo Estructural (SRM) y las Máquinas de Vectores de Soporte (SVM), con el fin de mejorar la estimación de fronteras de eficiencia y reducir el problema del sobreajuste. Se introduce Data Envelopment Analysis-based Machines (DEAM), un modelo inspirado en Support Vector Regression (SVR) que controla tanto el error empírico como el error de generalización mediante límites PAC, mostrando un mejor desempeño que DEA en términos de sesgo y error cuadrático medio. Posteriormente, DEAM se amplía a un entorno multi-output, lo que permite evaluar la eficiencia en procesos productivos con múltiples entradas y salidas, mejorando la capacidad de inferencia sobre la tecnología de producción. Finalmente, se desarrolla Support Vector Frontiers with Kernel Splines (SVF-Splines), un método basado en SVR con splines lineales para estimar tecnologías de producción convexas en un solo paso, reduciendo significativamente la complejidad computacional y el error cuadrático medio en comparación con DEA y otros métodos basados en SVM. En conjunto, esta tesis representa un puente entre la eficiencia productiva y el aprendizaje automático, proporcionando modelos más robustos, precisos y computacionalmente eficientes para la estimación de tecnologías de producción en microeconomía e ingeniería. |
|---|