Bootstrap DEA: Διόρθωση Σφάλματος και Διαστήματα Εμπιστοσύνης για Βαθμολογίες Αποδοτικότητας
Η Ανάλυση Δεδομένων Εμβέλειας με Bootstrap (Bootstrap DEA) αποτελεί μια επέκταση της τυπικής DEA βασισμένη στην επαναδειγματοληψία, η οποία παρέχει στατιστικά έγκυρα συμπεράσματα για τις βαθμολογίες αποδοτικότητας. Εισήχθη από τους Simar και Wilson το 1998 και αντιμετωπίζει τη θεμελιώδη αδυναμία της κλασικής DEA – την αδυναμία ποσοτικοποίησης της αβεβαιότητας στις εκτιμώμενες βαθμολογίες – μέσω της κατασκευής διαστημάτων εμπιστοσύνης bootstrap και εκτιμήσεων αποδοτικότητας διορθωμένων ως προς το σφάλμα, από επαναλαμβανόμενες ψευδο-σύνορα που προκύπτουν από επαναδειγματοληψία.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Simar, L., & Wilson, P. W. (1998). Sensitivity analysis of efficiency scores: How to bootstrap in nonparametric frontier models. Management Science, 44(1), 49–61. DOI: 10.1287/mnsc.44.1.49 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). Bootstrap Data Envelopment Analysis. ScholarGate. https://scholargate.app/el/efficiency-analysis/bootstrap-dea
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Επαγωγή BootstrapΣτατιστική↔ compare
- Δικτυακή Ανάλυση Περιβάλλουσας Δεδομένων (Network DEA)Ανάλυση Αποδοτικότητας↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →