تصحیح اریب و فواصل اطمینان برای امتیازات کارایی با استفاده از بووت استرپ در تحلیل پوششی دادهها
تحلیل پوششی دادههای بووت استرپ (Bootstrap DEA) یک بسط مبتنی بر نمونهگیری مجدد از تحلیل پوششی دادههای استاندارد است که استنتاج آماری معتبر برای امتیازات کارایی را فراهم میکند. این روش که در سال ۱۹۹۸ توسط Simar و Wilson معرفی شد، ضعف اصلی تحلیل پوششی دادههای کلاسیک - یعنی ناتوانی آن در سنجش عدم قطعیت در امتیازات تخمینزدهشده - را با ساخت فواصل اطمینان بووت استرپ و تخمینهای کارایی تصحیحشده بر اساس اریب، با استفاده از شبهمرزهای نمونهگیریشده مکرر، برطرف میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Bootstrap Data Envelopment Analysis. ScholarGate. https://scholargate.app/fa/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.
Compare side by side →ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →