Stochastic Data Envelopment Analysis: A Random Efficiency Perspective
Notice bibliographique
Résumé
Since its inception, stochastic Data Envelopment Analysis (DEA) has found many applications. The approach commonly taken in stochastic DEA is via chance constraint models. This approach cannot, however, capture the inherent random fluctuations of the efficiency score caused by the random nature of the input and output variables. Having taken a random efficiency perspective, one can introduce an alternative approach that provides ground for capturing these fluctuations. One aspect of this alternative approach, which seems to have been neglected, concerns the distribution of the random efficiency score. We show that the efficiency score does not have a continuous distribution even if the random input and output variables distributions are continuous. The efficiency score distribution has, in fact, a point mass decomposition at 1. This observation renders the non-parametric bootstrap of efficiency score impossible. We introduce several criteria for the ranking and classification of Decision Making Units (DMUs) using a random efficiency perspective, including an interactive ranking method that incorporates managers’ knowledge and preferences. We then apply the point mass decomposition of efficiency score distributions of DMUs and show how these criteria can be implemented. We also discuss how one may estimate the efficiency score distributions of DMUs using both Bayesian and frequentist approaches. Our proposed methodology is illustrated using a real data set.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».