Estimación de fronteras de producción a través de la minimización del riesgo estructural y support vector machines

• Autores: Nadia María Guerrero Martínez
• Directores de la Tesis: Juan Aparicio Baeza (dir. tes.)
• Lectura: En la Universidad Miguel Hernández de Elche ( España ) en 2025
• Idioma: español
• Tribunal Calificador de la Tesis: José Luis Zofío Prieto (presid.) , Lidia Ortiz Henarejos (secret.) , Sebastián Lozano Segura (voc.)
• Texto completo no disponible (Saber más ...)
• Resumen

  • 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.