Dimension reduction in nonparametric models of production

به خوبی شناخته شده است که با افزایش تعداد مقادیر ورودی و خروجی (یعنی ابعاد)، میزان همگرا برآوردگرهای کارآیی غیر پارامتری (به عنوان مثال، محاسبات بازده آزادسازی بدنه و تجزیه و تحلیل داده ها) کاهش می یابد. کاهش ابعاد اغلب در چگالی غیر پارامتری و رگرسیون که در آن مشکلات مشابه رخ می دهد، استفاده می شود، اما تنها در چند مورد در زمینه برآورد کارایی استفاده شده است. این مقاله توضیح می دهد که چرا مشکل در مدل های غیر پارامتری تولید اتفاق می افتد و سه تشخیص را برای زمانی که کاهش ابعاد ممکن است منجر به برآورد دقیق تر کارایی شود، پیشنهاد می کند. نتایج شبیه سازی بینش بیشتری را فراهم می کنند و نشان می دهد که در بسیاری از موارد کاهش ابعاد از لحاظ کاهش خطای تخمین سودمند است. نتایج شبیه سازی نیز نشان می دهد که هنگامی که ابعاد کاهش می یابد، برآوردگرهای تخریب مجدد آزاد تبدیل به یک جایگزین جذاب و قابل قبول برای برآوردگرهای تجزیه و تحلیل داده ها در اغلب موارد (و بیشتر محدود کننده) می شوند. در چارچوب برآورد کارایی، این نتایج نتایج کمیتی اول را در بین اطلاعات از دست داده در مقایسه با بهبود خطای تخمین به دلیل کاهش ابعاد ارائه می دهد. نتایج چندین مقاله در ادبیات مجددا مورد بررسی قرار می گیرند تا نشان دهند چه چیزی ممکن است از کاهش ابعاد و نحوه تفسیر ها متفاوت باشد.