Model Uncertainty under Non-Gaussian Errors: Bayesian Model Averaging and Selection in Stochastic Frontier Models
Dieses Paper schlägt schnelle Verfahren zur Bayes’schen Modellmittelung und -selektion für die stochastische Frontier-Analyse unter nicht-gaußschen Fehlern vor und evaluiert diese, wobei durch Simulationen nachgewiesen wird, dass die Berücksichtigung asymmetrischer Störungen die posteriore Inferenz und die Ergebnisse der Modellselektion im Vergleich zu konventionellen Gauß-Fehler-Ansätzen signifikant beeinflusst.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber die Hinweise, die Sie finden, sind ein wenig unordentlich. Manchmal ist ein Hinweis ein klarer Fingerabdruck (ein echtes Signal) und manchmal ist er nur ein Schmierer am Fenster, der durch Regen entstanden ist (zufälliges Rauschen). In der Welt der Wirtschaft versuchen Wissenschaftler oft herauszufinden, wie viel „Rauschen“ die wahre Geschichte darüber verbirgt, wie Dinge funktionieren, wie zum Beispiel, wie viel eine Fabrik tatsächlich produziert im Vergleich zu dem, was sie produzieren könnte, wenn sie perfekt wäre. Dieses Feld wird als Stochastische Frontier-Analyse bezeichnet. Normalerweise gehen Detektive davon aus, dass die Regentropfen-Schmierer perfekt rund und symmetrisch sind, wie kleine Kreise. Aber in der realen Welt sind Fehler nicht immer perfekte Kreise; manchmal sind sie ungleichmäßig, wie eine zerquetschte Weintraube. Diese Arbeit stellt eine große Frage: Spielt es eine Rolle, ob wir annehmen, dass die „Fehler“ perfekte Kreise oder zerquetschte Weintrauben sind, wenn wir versuchen, die besten Hinweise zu finden, um den Fall zu lösen?
Die Arbeit, geschrieben von Kamil Makieła von der Wirtschaftsuniversität Krakau, taucht in dieses Problem unter Verwendung einer Methode namens Bayesian Model Averaging and Selection (Bayessche Modellmittelung und Selektion) ein. Denken Sie bei dieser Methode an einen superintelligenten Bibliothekar, der die besten Bücher aus einer Bibliothek mit Millionen von möglichen Kombinationen auswählen muss. Der Bibliothekar möchte wissen, welche Variablen (wie etwa Zutaten in einem Rezept) tatsächlich wichtig sind. Der Autor testet zwei verschiedene Wege, die Daten zu betrachten: einen, der davon ausgeht, dass das „Rauschen“ ein standardisierter, symmetrischer Kreis ist (der alte, sichere Weg), und einen anderen, der davon ausgeht, dass das Rauschen ungleichmäßig und asymmetrisch ist, wie eine zerquetschte Weintraube (der neue, realistischere Weg für Effizienzstudien). Die Studie nutzt Computersimulationen, um zu sehen, welcher Bibliothekar die bessere Arbeit leistet, insbesondere wenn das „R𝑎uschen“ sehr stark und das „Signal“ sehr schwach ist.
Das Hauptergebnis ist, dass, wenn Sie versuchen zu messen, wie effizient ein Unternehmen oder ein Land ist, die Annahme, dass das Rauschen eine „zerquetschte Weintraube“ (asymmetrisch) ist, oft eine viel bessere Karte liefert als die Annahme eines perfekten Kreises. In den Computersimulationen war die neue Methode besonders gut darin, die wahren Zutaten aufzuspüren, wenn das „Rauschen“ laut und das „Signal“ leise war. Es war, als hätte man eine Taschenlampe, die durch dichten Nebel schneiden kann, während die alte Methode nur den Nebel sah und rätte. Wenn das Rauschen jedoch sehr leise und das Signal laut war, machten beide Methoden einen ziemlich ähnlichen Job. Die Arbeit legt nahe, dass für die wichtigsten Fälle – in denen wir wirklich wissen müssen, wie effizient etwas ist – der neue, ungleichmäßige Ansatz die bessere Wahl ist.
Um dies umzusetzen, musste der Autor ein riesiges Puzzle lösen: Es gibt so viele mögliche Kombinationen von Hinweisen, dass das Überprüfen aller Möglichkeiten ewig dauern würde. Stellen Sie sich vor, Sie versuchen, jede mögliche Kombination von Toppings auf einer Pizza zu probieren, um die perfekte zu finden; bei 20 Toppings gibt es über eine Million Kombinationen! Der Autor zeigte, dass es durch den Einsatz leistungsstarker Computer, die viele Pizzas gleichzeitig probieren können (Parallel Computing), tatsächlich möglich ist, jede einzelne Kombination zu überprüfen, ohne Jahre zu warten. Er fand auch eine clevere Abkürzung: Er konnte zuerst schnell einige tausend „Rohentwürfe“ der Pizza probieren, um die schrecklichen herauszufiltern, und dann erst Zeit damit verbringen, die besten Kandidaten mit der schicken, langsamen Methode zu probieren. Dies machte den Prozess schnell genug, um praktikabel zu sein, selbst für Computer mit 32 Kernen und 64 GB RAM.
Die Arbeit testete dies auch an realen Daten, indem sie die Getreideproduktion in der Europäischen Union und die Fertigung in den Vereinigten Staaten untersuchte. In diesen realen Beispielen half die neue Methode dabei, eine einfachere, sauberere Liste von Zutaten auszuwählen, die die Daten genauso gut erklärte wie die komplizierte Liste. Interessanterweise, als sie die einfachere Liste verwendeten, um Effizienzwerte zu berechnen, sahen die Fabriken und Farmen im Durchschnitt etwas effizienter aus, was die Idee unterstützt, dass das Entfernen der „Müll“-Zutaten ein klareres Bild der Leistung liefert. Der Autor kommt zu dem Schluss, dass die alte, symmetrische Methode für manche Dinge okay ist, aber wenn man es wirklich ernst meint mit der genauen Messung von Effizienz, sollte man wahrscheinlich die neue Methode verwenden, die die ungleichmäßige Natur realer Fehler berücksichtigt. Die Studie behauptet nicht, jedes wirtschaftliche Rätsel gelöst zu haben, aber sie bietet ein schnelleres, zuverlässigeres Werkzeug für Detektive, die echte Signale von dem zerquetschten-Weintraube-Rauschen trennen müssen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.