L'action supporte l'incorporation de connaissances métier via deux paramètres essentiels. Le paramètre restrictions permet d'imposer des contraintes linéaires sur les estimations des paramètres du modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting).. Par ailleurs, le paramètre tests permet d'exécuter des tests d'hypothèses statistiques (Wald, Rapport de vraisemblance ou Multiplicateur de Lagrange) sur des équations spécifiques, validant ainsi la pertinence des théories économiques appliquées à vos données de production.
Comment intégrer des hypothèses métier rigoureuses dans vos modèles de production ?
Exemples pour l'action frontierProd
Modèle de production de base
Estimation simple d'une frontière de production avec une distribution d'erreur exponentielle par défaut.
Analyse avancée avec calcul d'efficience
Utilisation d'une distribution tronquée, d'un algorithme d'optimisation spécifique et calcul de l'efficience technique par observation.
Modèle avec contraintes et tests d'hypothèses
Application de restrictions sur les paramètres (somme des coefficients = 1 pour les rendements d'échelle constants) et tests de Wald.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Comment l'action frontierProd permet-elle de mesurer l'écart de performance industrielle ?
Comment automatiser la génération des scores d'efficacité technique dans CAS ?
Quels sont les modèles de distribution disponibles pour analyser l'inefficacité technique ?
Est-il possible de contrôler finement la convergence des modèles économétriques complexes ?