数据结构
网络
关系型数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法学公司效率分析的参数化和非参数化方法
效率分析的参数化方法与非参数化方法
效率测量的参数化方法和非参数化方法在过去十年中获得了显著发展。然而，选择哪种效率管理方法一直是一个长期争论的问题。参数化方法的优点是不受效率低下随机噪声的影响。然而，将真正的噪声与过程分离可能是一个限制性的过程。
非参数化方法的优点是可以证明其公理特性。它也没有参数化方法那样多的限制性属性。然而，非参数化方法不能区分真正的低效率和统计噪声。因此，与参数化方法一样，它也既有优点也有缺点。
与参数化方法相比，效率分析的非参数化方法基于这样一个假设：效率是通过吸收最有效决策单元(DMU)和/或基准的经验结果而产生的。
效率分析的非参数化方法的一些优点如下：
计算更容易估计
数据可以是定性格式，不需要是定量数据
数据可以是序数排序
该方法不像参数效率分析那样有许多限制。
然而，效率分析的非参数化方法存在缺陷，因为它并非依赖于所有获得的数据作为参考，它们没有使用样本中的所有信息。
效率分析的参数化方法的性质和类型
参数效率技术可以分为三大类，所有这些都需要选择性函数形式来获得成本利润边界。
这些是：
无分布方法 (DFA)
随机前沿方法 (SFA)，以及
厚前沿方法 (TFA)。
在参数效率分析中，生产函数由一组解释变量定义。回归的复合误差项和低效率项的两个组成部分也用于分析。
无分布方法 (DFA)
无分布方法用于面板数据，也用于放宽复合误差项的分布假设。
在这里，核心低效率与任何随机误差区分开来，假设核心低效率随着时间的推移而持续存在，而随机误差往往随着时间的推移而变得司空见惯。
随机前沿方法 (SFA)
随机前沿方法处理来自生产函数的偏差，该偏差包括随机误差和低效率。这就是为什么随机前沿方法具有误差的双侧分布和低效率的单侧分布。
厚前沿方法 (TFA)
厚前沿方法不对复合误差项施加限制，但它认为最高和最低效率四分位数的低效率是不同的。厚前沿方法还假设随机误差在这两个四分位数中。
所有这些方法都存在潜在的规范错误，因为指定的成本利润是其真实对应物的近似值。
效率分析的非参数化方法的性质和类型
非参数效率分析有两种方法。它们如下：
数据包络分析 (DEA) 和
自由处理包络 (FDH) 方法。
数据包络分析 (DEA)
数据包络分析的开发是为了衡量各种非营利组织的绩效。这些组织对传统的绩效计算技术具有很强的抵抗力。这是因为这些组织的投入和产出复杂且往往未知，并且必须考虑不可比的项目才能全面了解运营效率状况。
在 DEA 的情况下，价格细节往往不可用或不可靠。然而，由于私营组织和公共组织的目标之间存在差异，因此检验其绩效的共同点是技术效率。
DEA 模型是非随机的，因此非参数效率模型的样本中存在足够的噪声。
自由处理包络 (FDH) 方法
用于测量效率的自由处理包络 (FDH) 方法是一种非参数方法，它在很大程度上放宽了数据包络分析 (DEA) 模型的凸性。它是使用最广泛的效率测量分析非参数方法。
自由处理包络法分为两种类型：*输入导向模型*和*输出导向模型*。在保持给定输出集的同时倾向于最小化输入的版本称为输入导向模型。另一个版本旨在最大化输出而不需要输入，称为输出导向模型。
自由处理包络法主要用于获得农场效率的估计值。它是分析公共部门效率问题的特别有用的工具。此外，FDH 效率分析方法对生产技术的假设最少。
结论
效率分析的参数化方法和非参数化方法都很重要。然而，它们的使用取决于它们的属性和特性，以便最适合样本并最谨慎地利用数据。其目的是减少噪声，并以最少的错误获得最佳结果。
浏览量：573
