Métodos mejorados para la mitigación de la multicolinealidad en la estimación del análisis de frontera estocástica

La estimación de la eficiencia en la tecnología de producción ha sido una preocupación en la economía, con metodologías como el Análisis de Frontera Estocástica (SFA) desempeñando un papel clave en este ámbito. El SFA ha sido fundamental en la evaluación de la eficiencia de las entidades al aislar la ineficiencia técnica de los errores aleatorios de producción. Sin embargo, a pesar de su importancia, la aplicación del SFA enfrenta desafíos cuando se viola la suposición de multicolinealidad subyacente al modelo. Por lo tanto, este estudio presenta un nuevo estimador, denominado "Estimación de Análisis de Componentes Principales para el Análisis de Frontera Estocástica" (PCA-SFA), para abordar el problema de la multicolinealidad en el modelo clásico de SFA. El estimador PCA-SFA integra Análisis de Componentes Principales (PCA) para corregir la violación de la suposición que se deriva de la multicolinealidad. Se llevó a cabo un estudio de simulación de Monte Carlo para determinar el rendimiento del PCA-SFA, involucrando no menos de 2,000 replicaciones basadas en la función de producción Cobb-Douglas con diferentes niveles de multicolinealidad, representados por coeficientes de correlación que varían de 0.8, 0.9, 0.95, 0.99 y 0.999, y tamaños de muestra (n) de 20, 50, 100, 250 y 1,000. El rendimiento del estimador propuesto se comparó con el modelo clásico de SFA utilizando el Error Cuadrático Medio (MSE), el Criterio de Información de Akaike (AIC) y el Criterio de Información Bayesiano (BIC) como métricas de evaluación. Los resultados demuestran que el estimador PCA-SFA supera consistentemente al modelo clásico de SFA. El modelo PCA-SFA mostró valores de MSE, AIC y BIC significativamente más bajos, indicando una mejor precisión y fiabilidad en la estimación de parámetros. Por lo tanto, el estudio recomienda que los investigadores y profesionales en econometría y campos relacionados consideren integrar el PCA-SFA en sus marcos analíticos de eficiencia de producción, particularmente al tratar con conjuntos de datos propensos a problemas de multicolinealidad.