Variable selection in data envelopment analysis: A random forest approach with data augmentation

doi:10.5267/j.dsl.2026.2.008

Variable selection in data envelopment analysis: A random forest approach with data augmentation

2026-03-01

0

PRE

AI

C

Chang, Tzu-Pu *

DOI：10.5267/j.dsl.2026.2.008

原文链接

原文求助

摘要

En 中文

当决策单元（DMU）数量不足时，变量选择是数据包络分析（DEA）中的重要步骤。本研究因此提出了一种两阶段变量选择方法，该方法整合了一种知名的监督机器学习技术——随机森林算法。在第一阶段，实施包含全部输入和输出变量的基线DEA模型，以确定每个DMU是有效还是无效。在第二阶段，训练随机森林以学习在高维情况下如何良好地分类有效或无效的DMU。相应地，基于随机森林中的排列重要性指数，可以计算每个变量的重要性。本文进一步讨论了关于数据增强的两个问题，以在DMU数量非常少的情况下提高排列重要性的稳健性。（c）2026年，作者；授权Growing Science，加拿大

Keyword:

Data envelopment analysis

Variable selection

Machine learning

Random forest

Permutation importance

Data augmentation

Variable selection in data envelopment analysis: A random forest approach with data augmentation

摘要

期刊

机构

引用论文