Publicação: Fronteira de produção estocástica: uma abordagem bayesiana
Carregando...
Arquivos
Paginação
Primeira página
Última página
Data
item.page.date.journal
Data da Série
Data do evento
Data
Data de defesa
Data
Edição
Idioma
por
Cobertura espacial
Cobertura temporal
País
BR
organization.page.location.country
Tipo de evento
Tipo
Grau Acadêmico
Fonte original
ISBN
ISSN
DOI
dARK
item.page.project.ID
item.page.project.productID
Detentor dos direitos autorais
Instituto de Pesquisa Econômica Aplicada (Ipea)
Acesso à informação
Acesso Aberto
Termos de uso
É permitida a reprodução deste texto e dos dados nele contidos, desde que citada a fonte. Reproduções para fins comerciais são proibidas.
Titulo alternativo
Texto para Discussão (TD) 1073: Fronteira de produção estocástica: uma abordagem bayesiana, Stochastic production frontier: a Bayesian approach
item.page.organization.alternative
Variações no nome completo
Autor(a)
Orientador(a)
Editor(a)
Organizador(a)
Coordenador(a)
item.page.organization.manager
Outras autorias
Palestrante/Mediador(a)/Debatedor(a)
Coodenador do Projeto
Resumo
O modelo de fronteira de produção estocástica, na especificação clássica, obtém estimativas de máxima verossimilhança (EMV) (pontuais) dos parâmetros e da produtividade dos agentes. A especificação bayesiana proposta, estimada utilizando o algoritmo de Cadeias de Markov de Monte Carlo (MCMC), obtém uma amostra da distribuição do estimador dos parâmetros e da produtividade dos agentes, o que permite derivar outras estatísticas relativas a essas medidas, em particular o valor esperado e o intervalo de máxima densidade. Neste texto, apresenta-se a implementação desse modelo, e mostra-se, empiricamente, que a EMV tem um viés maior do que a estimativa bayesiana, em particular dos momentos de segunda ordem.
Resumo traduzido
The model of stochastic production frontier on the classical specification gets maximum likelihood estimates of model parameters e agents productivity. The proposed Bayesian specification, estimated using Monte Carlo Markov Chain (MCMC) gets a sample from the distribution of the parameter and productivity estimator, which make possible measure the expected value and the interval of maximum density. In this paper is showed the implementation of this model, and is showed, empirically, that the maximum likelihood estimator has a bias greater than the Bayesian version, in particular for the second moments.