Publication: Fronteira de produção estocástica: uma abordagem bayesiana
Loading...
Files
item.page.format.extent
item.page.description.firstpage
item.page.description.lastpage
Date
Publication data
item.page.date.series
item.page.date.event
item.page.organization.date
item.page.date.submitted
item.page.project.date
item.page.description.edition
Language
por
item.page.coverage.spatial
item.page.coverage.temporal
item.page.location.country
BR
organization.page.location.country
item.page.type.events
item.page.type
item.page.degree.level
item.page.source.urlsource
ISBN
ISSN
DOI
dARK
item.page.project.ID
item.page.project.productID
Copyright Holder
Instituto de Pesquisa Econômica Aplicada (Ipea)
Access to Information
Acesso Aberto
Terms of Use
É permitida a reprodução deste texto e dos dados nele contidos, desde que citada a fonte. Reproduções para fins comerciais são proibidas.
item.page.title.alternative
Texto para Discussão (TD) 1073: Fronteira de produção estocástica: uma abordagem bayesiana, Stochastic production frontier: a Bayesian approach
item.page.organization.alternative
item.page.name.variant
item.page.contributor.author
Advisor
item.page.contributor.editor
item.page.contributor.thesiscommitee
item.page.contributor.organizer
item.page.contributor.coordinator
item.page.contributor.other
item.page.relation.ispartofseries
Speaker / Moderator / Discussant
Abstract
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.
item.page.description.abstractalternative
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.
