数据包络分析--Additive Model

数据包络分析-Additive Model

今天，我们来介绍第三种基础模型，Additive Model加性模型。加性模型有多种形式，本章研究的是可变规模报酬（variable returns to scale）下的加性模型，先给出它的模型：

Additive Model

加性模型的目标函数不再是一个效率分数值，它是直接对所有松弛值进行考虑：

这个模型的对偶模型是：

一般我们常用的是第一种模型。

example

用一个例子来进行模型解释。比如说单投入单输出，将它们画在坐标轴上：

根据约束条件，纵轴可以用**s+来进行调整，而横轴则是用s-**来进行调整。这里的决策单元D并不在前沿面上，那么就要让D到达前沿面上。根据目标函数，要两个松弛值加和达到最大，便是D到达离它最远的B值（图可能不太精确，意思理解即可）。

Add-efficiency

加性模型变得有效，当且仅当所有松弛为0（即s+和s-都等于0）。

projection

至于投影部分，其实跟前面两个模型一样，这里简单带过：

其实不管什么，都是保留

translation Invariance

BCC具有平移不变性（为什么用BCC模型与Add模型进行对比?是因为这里的这两个模型规模报酬一致），但只有在基于投入向的模型中，输出是平移不变的。而只有在基于输出向的模型中，投入是平移不变的。用例子说明：

比如说在基于投入向的模型中，（看BCC模型公式）投入是要乘以theta值，也就是先进行压缩，再用松弛进行调整，而输出则是直接用松弛进行调整，那么在投入产出同时加减某个常数之后，只有产出的等式仍然成立。这也就意味着投入是不具有平移不变性的，而产出具有平移不变性。

加性模型具有平移不变性。可以从模型的目标函数看，用的都是松弛值，可以在单输入单输出图像中理解成距离，那么距离是不变的，就不会随着投入产出数字的变化而变化。具体用图像说明：

在这幅图中，不管是x轴向下（上）移，还是y轴向左（右）移动，都不会改变松弛之和。

接下来用推理准确表述Add平移不变性：

先对所有的x,y加上任意常数。

这一步的关键是用到了𝑒𝜆=1这个条件（为什么会有这个条件？因为这里的加性模型用的是可变规模报酬），那么，就可以继而得到：

与之前的约束条件相比，𝜆与s-都没变。相似地，产出y也能得到：

得到这两步后，可以发现松弛变量都没有变化：

因此目标函数不变。这就说明加性模型具有平移不变性。

R代码

x=matrix(c(2,3,2,4,6,5,6,8),ncol = 1)
y=matrix(c(1,3,2,3,5,2,3,5),ncol = 1)
res=dea.add(x,y,RTS = "vrs")
res$objval
cbind(res$sx,res$sy)

优缺点

首先我们先回想一下CCR与BCC模型（这两类差不多），一般我们得到一个效率分数值theta ,若它的值为1，我们不能直接说这个决策单元（DMU）是有效的，还要观察松弛值是否全为0，若全为0才能下结论说这个决策单元是有效的。

加性模型：

1. 那对于加性模型来说，它是直接考虑松弛值。若松弛全为0，就可以直接得出有效。并且又因为它的平移不变性质，可以解决数据中出现负值的情况。
2. 并且BCC这类模型是区分输入向和输出向的，但是加性模型则是不区分。
3. 但是它的缺点也明显，在决策单元不是有效的情况下，它不能给出无效程度theta；
4. 还有一个缺点便是，加性模型是直接考虑松弛，松弛与各投入产出单位有关，各单位不一样还不能直接进行加和，因此加性模型对于数据需要做处理。