二、模型的假设 1、假设我们所统计和分析的数据，都是客观真实的； 2、在考虑影响毕业生就业的因素时，假设我们所选取的样本为简单随机抽样，具有典型性和普遍性，基本上能够集中反映毕业生就业实际情况； 3、在数据计算过程中，假设误差在合理范围之内，对数据结果的影响可以忽略. 三、符号说明
四、模型的分析与建立 1、问题背景的理解 随着我国改革开放的不断深入，经济转轨加速，社会转型加剧，受高校毕业生总量的增加，劳动用工管理与社会保障制度，劳动力市场的不尽完善，以及高校的毕业生部分择业期望过高等因素的影响，如今的毕业生就业形势较为严峻.为了更好地解决广大学生就业中的问题，就需要客观地、全面地分析和评价毕业生就业的若干主要因素，并将它们从主到次依秩排序. 针对不同专业的毕业生评价其就业情况，并给出某一专业的毕业生具体的就业策略. 2、方法模型的建立 （1）层次分析法 层次分析法介绍：层次分析法是一种定性与定量相结合的、系统化、层次化的分析方法，它用来帮助我们处理决策问题.特别是考虑的因素较多的决策问题，而且各个因素的重要性、影响力、或者优先程度难以量化的时候，层次分析法为我们提供了一种科学的决策方法. 通过相互比较确定各准则对于目标的权重，及各方案对于每一准则的权重.这些权重在人的思维过程中通常是定性的，而在层次分析法中则要给出得到权重的定量方法. 我们现在主要对各个因素分配合理的权重，而权重的计算一般用美国运筹学
家T.L.Saaty 教授提出的AHP 法. （2）具体计算权重的AHP 法 AHP 法是将各要素配对比较，根据各要素的相对重要程度进行判断，再根据计算成对比较矩阵的特征值获得权重向量k W . Step1. 构造成对比较矩阵 假设比较某一层k 个因素12,,,k C C C 对上一层因素ο的影响，每次两个因素i C 和j C ，用ij C 表示i C 和j C 对ο的影响之比，全部比较结果构成成对比较矩阵C ，也叫正互反矩阵. *()k k ij C C =， 0ij C >，1 ij ji C C =， 1ii C =. 若正互反矩阵C 元素成立等式：* ij jk ik C C C = ，则称C 一致性矩阵. 标度ij C 含义 1 i C 与j C 的影响相同 3 i C 比j C 的影响稍强 5 i C 比j C 的影响强 7 i C 比j C 的影响明显地强 9 i C 比j C 的影响绝对地强 2,4,6,8 i C 与j C 的影响之比在上述两个相邻等级之间 11 ,,29 i C 与j C 影响之比为上面ij a 的互反数 Step2. 计算该矩阵的权重 通过解正互反矩阵的特征值，可求得相应的特征向量，经归一化后即为权重向量 12 = [ , ,..., ]T k k k kk Q q q q ，其中的ik q 就是i C 对ο的相对权重.由特征方程 A-I=0λ，利用Mathematica 软件包可以求出最大的特征值 max λ 和相应的特征向 量. Step3. 一致性检验 1）为了度量判断的可靠程度，可计算此时的一致性度量指标CI ：
层次分析法的优劣势分析： 优势： 1.系统性的分析方法 层次分析法把研究对象作为一个系统，按照分解、比较判断、综合的思维方式进行决策，成为继机理分析、统计分析之后发展起来的系统分析的重要工具。系统的思想在于不割断各个因素对结果的影响，而层次分析法中每一层的权重设置最后都会直接或间接影响到结果，而且在每个层次中的每个因素对结果的影响程度都是量化的，非常清晰、明确。这种方法尤其可用于对无结构特性的系统评价以及多目标、多准则、多时期等的系统评价。 2.简洁实用的决策方法 这种方法既不单纯追求高深数学，又不片面地注重行为、逻辑、推理，而是把定性方法与定量方法有机地结合起来，使复杂的系统分解，能将人们的思维过程数学化、系统化，便于人们接受，且能把多目标、多准则又难以全部量化处理的决策问题化为多层次单目标问题，通过两两比较确定同一层次元素相对上一层次元素的数量关系后，最后进行简单的数学运算。即使是具有中等文化程度的人也可了解层次分析的基本原理和掌握它的基本步骤，计算也经常简便，并且所得结果简单明确，容易为决策者了解和掌握。 3.所需定量数据信息较少 层次分析法主要是从评价者对评价问题的本质、要素的理解出发，比一般的定量方法更讲求定性的分析和判断。由于层次分析法是一种模拟人们决策过程的思维方式的一种方法，层次分析法把判断各要素的相对重要性的步骤留给了大脑，只保留人脑对要素的印象，化为简单的权重进行计算。这种思想能处理许多用传统的最优化技术无法着手的实际问题。 劣势： 1.不能为决策提供新方案 层次分析法的作用是从备选方案中选择较优者。这个作用正好说明了层次分析法只能从原有方案中进行选取，而不能为决策者提供解决问题的新方案。这样，我们在应用层次分析法的时候，可能就会有这样一个情况，就是我们自身的创造能力不够，造成了我们尽管在我们想出来的众多方案里选了一个最好的出来，但其效果仍然不够人家企业所做出来的效果好。而对于大部分决策者来说，如果一种分析工具能替我分析出在我已知的方案里的最优者，然后指出已知方案的不足，又或者甚至再提出改进方案的话，这种分析工具才是比较完美的。但显然，层次分析法还没能做到这点。 2.定量数据较少，定性成分多，不易令人信服 在如今对科学的方法的评价中，一般都认为一门科学需要比较严格的数学论证和完善的定量方法。但现实世界的问题和人脑考虑问题的过程很多时候并不是能简单地用数字来说明一切的。层次分析法是一种带有模拟人脑的决策方式的方法，因此必然带有较多的定性色彩。这样，当一个人应用层次分析法来做决策时，其他人就会说：为什么会是这样？能不能用数学方法来解释？如果不可以的话，你凭什么认为你的这个结果是对的？你说你在这个问题上认识比较深，但我也认为我的认识也比较深，可我和你的意见是不一致的，以我的观点做出
多元数据处理 ---因子分析方法 多元数据处理主要包括多元随机变量，协方差分析，趋势面分析，聚类分析，判别分析，主成分分析，因子分析，典型相关分析，回归分析以及各个分析方法的相互结合等等。本文主要针对其中的因子分析方法展开了论述，并举了一个因子分析法在我国房地产市场绩效评价中的应用实例。 第一章因子分析方法概述 1.1因子分析的涵义 为了更全面和准确的测量和评估对象的特征，在实际的应用中，我们往往尽可能多的选用特征指标进行系统评估，选取的指标越多，就越能全面、客观的反映评价对象的特征。选取众多指标的同时也带来了统计分析的困难：一、不同的指标，不同重要程度需要赋予不同的权重，而靠主观的评价避免不了一些失误与错误。二、收集到的指标之间可能存在较大的相关性，大量收集指标带来了人力、物力和财力的浪费。而因子分析方法则较好的解决了上述问题。 因子分析[1]是一种多元统计方法，该方法起源于20世纪初Karl Pearson 和Charles Spearman 等人关于心理测试的统计分析，它的核心是用最少的相互独立的因子反映原有变量的绝大部分信息。[2]通过分析事物内部的因果关系来找出其主要矛盾，找出事物内在的基本规律。 因子分析的基本思想是通过变量的相关系数矩阵内部结构的研究，找出能控制所有变量的少数几个随机变量去描述多个变量之间的相关关系，但是，这少数几个随机变量是不可观测的，通常称为因子。然后根据相关性的大小把变量分组，使得同组内的变量之间相关性较高，使不同组内的变量相关性较低[3]。对于所研究的问题就可试图用最少个数的所谓因子的线性函数与特殊因子之和来描述原来观测的每一变量[4]。因子变量的特点：第一，因子变量的数量远小于原指标的数量，对因子变量的分析能够减少分析的工作量；第二，因子变量不是原有变量的简单取舍，而是对原有变量的
因子分析的一般原理概述 简才永 因子分析是处理多变量数据的一种统计方法，它可以揭示多变量之间的关系，其主要目的是从众多的可观测得变量中概括和综合出少数几个因子，用较少的因子变量来最大程度地概括和解释原有的观测信息，从而建立起简洁的概念系统，揭示出事物之间本质的联系。 一、因子分析的种类 （一）、R型因子分析与Q型因子分析 这是最常用的两种因子分析类型。R型因子分析，是针对变量所做的因子分析，其基本思想是通过对变量的相关系数矩阵内部结构的研究，找出能够控制所有变量的少数几个随机变量去描述多个随机变量之间的相关关系。然后再根据相关性的大小把变量分组，使同组内的变量之间的相关性较高，不同组变量之间的相关性较低。Q型因子分析，是针对样品所做的因子分析。它的思路与R因子分析相同，只是出发点不同而已。它在计算中是从样品的相似系数矩阵出发，而R型因子分析在计算中是从样品的相关系数矩阵出发的。 （二）、探索性因子分析与验证性因子分析 探索性因子分析（EFA），主要适用于在没有任何前提预设假定下，研究者用它来对观察变量因子结构的寻找、对因子的内容以及变量的分类。通过共变关系的分解，进而找出最低限度的主要成分，让你后进一步探讨这些主成分或共同因子与个别变量之间的关系，找出观察变量与其对应因子之间的强度，即所谓的因子负荷值，以说明因
子与所属的观察变量的关系，决定因子的内容，为因子取一个合适的名字。 验证性因子分析（CFA），要求研究者对研究对象潜在变量的内容与性质，在测量之初就必须有非常明确的说明，或有具体的理论基础，并已先期决定相对应的观测变量的组成模式，进行因子分析的目的是为了检验这一先前提出的因子结构的适合性。这种方法也可以应用于理论框架的检验，它在结构方程模型中占据相当重要的地位，有着重要的应用价值，也是近年来心理测量中相当重要的内容。 二、因子分析基本思想、模型与条件 （一）、因子与共变结构 因子分析的基本假设是那些不可观测的“因子”隐含在许多现实可观察的事物背后，虽然难以直接测量，但是可以从复杂的外在现象中计算、估计或抽取得到。它的数学原理是共变抽取。也就是说，受到同一个因子影响的测量分数，共同相关的部分就是因子所在的部分，这可以用“因子”的共变相关部分来表示。 （二）、因子分析的条件 第一、因子分析以变量之间的共变关系作为分析的依据，凡影响共变的因子都要先行确认无误。首先，因子分析的变量都必须是连续变量，符合线性关系的假设。其他顺序与类别型的数据不能用因子分析简化结构。 第二、抽样过程必须随机，并具有一定规模。一般样本量不得低于100，原则上是越大越好。此外，一般还要求样本量与变量数之间
2016江西财经大学数学建模竞赛 A题 城市交通模型分析 参赛队员: 黄汉秦、乐晨阳、金霞 参赛队编号：2016018 2016年5月20日~5月25日
承诺书 我们仔细阅读了江西财经大学数学建模竞赛的竞赛章程。 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人研究、讨论与赛题有关的问题。 我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。 我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。 我们参赛选择的题号是（从A/B/C中选择一项填写）： A 我们的参赛队编号为2016018 参赛队员(打印并签名) ： 队员1. 姓名专业班级计算机141 队员2. 姓名专业班级计算机141 队员3. 姓名专业班级计算机141 日期： 2016 年 5 月 25 日
编号和阅卷专用页 江西财经大学数学建模竞赛组委会 2016年5月15日制定
城市交通模型分析 摘要 随着国民经济的高速发展和城市化进程的加快，我国机动车保有量及道路交通流量急剧增加，交通出行结构发生了根本变化，城市道路交通拥挤堵塞问题已成为制约经济发展、降低人民生活质量、削弱经济活力的瓶颈之一。本篇论文针对道路拥挤的问题采用层次分析法进行数学建模分析，讨论拥堵的深层次问题及解决方案。 首先建立绩效评价指标的层次结构模型，确定了目标层，准则层（一级指标），子准则层（二级指标）。 其次，建立评价集V=(优，良，中，差)。对于目标层下每个一级评价指标下相对于第m 个评价等级的隶属程度由专家的百分数u 评判给出，即U ＝[0,100]应用模糊统计建立它们的隶属函数A(u)， B(u)， C(u) ，D(u)，最后得出目标层的评价矩阵Ri ，（i=1,2,3,4,5）。利用A,B 两城相互比较法，根据实际数据建立二级指标对于相应一级指标的模糊判断矩阵P i （i=1,2,3,4,5） 然后，我们经过N 次试验调查，明确了各层元素相对于上层指标的重要性排序，构造模糊判断矩阵P ，利用公式 1 ,ij ij n kj k u u u == ∑ 1 ,n i ij j w u ==∑ 1 ,i i n j j w w w == ∑ []R W R W R W R W R W W R W O 5 5 4 4 3 3 2 2 1 1 ,,,,==计算出权重值，经过一致性检验公式 RI CI CR = 检验后，均有0.1CR <，由此得出各层次的权向量()12,,T n W W W W =K 。然后后， 给出建立绩效评价模型（其中O 是评价结果向量），应用模糊数学中最大隶属度原则，对被评价城市交通的绩效进行分级评价。 接着在改进方案中，我们具体以交叉口为中心建立模型，其中包括道路长度、宽度、车辆平均长度、车速等等考虑因素。通过车辆排队长度可以间接判断交通拥堵情况，不需要测量车速、时间等因素而浪费的人力物力和财力，有效的提高了工作成本和效率。为管理城市交通要道提供了良好的模型和依据。 【关键字】交通拥堵 层次分析法 模糊综合评判 绩效评价 隶属度
第13章因子分析 因子分析始于1904年Chars Spearman对学生成绩的分析，在经济领域有着极为广泛的用途。在多个变量的变化过程中，除了一些特定因素之外，还受到一些共同因素的影响。因此，每个变量可以拆分成两部分，一是共同因素，二是特殊因素。这些共同因素称为公因子，特殊因素称为特殊因子。因子分析即是提出多个变量的公共影响因子的一种多元统计方法，它是主成分分析的推广。 因子分析主要解决两类问题：一是寻求基本结构，简化观察系统。给定一组变量或观察数据，是否存在一个子集，特别是一个加权子集，来解释整个问题，即将为数众多的变量减少为几个新的因子，以再现它们之间的内在联系。二是用于分类，将变量或样本进行分类，根据因子得分值，在因子轴所构成的空间中进行分类处理。 p个变量X的因子模型表达式为： ＝ Λ' e f X+ f称为公因子，Λ称为因子载荷。X的相关系数矩阵分解为： ∑' = + ΛΦΛ ψ 对于未旋转的因子，1 Φ。ψ称为特殊度，即每个变量中不属于共性的部 = 分。 13.1 因子估计 Stata可以通过变量进行因子分析，也可以通过矩阵进行。命令为factor 或factormat。 webuse bg2,clear describe factor bg2cost1-bg2cost6 factor bg2cost1-bg2cost6, factors(2) * pf 主因子方法，用复相关系数的平方作为因子载荷的估计量(默认选项) factor bg2cost1-bg2cost6, factors(2) pcf * pcf 主成分因子，假定共同度＝1 factor bg2cost1-bg2cost6, factors(2) ipf * ipf 迭代主因子，重复估计共同度 factor bg2cost1-bg2cost6, factors(2) ml * ml 极大似然因子，假定变量（至少3个）服从多元正态分布，对偏相关矩阵的行列式进行最优化求解，等价于Rao的典型因子方法 13.2 预测 Stata可以通过predict预测变量得分、拟合值和残差等。 webuse bg2,clear factor bg2cost1-bg2cost6 predict f1 f2 * factor1 factor2因子分得分 predict stdp residuals * 预测标准差和残差
层次分析法的优点 系统性——将对象视作系统，按照分解、比较、判断、综合的思维方式进行决策。成为成为继机理分析、统计分析之后发展起来的系统分析的重要工具； 实用性——定性与定量相结合，能处理许多用传统的最优化技术无法着手的实际问题，应用范围很广，同时，这种方法使得决策者与决策分析者能够相互沟通，决策者甚至可以直接应用它，这就增加了决策的有效性； 简洁性——计算简便，结果明确，具有中等文化程度的人即可以了解层次分析法的基本原理并掌握该法的基本步骤，容易被决策者了解和掌握。便于决策者直接了解和掌握。 层次分析法的局限 囿旧——只能从原有的方案中优选一个出来，没有办法得出更好的新方案； 粗略——该法中的比较、判断以及结果的计算过程都是粗糙的，不适用于精度较高的问题。；主观——从建立层次结构模型到给出成对比较矩阵，人主观因素对整个过程的影响很大，这就使得结果难以让所有的决策者接受。当然采取专家群体判断的办法是克服这个缺点的一种途径。 层次分析法(AHP法) 是一种解决多目标的复杂问题的定性与定量相结合的决策分析方法。该方法将定量分析与定性分析结合起来，用决策者的经验判断各衡量目标能否实现的标准之间的相对重要程度，并合理地给出每个决策方案的每个标准的权数，利用权数求出各方案的优劣次序，比较有效地应用于那些难以用定量方法解决的课题。 层次分析法根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个多层次的分析结构模型，从而最终使问题归结为最低层(供决策的方案、措施等)相对于最高层(总目标)的相对重要权值的确定或相对优劣次序的排定。
1.因子分析法基本原理 在对某一个问题进行论证分析时，采集大量多变量的数据能为我们的研究分析提供更为丰富的信息和增加分析的精确度。然而，这种方法不仅需要巨大的工作量，并且可能会因为变量之间存在相关性而增加了我们研究问题的复杂性。因子分析法就是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。这样我们就可以对原始的数据进行分类归并，将相关比较密切的变量分别归类，归出多个综合指标，这些综合指标互不相关，即它们所综合的信息互相不重叠。这些综合指标就称为因子或公共因子。 因子分析法的基本思想是将观测变量进行分类，将相关性较高，即联系比较紧密的分在同一类中，而不同类变量之间的相关性则较低，那么每一类变量实际上就代表了一个基本结构，即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。这样，就能相对容易地以较少的几个因子反映原资料的大部分信息，从而达到浓缩数据，以小见大，抓住问题本质和核心的目的。 因子分析法的核心是对若干综合指标进行因子分析并提取公共因子，再以每个因子的方差贡献率作为权数与该因子的得分乘数之和构造得分函数。因子分析法的数学表示为矩阵：B AF X +=，即: ????? ?? ??++++=++++=++++=++++=p k pk p p p p k k k k k k f f f f x f f f f x f f f f x f f f f x βααααβααααβααααβααααΛΛΛΛΛΛ332211333332321313223232221212113132121111 (k ≤p)………………(1式) 模型中，向量X ()p x x x x ,,,,321Λ是可观测随机向量，即原始观测变量。F ()k f f f f ,,,,321Λ是X ()p x x x x ,,,,321Λ的公共因子，即各个原观测变量的表达式中共同出现的因子，是相互独立的不可观测的理论变量。公共因子的具体含义必须结合实际研究问题来界定。A ()ij α是公共因子F ()k f f f f ,,,,321Λ的系数，称为因子载荷矩阵，ij α（i=1,2,.....,p;j=1,2,....,k)称为因子载荷，是第i 个原有变量在第j 个因子上的负荷，或可将ij α看作第i 个变量在第j 公共因子上的权重。ij α是x i 与f j
案例：基于因子分析法的高级管理者人力资源价值计量模型一、背景介绍及问题提出 1. 人力资源价值计量的背景著名会计学家 W.A 佩顿(Paton)教授曾经睿智地指出：在企业中，良好组织且忠诚的员工是一项远比商品更为重要的“资产”。对于这样重要的“资产”为什么直到现在都没有纳入财务会计核算体系呢？人力资源价值信息没有在财务报表体系中加以披露的原因是：人力资源的价值计量是一个难题，使得人力资源会计一直处于理论探讨和实验阶段，未能登堂入室。人力资源价值计量研究目的在于：用人力资源的创造能力来反映组织现有人力资源的质量状况及企业对人力资源的能力回报，为企业管理当局和外部利害关系集团提供完整的决策信息。 2．高级管理者人力资源的研究背景高级管理者是企业的核心和灵魂，在企业人力资源中居于中心地位是一种稀缺的生产要素，对高级管理者人力资源的垄断是超额剩余价值的主要来源，几乎每一个优秀的企业都与企业中高级管理团队紧密地联系在一起的。 3. 问题的提出在人力资源价值计量发展的完善的过程中，如何动态地、客观地、科学地综合评价高管的价值，一直是困扰人力资源价值计量的一个难题，许多专家和学者采用未来收益折现或期权定价等方法对人力资源价值进行计量；未来收益折现是以工资为基础对高级管理者的未来收益进行折现，这种货币计量方法存在主要问题在于工资不能反映人力资源真实价值，因为高级管理者人力资源价值本身存在复杂性、隐蔽性及能动性，仅以工资作为衡量人力资源价值的大小的标准，忽略了高级管理者在企业价值创造中的特殊性。由于高级管理者人力资源存在某些特性。因此，对高级管理者的采用非货币计量的方法更加具有现实的意义。二、问题研究的意义 1、人力资源价值的科学计量会使企业更加全面、科学的掌握高级管理者的信息并更加重视人力资源的作用，从而为了保留和争取人才，对企业的高级管理者进行有效的激励。 2、对高级管理者人力资源价值计量的准确与否，关系到企业总资产的精确程度和企业未来发展的能力。对高级管理者人力资源价值的准确计量有利于实现人力资源会计核算体系的建立。三、案例思路首先，在分析高级管理者人力资源价值计量的基本理论与其特性分析的基础上，案例建立影响高级管理者人力资源价值计量的指标体系，该体系由 29 个初级指标构成(如下图一所示)。其次，通过问卷调查的方式，应用因子分析法对上述29 个指标进行筛选。隐性因子学历天赋社会资本任职时间职业背景职业生命周期薪酬年龄体质能力心理能力领导能力战略决策能力风险承受能力人力资源管理能力领导管理因子创新能力学习能力洞察能力沟通能力组织能力团队协作能力个人特征及组织环境因子价值观忠诚感道德行为敬业精神乐观自信理智情绪稳定企业规模职位图一高级管理者人力资源价值指标体系四、数据说明：案例采用问卷调查的方式进行数据收集。问卷发放的数量：本次共发放问卷180 份，其中包括电子文档和纸质问卷，共回收有效问卷103 份，有效回收率为57.22%。问卷内容的设计：案例在分析了高级管理者人力资源价值计量的理论基础和特性分析的基础上建立了高级管理者人力资源价值指标体系。问卷的调查内容是该指标体系中的指标，由企业的高级管理人员依据各指标对高级管理者人力资源价值计量的影响做出基本判断。问卷结构的设计：首先，针对案例提出的 29 个指标要素，设计了 29 个判断指标程度的问题。通过被调查者选择打分的方式，获得各指标的具体分值。所有问题都划分为 7 选项对应7 个程度，由管理者根据题目的内容进行选择。然后采用 7 分模糊打分法，每一个选项对应一个分值，选择第一选项为 7 分，第二选项为6 分，依次为5 分、4 分、3 分、2 分、1 分（调查问卷如下所示）。高级管理者人力资源价值计量
因子分析 ? 因子分析（Factor analysis ）：用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料的大部分信息的统计学分析方法。从数学角度来看，主成分分析是一种化繁为简的降维处理技术。 主成分分析（Principal component analysis ）：是因子分析一个特例，是使用最多的因子提取方法。它通过坐标变换手段，将原有的多个相关变量，做线性变化，转换为另外一组不相关的变量。选取前面几个方差最大的主成分，这样达到了因子分析较少变量个数的目的，同时又能与较少的变量反映原有变量的绝大部分的信息。 两者关系：主成分分析（PCA ）和因子分析（FA ）是两种把变量维数降低以便于描述、理解和分析的方法。 ? 特点 （1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量的分析能够减少分析中的工作量。 （2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组构，它能够反映原有变量大部分的信息。 （3）因子变量之间不存在显著的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显著的相关关系。 （4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。 在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理（即通过因子分析或主成分分析）。显然，在一个低维空间解释系统要比在高维系统容易的多。 ? 类型 根据研究对象的不同，把因子分析分为R 型和Q 型两种。 当研究对象是变量时，属于R 型因子分析； 当研究对象是样品时，属于Q 型因子分析。 但有的因子分析方法兼有R 型和Q 型因子分析的一些特点，如因子分析中的对应分析方法，有的学者称之为双重型因子分析，以示与其他两类的区别。 ? 分析原理 假定：有n 个地理样本，每个样本共有p 个变量，构成一个n ×p 阶的地理数据矩阵 : 当p 较大时，在p 维空间中考察问题比较麻烦。这就需要进行降维处理，即用较少几个综合指标代替原来指标，而且使这些综合指标既能尽量多地反映原来指标所反映的信息，同时它们之间又是彼此独立的。 线性组合：记x1，x2，…，xP 为原变量指标，z1，z2，…，zm （m ≤p ）为??????????????=np n n p p x x x x x x x x x X 212222111211
层次分析法与模糊综合判别的区别与联系 1、层次分析法 [ 参考文献：吋义成, 柯丽华, 黄德育. 系统综合评价技术及其应用[M]. 北京: 冶金工业出版社,2006] 人们在日常生活中经常要从一堆同样大小的物品中挑选出最重要的物品，如重量最大的物品，即至少要确定各物品的相对重量。这时，经验和常识告诉我们，可以利用两两比较的方法来达到目的。 若在没有称量仪器的条件下对一组物体的重量进行估计，则可以通过爱对比较这组物体相对重量的方法，得出每对物体相对重量比的判断，从而形成比较判断矩阵，再通过求解判断矩阵的最大特征根和它所对应的特征向量问题，就能计算出这组物体的相对重量。 将此方法应用到复杂的社会、经济和科学管理等领域中，就能确定各种方案、措施、政策等 相对于总目标的重要性排序情况，以供领导者决策。 一般的层次分析法模型由图5-1 所示，分为目标层、准则层、指标层、方案层组成。需要注意几点： （1）层次分析法的评价结构并非是上述部分一成不变的，其中的当指标层因素较少时准则层可以省去（图5-2 ），当某一准则对应的指标层元素过多时可以将其指标层细分为“子准则层和指标层”（图5-4 ）。由于层次分析法是利用两两比较完成的，为了便于人的比较与判别，每层的元素个数在3~7 之间为佳，超过7 以后增加了比较判断的难度，因此当元素过多时，可以将其分类后分成两层或多层来判别。 （2）准则层与指标层之间的关系可以对比一下图5-1 和图5-4 ，即每个准则可能有独 用的指标体系，也可能是各准则之间共用某几个指标。 （3）层次分析法的特点是基于某个目标，对多个待评价方案进行评价，从而得到方案的重要性排序。具体到某个问题，其并无相应的数据。而模糊综合判别有相应的基础数据。两者可以结合一起用，比如常用的是模糊综合评判过程中，权重可以由层次分析法计算。 层次分析法的骤如下： 1）在作者建立评价模型后，根据经验对每层里的各个元素建立重要性判别矩阵，从判 别矩阵中可以得到某一层中各个指标的归一化权重（表5-1中的W B,W C1,W C2,W C3,W C4）。（表5-1和5-2 的数据为图5-1 模型的） 2）由层与层之间权重的传递可以得到最低层（具体指标层）的综合权重。如图5-1 所示的图中有得到各个C ij的综合权重W ij（表5-2第2列）。 3）最后，在指标层与方案层之间建立判别矩阵，针对每一个指标C ij 都需要建立一个各 方案A i的比较矩阵，判别A针对C j的重要性w A i （表5-2的每一行）。最后将指标C ij的综合权重W ij与W Ai进行乘法求和，从而得到方案A的最终综合权重刀（W ij心Ai），即为续表5-2的最后一行。
1.因子分析法基本原理 在 某一个 行 分析 ， 采集大量多 量的数据能 我 的研究分析提供更 丰富的信息和增加分析的精确度。 然而， 种方法不 需要巨大的工 作量，并且可能会因 量之 存在相关性而增加了我 研究 的复 性。 因子分析法就是从研究 量内部相关的依 关系出 ， 把一些具有 复 关系的 量 少数几个 合因子的一种多 量 分析方法。 我 就可以 原始的数据 行分 并，将相关比 密切的 量分 ， 出多个 合指 ， 些 合指 互不相关， 即它 所 合的信息互相不重叠。 些 合指 就称 因子或公共因子。 因子分析法的基本思想是将 量 行分 ， 将相关性 高， 即 系比 密的分在同一 中， 而不同 量之 的相关性 低， 那么每一 量 上就代表了一个基本 构， 即公共因子。 于所研究的 就是 用最少个数的不可 的所 公共因子的 性函数与特殊因子之和来描述原来 的每一分 量。 ，就能相 容易地以 少的几个因子反映原 料的大部分信息， 从而达到 数据，以小 大，抓住 本 和核心的目的。 因子分析法的核心是 若干 合指 行因子分析并提取公共因子， 再以每个因子的方差 献率作 数与 因子的得分乘数之和构造得分函数。 因子分析法的数学表示 矩 ： X AF B ，即 : x 1 11 f 1 1 2 f 2 1 3 f 3 1k f k 1 x 2 21 f 1 22 f 2 23 f 3 2 k f k 2 x 3 31 f 1 32 f 2 33 f 3 3k f k 3 (k ≤p)?????? (1 式) x p p1 f 1 p 2 f 2 p 3 f 3 pk f k p 模型中，向量 X x 1, x 2 , x 3 , , x p 是可 随机向量，即原始 量。 F f 1 , f 2, f 3 , , f k 是X x 1, x 2 , x 3, , x p 的公共因子，即各个原 量的表达式中 共同出 的因子， 是相互独立的不可 的理 量。 公共因子的具体含 必 合 研究 来 界定。 A ij 是公共因子 F f 1, f 2 , f 3, , f k 的系数，称 因子 荷矩 ， ij （i=1,2,.....,p;j=1,2,....,k)称 因子 荷，是第 i 个原有 量在第 j 个 因子上的 荷，或可将 ij 看作第 i 个 量在第 j 公共因子上的 重。 ij 是 x i 与 f j
8.3.2 层次分析法的计算步骤 一、建立层次结构模型 运用AHP进行系统分析，首先要将所包含的因素分组，每一组作为一个层次，把问题条理化、层次化，构造层次分析的结构模型。这些层次大体上可分为3类 1、最高层：在这一层次中只有一个元素，一般是分析问题的预定目标或理想结果，因此又称目标层； 2、中间层：这一层次包括了为实现目标所涉及的中间环节，它可由若干个层次组成，包括所需要考虑的准则，子准则，因此又称为准则层； 3、最底层：表示为实现目标可供选择的各种措施、决策、方案等，因此又称为措施层或方案层。 层次分析结构中各项称为此结构模型中的元素，这里要注意，层次之间的支配关系不一定是完全的，即可以有元素（非底层元素）并不支配下一层次的所有元素而只支配其中部分元素。这种自上而下的支配关系所形成的层次结构，我们称之为递阶层次结构。 递阶层次结构中的层次数与问题的复杂程度及分析的详尽程度有关，一般可不受限制。为了避免由于支配的元素过多而给两两比较判断带来困难，每层次中各元素所支配的元素一般地不要超过9个，若多于9个时，可将该层次再划分为若干子层。 例如，大学毕业的选择问题，毕业生需要从收入、社会地位及发展机会方面考虑是否留校工作、读研究生、到某公司或当公务员，这些关系可以将其划分为如图8.1所示的层次结构模型。 图8.1 再如，国家综合实力比较的层次结构模型如图6 .2： 图6 .2 图中，最高层表示解决问题的目的，即应用AHP所要达到的目标；中间层表示采用某种措施和政策来实现预定目标所涉及的中间环节，一般又分为策略层、约束层、准则层等；最低层表示解决问题的措施或政策（即方案）。 然后，用连线表明上一层因素与下一层的联系。如果某个因素与下一层所有因素均有联系，那么称这个因素与下一层存在完全层次关系。有时存在不完全层次关系，即某个因素只与下一层次的部分因素有联系。层次之间可以建立子层次。子层次从属于主层次的某个因素。它的因素与下一层次的因素有联系，但不形成独立层次，层次结构模型往往有结构模型表示。 二、构造判断矩阵 任何系统分析都以一定的信息为基础。AHP的信息基础主要是人们对每一层次各因素的相对重要性给出的判断，这些判断用数值表示出来，写成矩阵形式就是判断矩阵。判断矩阵是AHP工作的出发点，构造判断矩阵是AHP的关键一步。 当上、下层之间关系被确定之后，需确定与上层某元素（目标A或某个准则Z）相联系的下层各元素在上层元素Z之中所占的比重。 假定A层中因素Ak与下一层次中因素B1，B2，…，Bn有联系，则我们构造的判断矩阵如表8.16所示。 表8.16 判断距阵 Ak B1 B2 …Bn
因子分析理论与案例 一、 因子分析原理 因子分析是一种将多变量化简的多元统计方法，它可以看作是主成份分析的推广。因子分析的目的是分解原始变量，从中归纳出潜在的“类别”，相关性较强的变量归为一类，不同类间的变量的相关性则较低。每类变量代表了一个“共同因子”，即一种内在结构（联系）。因子分析就是寻找这种内在结构（联系）的方法。 从全部计算过程来看作R 型因子分析与作Q 型因子分析都是一样的，只不过出发点不同，R 型从相关系数矩阵出发，Q 型从相似系数阵出发都是对同一批观测数据，可以根据其所要求的目的决定用哪一类型的因子分析。 （一）模型 主要模型形式： (2)矩阵型式 （二）相关概念解释 ?????? ? ???????+??????????????????????????=??????????????p m pm p p m m p F F F a a a a a a a a a X X X εεε 21212 1 2222111211 21?????? ?++++=++++=++++=p m pm p p m m m m F a F a F a X F a F a F a X F a F a F a X εε ε 222112 22221212112121111)1(展开式m 1m X A F + p 1p m m 1p 11m p 2 Cov F 01 03D F I F F =1. 01ε ε= ????≤?? ? = ? ??? 简记为:（） ()() ()且满足：）) (,)=) ()=即不相关且方差
1、因子载荷 a ij 称为因子载荷（实际上是权数）。 因子载荷的统计意义：就是第i 个变量与第j 个公共因子的相关系数，即表示变量xi 依赖于Fj 的份量（比重），心理学家将它称为载荷。 2、变量共同度 3、方差贡献率 方差贡献率指的是公因子对于自变量的每一分量所提供的方差总和，它是衡量公因子相对重要程度的指标。通常情况下，我们将因子载荷矩阵的所有方差贡献率计算出来并按照大小排序，从而提炼出最具影响力的因子。 二、 主要计算方法及步骤 （一）方法说明 1、因子载荷矩阵估计方法 因子载荷的求解方法主要有主成分法，主轴因子旋转法和极大似然法。主成分法指在进行因子分析之前先对数据进行主成分分析，把前几个主成分作为未旋转的公因子，但是此种方法得到的特殊因子间并不相互独立，当变量的共同度较大时，特殊因子所起的作用较小，它们之间的相关性可以忽略。 主轴因子法与主成分分析方法类似，都是都分析矩阵的结构入手，主轴因子 i m 22 i ij j 1i i11i22im m i 22 i i11im m i 222 2 i1i2im i 22 i i 22i i i X A i h a i 1,,p X a F +a F ++a F +Var X a Var F a Var F Var a a a h X 1h εεσσσ====++++=+=+∑ 变量的共同度——因子载荷阵中第行元素的平方和，即：为了说明他的统计意义，将下式两边求方差，即（）=（）++（）+（） =由于已经标准化了，所以有：
利用层次分析法解决课堂教学质量评价数学模型 摘要： 在大学生活中、学生与老师的关系对学生自身的发展起着至关重要的作用。教师如何用正确，合理，简单的方法将知识传递给学生，是每所大学都会面临的问题，需要校领导进行决策，这些问题会受到各方面因素的约束。在课堂教学质量评价的问题中，会受到教师教学态度，教学内容，教学方法，教学效果的诸多因素，而不知如何做出抉择。本论文将这一问题进行探讨，对课堂教学质量评价这一问题进行相对合理的假设以及简化，将主要考虑因素集中在教学态度，教学内容，教学方法，教学效果这四个方面，并利用层次分析法，将定性问题转化成定量问题，构造对比矩阵，分析权重的一致性，并在最后借助Matlab数学软件进行求解，对十位老师的教学质量进行评价，并以排序的方式给出评价结果。 关键词：层次分析法AHP Matlab 对比矩阵权重 一、问题重述： 课堂教学是教学监控和教学评价中重要的一环,如何取定合理的评价方法是一个非常重要的问题，如何建立合适的方法对教师教学质量进行评价，从而建立更加合理高效的教学方法，提高学生的知识水平，人文素养对于学校和老师都是亟待解决的难题。对现存的教师教学质量的评价方法是从教学态度，教学内容，教学方法，教学效果进行入手。此种方法是否合理有效，能否真实的放映需要解决的问题，需要建立数学模型进行求解。本文通过对十位教师的教学质量通过建立模型，进而求解从而对他们的教学能力进行评估，排序，为校领导进行相应的决策以及学生们选择课程提供相应的依据。 二、问题的分析： 对多位老师的教学质量进行评价排序的问题，可以利用层次分析法（AHP）对十位教师进行优先排序。在解决问题时，首先分析内在因素间的联系与结构，并把这种结构划分为三层即可，即目标层，准则层，方案层。把各层间诸要素的联系用线表示出来，接着是同层因素之间对上层因素重要性进行评价，并利用“两两比较法”建立比较矩阵，求得权系数，再进行一致性检验，如通过，则求得的权重系数可以被接受，否则，应重新评判。再进行单层权重评判的基础上，再进行层次间重要性组合权重系数的计算。 最后求出各个方案所占的权重，即可确定十位教师教学质量的优先顺序。
【管理学】SPSS因子分析案例共
11.2.1 数据预备 激活数据治理窗口，定义变量名：分不为 XI 、X2、X3、X4、 X5、X6、X7,按顺序输入相应数值，建立数据库，结果见图 11.1。 图11.1 原始数据的输入 激活Statistics 菜单选 Data Reduction 的 Factor..命令项，弹出 F actor An alysis 对话框（图 11.2） X7，点击？钮使之进入 Variabl 图11.3 描述性指标选择对话框 点击 Extraction …钮，弹出 Factor Analysis:Extraction 对话框（图 11.4），系统提供如下因子提取方法： 图 11.4 因子提取方法选择对话框 在对话框左侧的变量列表中选变量 X1至 es 框。 图11.2 因子分析对话框 出 Factor Analysis:Descriptives 对话框（图 11. te descriptives 项要求输出各变量的均数与标 内选 Coefficients 项要求运算有关系数矩阵， 在Statistics 中选 U I 口 I 耐||的財血 准差；在 Correlation "CnrtEititlv ii Mtfhrix ( 并选KMO E “「and Bartlett ' s test of sphericity 项，要求对有关系数矩阵进行 3）， 统计 Matrix 栏 pCnr-rcl-fl liciin Mirfirix
Principal components 主成分分析法；Un weighted least squares未加权 最小平方法；Generalized least squares 综合最小平方法；Maximum likelihood ：极大似然估量法；Principal axis factoring: 主轴因子 法；Alpha factoring : a 因子法；Image fa cto ri n g ：多元回来 法。 本例选用Principal components方法，之后点击Continue钮返回 Factor Analysis 对话框。 点击Rotation...钮，弹出Factor Analysis:Rotation 对话框（图 1 I.5），系统有 5 种因子旋转方法可选： 图11.5 因子旋转方法选择对话框 No ne：不作因子旋转； Varimax :正交旋转； Equamax：全体旋转，对变量和因子均作旋转； Quartimax :四分旋转，对变量作旋转； Direct Oblimin ：斜交旋转。旋转的目的是为了获得简单结构，以关心我们讲明因子。本例选正交旋转法，之后点击Continue钮返回Factor Analysis对话框。 点击Scores..钮，弹出弹出Factor Analysis:Scores对话框（图 II.6）,系统提供3种估量因子得分系数的方法，本例选Regression （回来 因子得分），之后点击Continue钮返回Factor Analysis对话框，再点击OK 钮即完成分析。 图11.6 估量因子分方法对话框 11.2.3 结果讲明 在输出结果窗口中将看到如下统计数据：
层次分析法的优缺点 1）优点 （1）系统化的分析方法 层次分析法通过把研究对象视作一个系统，依照目标分解、相互比较、加权综合的思维模式进行决策，成为了继统计分析、机理分析之后第三个发展起来的进行系统分析的重要工具。系统化的思想在于各个因素对最终结果的影响是连续的，而在层次分析法中，最终的结果是由每一个层次的相对权重加权综合得到的，而且最终方案层对目标层的相对权重是经过量化的，非常的清晰和明确。这种方法尤其适用对无明显结构特性的系统进行评价以及对多段时期、多个目标、多个准则等系统的评价。 （2）方便实用的决策方法 层次分析法是将定性方法与定量方法有机地结合起来的评价方法，既不片面地追求高深的数学逻辑，又不单纯地注重主观行为、意识判断。层次分析法通过建立较为复杂的多层次结构，从而使人们的思维过程系统化和数学化，以便于人们更容易接受。而且通过同层次因素间的两两比较确定同层次元素相对于上一层次元素的相对权重后，能把多个目标、多个准则而且难以经过量化处理的决策问题转化为单目标多层次问题，然后进行较为简单的数学运算，得到各方案相对于总目标的相对权重，权重越高，越接近目标。权重最高的方案即为最优方案。运用层次分析法进行评价的整个过程简单明确，容易被使用者掌握。 （3）所需要的定量数据较少 层次分析法相对于一般的定量方法而言，更加注重定性的判断和分析。它所需要的数据主要来自于评价者对问题本质的理解和认识，来自于评价者的工作经验。层次分析法模拟实际中人脑在决策过程中的思维模式，建立多层次结构，通过判断矩阵的构造，分析得出各方案对目标的相对权重。利用这种分析模式，能够解决许多需要严格的数据支持的最优化方法所不能解决的实际问题。 2）缺点 （1）定性成分多，主观因素占比例较大 层次分析法在分析过程中，所利用的数据定性因素成分很大，例如判断矩阵的构造在很大程度上是依据专家的经验得到。这就导致，在层次分析法的评价中，主观成分大，说服力小，不易令人信服。 （2）不能提出新方案 层次分析法是对备选方案进行评价，从而选出最优方案。从这个层面考虑，层次分析法只能从备选方案中进行选择，而不能提出解决问题的新方案。而当备选方案本身具有很大的缺陷时，层次分析法则只能选出较为优秀的一个。也就是说，层次分析法没有一个非常客观、固定的评价标准，而只能在不同的方案中进行比较。因此，层次分析法要与SLP等能够提出确定合理的方案方法相结合使用。 （3）判断矩阵阶数较大时，难以计算 当需要对备选方案进行更准确、更详细、更合理的评价时，通常情况下会指定更多的评价目标和评价准则，这就导致层次结构更为复杂，判断矩阵阶数也会随之增加。在二到三阶的时候，计算还较为简便，但随着评价指标的增加，在计算上也会变得越来越困难。而且判断矩阵特征值和特征向量的精确计算过程很复杂，不过有三种较为简单的近似计算方法。分别是和法、根法和幂法。同时在这种情况下，可以借助计算机软件编程来进行分析与计算，如Matlab软件等。