灰色关联分析

一.灰色关联分析概述

        一般的抽象系统，如社会系统、经济系统、农业系统、生态系统、教育系统等都包含有许多种因素，多种因素共同作用的结果决定了该系统的发展态势。人们常希望知道在众多的因素中，哪些是主要因素，哪些是次要因素；哪些因素对系统发展影响大，哪些因素对系统发展影响小；哪些因素对系统发展起推动作用需强化发展，哪些因素对系统发展起阻碍作用需加以抑制；......这些都是系统分析中人们普遍关心的问题。例如，粮食生产系统，人们希望提高粮食总产量，而影响粮食总产量的因素是多方面的，有播种面积以及水利、化肥、土壤、种子、劳力、气候、耕作技术和政策环境等。为了实现少投入多产出，并取得良好的经济效益、社会效益和生态效益，就必须进行系统分析。

        数理统计中的回归分析、方差分析、主成分分析等都是用来进行系统分析的方法。这些方法都有下述不足之处：

        1.要求有大量数据，数据量少就难以找出统计规律；

        2.要求样本服从某个典型的概率分布，要求各因素数据与系统特征数据之间呈线性关系且各因素之间彼此无关，这种要求往往难以满足；

        3.计算量大，一般要靠计算机帮助；

        4.可能出现量化结果与定性分析结果不符的现象，导致系统的关系和规律遭到歪曲和颠倒。

        灰色关联分析方法弥补了采用数理统计方法作系统分析所导致的缺憾。它对样本量的多少和样本有无规律都同样适用，而且计算量小，十分方便，更不会出现量化结果与定性分析结果不符的现象。

        灰色关联分析的基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密。曲线越接近，相应序列之间的关联度就越大，反之就越小。

        对一个抽象的系统或现象进行分析，首先要选准反映系统行为特征的数据序列，称为找系统行为的映射量，用映射量来间接地表征系统行为。例如，用国民平均接受教育的年数来反映教育发达程度，用刑事案件的发案率来反映社会治安面貌和社会秩序，用医院挂号次数来反映国民的健康水平等。有了系统行为特征数据和相关因素的数据，即可作出各个序列的图形，从直观上进行分析。

参考：刘思峰.灰色系统理论及其应用(第五版)[M].北京:科学出版社,2010:62.

二.应用一：进行系统分析

1.画统计图

画图后得配上简单的分析：

        1.四个变量均呈上升的趋势

        2.第二产业的增幅较为明显

        3.第二产业和第三产业的差距在后三年相差更大

2.确定分析数列

        1.母序列（又称参考数列、母指标）：能反映系统行为特征的数据序列。——类似于因变量Y

        2.子序列（又称比较数列、子指标）：影响系统行为的因素组成的数据序列。——类似于自变量X

在本例中：国内生产总值就是母序列，第一、第二和第三产业就是子序列。

3.对变量进行预处理（两个目的：去量纲、缩小变量范围简化计算）

        对母序列和子序列中的每个指标进行预处理：先求出每个指标的均值，再用该指标中的每个元素除以其均值。

4.计算子序列中各个指标与母序列的关联系数

6.通过比较三个子序列和母序列的关联度可以得到结论：

        该地区在2000年至2005年间的国内生产总值受到第三产业的影响最大。（其灰色关联度最大）

讨论：

1.什么时候用标准化回归，什么时候用灰色关联分析？

        当样本个数n较大时，一般使用标准化回归；当样本个数n较少时，才使用灰色关联分析。

2.如果母序列中有多个指标，应该怎么分析？

        例如：Y1和Y2是母序列，X1，X2，。。。Xm是子序列

        那么我们首先计算Y1和X1，X2，。。Xm的灰色关联度进行分析；再计算Y2和X1，X2，。。Xm的灰色关联度进行分析。

%% 灰色关联分析用于系统分析例题的讲解
clear;clc
load gdp.mat % 导入数据，一个6*4的矩阵

Mean = mean(gdp); % 求出每一列的均值以供后续的数据预处理
gdp = gdp ./ repmat(Mean,size(gdp,1),1); %size(gdp,1)=6,rempat(Mean,6,1)可以将矩阵进行复制，复制为和gdp同等大小，然后对应元素相除
disp('预处理后的矩阵为： ');
disp(gdp)
Y = gdp(:,1); %母序列
X = gdp(:,2:end); %子序列
absX0_Xi = abs(X - repmat(Y,1,size(X,2))) %计算|X0-Xi|矩阵，这里我们把X0定义为了Y
a = min(min(absX0_Xi)) %计算两级最小差a
b = max(max(absX0_Xi)) %计算两级最大差b
rho = 0.5； %f分辨系数取0.5
gamma = (a+rho*b) ./ (absX0_Xi + rho*b) %计算子序列中各个指标与母序列的关联系数
disp('子序列中各个指标的灰色关联度分别为： ')
disp(mean(gamma))

三.用于综合评价问题

这道题之前我们采用的是TOPSIS法结合熵权法解决的，这次我们采用灰色关联分析解决。

最后我们把熵权法+TOPSIS得到的结果与灰色关联分析最后得到的结果作成折线图，可以发现其实两种方法最后得到的归一化后的得分是差不多的。

%% 灰色关联分析用于综合评价模型例题的讲解
clear;clc
load data_water_quality.mat
%%  判断是否需要正向化
[n,m] = size(X);
disp(['共有' num2str(n) '个评价对象, ' num2str(m) '个评价指标']) 
Judge = input(['这' num2str(m) '个指标是否需要经过正向化处理，需要请输入1 ，不需要输入0：  ']);   %1

if Judge == 1
    Position = input('请输入需要正向化处理的指标所在的列，例如第2、3、6三列需要处理，那么你需要输入[2,3,6]： '); %[2,3,4]
    disp('请输入需要处理的这些列的指  标类型（1：极小型， 2：中间型， 3：区间型） ')
    Type = input('例如：第2列是极小型，第3列是区间型，第6列是中间型，就输入[1,3,2]：  '); %[2,1,3]
    % 注意，Position和Type是两个同维度的行向量
    for i = 1 : size(Position,2)  %这里需要对这些列分别处理，因此我们需要知道一共要处理的次数，即循环的次数
        X(:,Position(i)) = Positivization(X(:,Position(i)),Type(i),Position(i));
    % Positivization是我们自己定义的函数，其作用是进行正向化，其一共接收三个参数
    % 第一个参数是要正向化处理的那一列向量 X(:,Position(i))   回顾上一讲的知识，X(:,n)表示取第n列的全部元素
    % 第二个参数是对应的这一列的指标类型（1：极小型， 2：中间型， 3：区间型）
    % 第三个参数是告诉函数我们正在处理的是原始矩阵中的哪一列
    % 该函数有一个返回值，它返回正向化之后的指标，我们可以将其直接赋值给我们原始要处理的那一列向量
    end
    disp('正向化后的矩阵 X =  ')
    disp(X)
end
 
%% 对正向化后的矩阵进行预处理
Mean = mean(X);  % 求出每一列的均值以供后续的数据预处理
Z = X ./ repmat(Mean,size(X,1),1);  
disp('预处理后的矩阵为：'); disp(Z)

%% 构造母序列和子序列
Y = max(Z,[],2);  % 母序列为虚拟的，用每一行的最大值构成的列向量表示母序列
X = Z; % 子序列就是预处理后的数据矩阵

%% 计算得分
absX0_Xi = abs(X - repmat(Y,1,size(X,2)))  % 计算|X0-Xi|矩阵
a = min(min(absX0_Xi))    % 计算两级最小差a
b = max(max(absX0_Xi))  % 计算两级最大差b
rho = 0.5; % 分辨系数取0.5
gamma = (a+rho*b) ./ (absX0_Xi  + rho*b)  % 计算子序列中各个指标与母序列的关联系数
weight = mean(gamma) / sum(mean(gamma));  % 利用子序列中各个指标的灰色关联度计算权重
score = sum(X .* repmat(weight,size(X,1),1),2);   % 未归一化的得分
stand_S = score / sum(score);   % 归一化后的得分
[sorted_S,index] = sort(stand_S ,'descend') % 进行排序