关联性——灰色关联分析

1、作用

对于两个系统之间的因素,其随时间或不同对象而变化的关联性大小的量度,称为关联度。在系统发展过程中,若两个因素变化的趋势具有一致性,即同步变化程度较高,即可谓二者关联程度较高;反之,则较低。因此,灰色关联分析是指对一个系统发展变化态势的定量描述和比较的方法,其基本思想是通过确定参考数据列和若干个比较数据列的几何形状相似程度来判断其联系是否紧密,它反映了曲线间的关联程度。

2、输入输出描述

输入:特征序列为至少两项或以上的定量变量,母序列(关联对象)为 1 项定量变量。
输出:反应考核指标与母序列的关联程度。

3、案例示例

分析近10年内,影院数量,观影人数,上座率,票价、电影上线数量等因素对全年电影票房的影响。其中电影票房是母序列,影院数量,观影人数,上座率,票价、电影上线数量等因素是特征序列。

4、建模步骤

1.确定特征数列和母数列
比较序列为


母序列(即评价标准)为

2.对指标数据进行量纲统一化

为了真实地反映实际情况 ,排除由于各个指标单位的不同及其数值数量级间的悬殊差别带来的影 响 ,避免不合理现象的发生 ,需要对指标进行量纲统一化处理。先求出每个指标列的均值,再用该指标列的每一个元素都除以该指标列的均值。

3.计算关联系数

由下式分别计算每个比较序列与 参考序列对 应元素的关联系数 :

\rho为分辨系数 ,在 (0,1)内取值 ,分辨系数越小,关联系数间差异越大 ,区分能力越强,通常取 0.5。

4.计算关联序度
分别计算其各个指标与参考序列对应元素的关联系数的加权平均值 ,以反映各操纵装置对象与参考序列间的关联关系 ,并称其为关联度 ,记为

5.分析计算结果

根据灰色加权关联度的大小,建立各评价对象的关联序。关联度越大,表明评价对象对评价标准的重要程度越大。 

  • 6
    点赞
  • 86
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要使用`assocstats()`函数计算两个分类变量之间是否存在关联性,您可以按照以下步骤进行操作: 1. 准备数据:将两个分类变量存储在一个数据框中,确保它们是因子类型。 2. 创建列联表:使用`table()`函数创建两个分类变量之间的列联表。例如,假设您的分类变量分别为`var1`和`var2`,您可以使用以下代码创建列联表: ```R contingency_table <- table(var1, var2) ``` 3. 使用`assocstats()`函数进行计算:使用`assocstats()`函数对列联表进行计算,以确定两个分类变量之间是否存在关联性。例如,使用以下代码进行计算: ```R result <- assocstats(contingency_table) ``` 4. 解读结果:计算结果将包含卡方统计量、自由度、p值、Cramer's V 相关系数等信息。您可以使用以下代码查看计算结果: ```R print(result) ``` 根据p值的显著性水平,您可以判断两个分类变量之间是否存在关联性。如果p值小于您选择的显著性水平(通常为0.05),则可以拒绝原假设,即认为两个分类变量之间存在关联性。如果p值大于显著性水平,则无法拒绝原假设,即认为两个分类变量之间不存在关联性。 请注意,`assocstats()`函数使用Cramer's V 相关系数来度量两个分类变量之间的关联程度。Cramer's V 相关系数的取值范围为0到1,值越接近1表示关联程度越高。 希望以上步骤能帮助您计算并解读两个分类变量之间的关联性

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值