![]() Главная страница Случайная страница КАТЕГОРИИ: АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Второй подход
В случае неработоспособности первой главной компоненты и отсутствия обучения, к сожалению, не существует удовлетворительного решения задачи построения скалярного индикатора анализируемого интегрального свойства. Подобные ситуации возникают, когда в составе апостериорного набора частных критериев имеется определенное количество взаимно слабо коррелированных переменных, хотя каждая из них вносит существенный вклад в описание и интерпретацию анализируемого интегрального свойства. Тогда задача аппроксимации значений всех частных критериев по значению единственного скалярного индикатора может в принципе не иметь решения, хотя первая главная компонента и остается сравнительно наилучшим предиктором в данной аппроксимационной схеме. Поэтому приходится отказаться от попыток свести многокритериальную задачу к однокритериальной, а вместо этого попытаться предложить способ максимальной редукции размерности анализируемой многокритериальной схемы. Ниже представлен алгоритм решения данной задачи. 1. Построить главные компоненты 2. Рассмотреть в качестве интегральных индикаторов анализируемых свойств
1. Провести многокритериальную Парето-классификацию объектов, выбирая в качестве критериев: 1. либо первые k главных компонент 2. либо Процедура Парето-классификации последовательно выделяет из элементов множества В непересекающиеся «слои»: сначала слой В 1 наихудших с точки зрения анализируемого свойства объектов, затем слой В 2 объектов, наихудших среди оставшихся, и т.д., а именно: 1. слой В 1состоит их всех тех точек 2. слой В 2состоит их всех тех точек 3. и так далее до полного исчерпания точек исходного классифицируемого множества [13].
6.4 Построение интегрального показателя на основе модели множественного выбора
Построение интегрального показателя на основе моделей множественного выбора предусматривает предварительное разбиение исследуемых объектов на однородные группы В работе [18] рассматриваются вопросы моделирования зависимости между порядковой результативной и количественными объясняющими переменными в виде:
где
В нашем случае не имеет смысла говорить о функциональной зависимости между признаком y и количественными признаками
где Поскольку значения «y» не наблюдаются, то в практике исследования подобных зависимостей, получивших название моделей упорядоченного множественного выбора, сложился подход, в соответствие с которым объект наблюдения относится к той группе Так как функции
где
При этом области
Тогда функция регрессии (6.19) аппроксимируется следующим образом:
где
Модель регрессии (6.27) можно записать в виде:
Конкретизируя вид функции распределения Описание подходов к оцениванию коэффициентов модели (6.28) по сгруппированным данным подробно содержится в научной и научно-методической литературе [1, 2, 32]. В основе подходов лежит требование к объему и структуре исходных данных, состоящее в том, что выборка должна содержать достаточное количество групп объектов, каждая из которых должна быть большой по объему для получения приемлемой оценки вероятности. Поэтому на практике оценка коэффициентов моделей с качественными (порядковыми) результативными признаками производится методом максимального правдоподобия. Для оценки неизвестных параметров (вектора коэффициентов
где Оценка качества модели осуществляется также как и моделей множественного и бинарного выбора на основе предложенного Макфадденом индекса отношения правдоподобия LRI [32]:
где
Альтернативный способ построения мер качества состоит в вычислении прогноза и сравнения его с фактическими значениями. Проверка статистической значимости отдельных коэффициентов модели осуществляется на основе статистики Вальда [1, 32]. Рассмотрим моделирование латентного показателя, характеризующего миграционную привлекательность муниципальных образований Оренбургской области по набору показателей за 2013г.:
Предварительно объекты наблюдения (муниципальные образования Оренбургской области) с помощью методов кластерного анализа были разбиты на три группы. Для моделирования латентного показателя, описывающего особенности миграции трудовых ресурсов, рассмотрена переменная, значения которой формируются экспертно на основе полученной классификации муниципальных образований:
В таблице 6.1 приведены оценки параметров пробит-модели, полученные методом максимального правдоподобия.
Таблица 6.1 – Результаты оценивания модели упорядоченного множественного выбора
Как видно из таблицы 6.1, коэффициенты регрессии являются статистически значимыми. На основе оцененной модели множественного упорядоченного выбора проведено ранжирование муниципальных образований Оренбургской области (таблица 6.2). Таблица 6.2 – Ранжирование муниципальных образований Оренбургской области по показателям, характеризующим миграционную ситуацию
Анализ результатов ранжирования муниципальных образований Оренбургской области по осредненному значению латентного показателя (столбец 5 таблицы 6.2) показал, что более высокий рейтинг определяет большую концентрацию трудовых мигрантов в териториях, к которым относятся г. Оренбург, г. Бузулук (Бузулукский район), г. Бугуруслан (Бугурусланский район), так как эти города и районы являются крупными промышленными и экономическими центрами. Ряд районов области (Новосергиевский, Сорочинский, Тюльганский) имеют средний рейтинг. Здесь сосредоточены предприятия по переработки продукции сельского хозяйства. Сравнительно низкие ранги имеют Тоцкий, Грачевский, Алексеевский районы. Эти районы наименее привлекательны для мигрантов. Следует отметить, что использование данного подхода требует экспертно оцененных значений
|