人力资本水平的综合评价研究——主成分分析法

基于现有人力资本水平测度方法的不足,本文从人力资本的定义出发,构建人力资本水平测度指标体系,并在此体系的基础上利用主成分分析法对我国各地区的人力资本水平进行评价,得出我国地区人力资本分布不均的结论。     

我国东部地区企业信息化水平的实证研究

根据企业信息化基础设施、基础设施利用率、企业员工和企业信息化安全四个领域的IASS评价模型,对我国东部地区企业信息化现状进行了调研,再对调研资料进行分析,并从每个省市中选取信息化水平处于前180名企业,作为该省市的企业信息化水平代表,然后,应用主成分分析法处理这些数据.通过对分析结果的研究,给出了我国东部地区企业信息化特征及其分类,为我国东部地区企业实施信息化建设提供参考.     

区域创新与信息化耦合协调发展及其影响因素分析

文章通过计算2006-2014年丝绸之路经济带9省(市、区)的区域创新及信息化评价指数,构建耦合协调模型,算出二者之间的耦合协调度,并考察推动二者协调发展的影响因素,得到如下结论:(1)丝绸之路经济带各地区的区域创新水平与信息化水平整体不高,且区域创新要滞后于区域信息化;(2)各地区的区域创新与区域信息化耦合协调发展程度虽然逐年向好,但发展状况参差不齐,考察期内尚未达到优质协调状态;(3)地区城镇化水平与教育水平显著促进区域创新与信息化协调发展,而基础设施建设与地区开放度的影响并不显著.     

中国“新四化”融合发展水平的测度与评价

在“十三五”规划强调“新四化”发展整体性的背景下,研究我国各地区“新四化”融合发展水平,对正确认识我国当前“新四化”发展现状具有重要意义.文章通过运用主成分分析法(PCA),构建基于离差系数最小化的融合度模型,对我国31个地区“新四化”融合发展水平进行了测度.研究结果表明,目前我国农业现代化、信息化的发展明显滞后于新型城镇化和工业化;我国东、中、西部地区“新四化”发展水平差异较大,且呈依次递减的空间格局;我国“新四化”融合发展水平整体上仍然较低,绝大多数地区处于初级融合发展水平以下.     

全国31省市食物消费水平的核主成分分析

各地区食物消费状况是影响食物安全的重要因素,如何选取指标体系,客观地评价各地区的消费水平是食物安全评价的一个重要环节.本文选取更具代表性的食物消费区位系数作为评价对象,通过核函数的引入,进行核主成分分析,有效地克服了主成分分析只能处理线性问题的弊端.通过分析全国31个省市的主要食物的消费状况,客观地评价了它们的消费水平.     

各地区经济运行效率的总体评价

本文通过单指标的纵向和横向对比,以及采用主成分分析方法进行综合评价,多角度地比较了各地区的经济运行效率.     

各地区高新技术产业发展水平综合评价

文章运用两层次主成分分析法,对全国各地区高新技术产业发展水平进行了位次评价和结构分析,产生了各层次的综合因子,依据它们揭示出高新技术产业发展的内在规律及形成区域差异的主要原因。上述方法也为研究多层次指标问题提供了一种有效的工具。     

主要商品价格地区差异

本文运用聚类分析法和主成分分析法，以１９９４年全国各省市商品价格分类指数为指标，对各地区间的价格指数作了聚类分析，并对各地区零售商品价格指数进行了主成分分析，找出引起物价地区差异的八个主要因素、对各因素进行了分析比较和综合评价     

我国各地区信息化水平的综合评价与分析

以信息化带动工业化,是覆盖现代化建设全局的战略问题。不断提高国家信息水平,是全球化、信息化条件下,中国实现现代化的必由之路。以信息化带动工业化,实现跨越式发展的战略正显示出越来越强大的生命力。因此,科学地评价我国各地区,尤其是西部地区的信息化水平,对发展我国的信息产业,实现两个根本性转变,落实可持续发展战略,推动西部信息化发展,促进产业结构向高端调整,具有十分重要的战略意义和现实意义。但是对信息化水平的评价是一个多指标综合评估的过程,日前公布的“国家信息化指标”构成方案中共有20项指     

我国城市设施水平的综台评价

本文利用因子分析方法对我国各地区(除西藏)的城市设施情况进行评价,得出各地区城市设施水平的综合排名.并用聚类分析方法对各地区进行分类,找出各地区在城市设施建设的各个方面存在的优点和不足,以期为各地区城市设施建设提供一定的参考意见.     

基于正态分布点值化的区间主成分评价法及应用

针对区间数据点值化过程中所存在的“代表性不足”的缺陷,提出了基于正态分布的点值化方法并将之应用于区间主成分评价法。通过与基于中心点值化的区间主成分法的比较,得到三个主要结论：第一,基于正态分布的点值化方法能将各样品的点值化结果导向指标均值,而非区间值的中心点;第二,基于正态分布的点值化结果增加了数据信息量;第三,基于正态分布点值化的区间主成分评价法提高了数据降维效果,具有更好的因子命名能力。应用结果表明,在考虑正态分布情况下,对区间数据的点值化处理方法具有较好的效果,基于正态分布点值化的方法可推广至基于区间数的评价和决策问题。     

基于非线性主成分和聚类分析的综合评价方法

针对传统主成分在处理非线性问题上的不足，阐述了传统方法在数据无量纲化中“中心标准化”的缺点和处理“线性”数据时的缺陷，给出了数据无量纲化和处理“非线性”数据时的改进方法，并建立了一种基于“对数中心化”的非线性主成分分析和聚类分析的新的综合评价方法。实验表明，该方法能有效地处理非线性数据。     

一类基于模型的聚类方法

在聚类问题中,若变量之间存在相关性,传统的应对方法主要是考虑采用马氏距离、主成分聚类等方法,但其可操作性或可解释性较差,因此提出一类基于模型的聚类方法,先对变量间的相关性结构建模(作为辅助信息)再做聚类分析。这种方法的优点主要在于:适用范围更宽泛,不仅能处理(线性)相关问题,而且还可以处理变量间存在的其他复杂结构生成的数据聚类问题;各个变量的重要性也可以通过模型的回归系数来体现;比马氏距离更稳健、更具操作性,比主成分聚类更容易得到解释,算法上也更为简洁有效。     

社会审计功能发挥对企业稳健运营影响研究

社会审计有助于提高公司治理水平,治理水平高的公司其运营的稳健性水平也高。以2003-2014年沪、深两市A股上市公司为样本,利用主成分分析法合成了企业稳健运营的综合性指标,并在审计意见的基础上构建了社会审计功能发挥的代理变量,考察社会审计对企业稳健运营的影响。研究发现,社会审计有助于提高企业运营的稳健性。通过替换指标和改变估计方法后重新回归,研究结果依然不变。     

When and Why are Principal Component Scores a Good Tool for Visualizing High‐dimensional Data?

Principal component analysis is a popular dimension reduction technique often used to visualize high‐dimensional data structures. In genomics, this can involve millions of variables, but only tens to hundreds of observations. Theoretically, such extreme high dimensionality will cause biased or inconsistent eigenvector estimates, but in practice, the principal component scores are used for visualization with great success. In this paper, we explore when and why the classical principal component scores can be used to visualize structures in high‐dimensional data, even when there are few observations compared with the number of variables. Our argument is twofold: First, we argue that eigenvectors related to pervasive signals will have eigenvalues scaling linearly with the number of variables. Second, we prove that for linearly increasing eigenvalues, the sample component scores will be scaled and rotated versions of the population scores, asymptotically. Thus, the visual information of the sample scores will be unchanged, even though the sample eigenvectors are biased. In the case of pervasive signals, the principal component scores can be used to visualize the population structures, even in extreme high‐dimensional situations.     

面板数据的有序聚类分析及其应用——以全球气候变化聚类分析为例

面板数据的有序聚类分析是多元统计分析的新兴研究领域。借鉴多元统计学中主成分分析方法对面板数据在时间变量上进行降维处理,把变异信息的损失降低到最小,较为准确地反映了样本在各时间段内的整体变化水平;采用费希尔最优求解算法对主成分得分进行有序聚类,为研究有序面板数据的亲疏关系提供一些思路;对全球气候变化进行聚类分析,分析五十年来全球及区域气候变化特点,与国外研究结论对比,显示出良好的应用性。     

Functional principal component analysis via regularized Gaussian basis expansions and its application to unbalanced data

This paper introduces regularized functional principal component analysis for multidimensional functional data sets, utilizing Gaussian basis functions. An essential point in a functional approach via basis expansions is the evaluation of the matrix for the integral of the product of any two bases (cross-product matrix). Advantages of the use of the Gaussian type of basis functions in the functional approach are that its cross-product matrix can be easily calculated, and it creates a much more flexible instrument for transforming each individual's observation into a functional form. The proposed method is applied to the analysis of three-dimensional (3D) protein structural data that can be referred to as unbalanced data. It is shown that our method extracts useful information from unbalanced data through the application. Numerical experiments are conducted to investigate the effectiveness of our method via Gaussian basis functions, compared to the method based on B-splines. On performing regularized functional principal component analysis with B-splines, we also derive the exact form of its cross-product matrix. The numerical results show that our methodology is superior to the method based on B-splines for unbalanced data.     

基于非线性-主成分Logistic回归的会计舞弊识别研究

混沌理论认为,人类行为大多具有非线性特征。会计舞弊属于行为会计的研究范畴,而传统上基于统计理论构建的舞弊识别模型大多受限于线性约束假设,可能存在模型设定偏误和信息提取不充分的缺陷。以沪深A股受到监管处罚的上市公司及其配对公司为样本,借鉴Taylor展开式的非线性思想,并使用主成分分析消除变量多重共线性,构建了非线性-主成分Logistic回归的会计舞弊识别模型。与线性回归模型对比发现,前者具有更高的舞弊识别正确率,模型拟合度更优。应用这一模型有助于更加充分提取舞弊识别信息,提高舞弊识别效率。     

A robust functional time series forecasting method

Univariate time series often take the form of a collection of curves observed sequentially over time. Examples of these include hourly ground-level ozone concentration curves. These curves can be viewed as a time series of functions observed at equally spaced intervals over a dense grid. Since functional time series may contain various types of outliers, we introduce a robust functional time series forecasting method to down-weigh the influence of outliers in forecasting. Through a robust principal component analysis based on projection pursuit, a time series of functions can be decomposed into a set of robust dynamic functional principal components and their associated scores. Conditioning on the estimated functional principal components, the crux of the curve-forecasting problem lies in modelling and forecasting principal component scores, through a robust vector autoregressive forecasting method. Via a simulation study and an empirical study on forecasting ground-level ozone concentration, the robust method demonstrates the superior forecast accuracy that dynamic functional principal component regression entails. The robust method also shows the superior estimation accuracy of the parameters in the vector autoregressive models for modelling and forecasting principal component scores, and thus improves curve forecast accuracy.     

Exact principal component influence measures applied to the analysis of spectroscopic data on rice

Exact influence measures are applied in the evaluation of a principal component decomposition for high dimensional data. Some data used for classifying samples of rice from their near infra-red transmission profiles, following a preliminary principal component analysis, are examined in detail. A normalization of eigenvalue influence statistics is proposed which ensures that measures reflect the relative orientations of observations, rather than their overall Euclidean distance from the sample mean. Thus, the analyst obtains more information from an analysis of eigenvalues than from approximate approaches to eigenvalue influence. This is particularly important for high dimensional data where a complete investigation of eigenvector perturbations may be cumbersome. The results are used to suggest a new class of influence measures based on ratios of Euclidean distances in orthogonal spaces.