案例：结合分析法在上海通用赛欧汽车市场定位中的运用
在结合分析中，轮廓是由研究人员事先按照某种因子结构（factorial structure）采用部分因子正交实验加以设计的。结合分析有三个主要目的：（1）确定消费者赋予某个预测变量（水平）的贡献和效用（utilities）以及属性的相对重要性（2）寻找消费者可接受的某种产品的最佳市场组合，这种组合最初可能并没有被消费者所评价（3）模拟市场，估计市场占有率和市场占有率变化。为了达到这些研究目的，首先要估计不同属性水平的效用，进一步计算出属性的相对重要性（Attributes relative importance）和轮廓效用（profile utilities），以便定量化地测量消费者的偏好，然后基于消费者的偏好采用最大效用模型估计市场占有率。
在确认了属性水平后，我们通过SPSS来进行正交实验设计。我们可以依次定义每一个属性和水平，SPSS软件最多提供每个属性有9个水平的可能性，所以如果水平数太多就要考虑其它方法，或者进行相应的变换，当然，如果属性的水平数越多代表了你越重视它，将来的分析相当重要性就会高！
正交实验设计方法，在SPSS是比较简单的，人为的控制不多，我们只能寄希望SPSS 的正交实验设计给我们一个号的结果，但没有评估设计效应的指标。如果你希望下次得到同
样的正交设计集，必须设定一样的随机种子！
设计好后，先不用运行，先要“粘贴”下来，也就是把语法粘贴下来，因为Conjoint Analysis分析方法在SPSS中没有窗体命令，必须用语法执行！
正交实验设计生成了16张卡片，同时也是随机卡片集，并产生两个系统变量，不要改变变量名称，其中：STATUS_值标 1-Design 2-Holdout 3-Simulation。这16张卡片代表了对432种组合产品的代表性，原则上即使有不理想或不现实的卡片出现，也不要没理由的删除！在SPSS系统分析中，最好考察属性水平设定的问题，而不要随意改变！下面我们就要考虑收集被访者评价信息了，当然也包括卡片的展示方式！
收集到被访者信息后就可以分析了！
注：
全轮廓方法：每一个属性同时展现给消费者
?样本量：一般消费者研究 100到400之间
?调查方法：派调查员面访face-to-face
?因子设计：属性和水平数目不太多 (<20个最多不超过30个)
?部分因子设计: 正交排列法 orthoplan
?估计主效应（ main effect )
?产品/服务的概念（轮廓）事先设计和确定。
?调查可以采用纸张或计算机辅助访问。
最小轮廓数选择：NC=NL - NA + 1 ，
其中: NC：最小组合轮廓数
NL：所有属性水平数的和
NA：所有属性数的和
例如：六个属性，每个属性有4个水平，可能组合数=4×4×4×4×4×4=4096（种），最小组合数=（4+4+4+4+4+4）- 6+1=19（种）推荐组合轮廓数：最小轮廓数的
1.5 到 2 倍
案例来源：https://www.doczj.com/doc/076832622.html,/
问题：
1、通过分析可以看出赛欧车的最佳市场定位是什么？
2、男性消费者与女性消费者对赛欧车有什么不同的偏好？
第八章 回归分析方法 当人们对研究对象的内在特性和各因素间的关系有比较充分的认识时，一般用机理分析方法建立数学模型。如果由于客观事物内部规律的复杂性及人们认识程度的限制，无法分析实际对象内在的因果关系，建立合乎机理规律的数学模型，那么通常的办法是搜集大量数据，基于对数据的统计分析去建立模型。本章讨论其中用途非常广泛的一类模型——统计回归模型。回归模型常用来解决预测、控制、生产工艺优化等问题。 变量之间的关系可以分为两类：一类叫确定性关系，也叫函数关系，其特征是：一个变量随着其它变量的确定而确定。另一类关系叫相关关系，变量之间的关系很难用一种精确的方法表示出来。例如，通常人的年龄越大血压越高，但人的年龄和血压之间没有确定的数量关系，人的年龄和血压之间的关系就是相关关系。回归分析就是处理变量之间的相关关系的一种数学方法。其解决问题的大致方法、步骤如下： （1）收集一组包含因变量和自变量的数据； （2）选定因变量和自变量之间的模型，即一个数学式子，利用数据按照最小二乘准则计算模型中的系数； （3）利用统计分析方法对不同的模型进行比较，找出与数据拟合得最好的模型； （4）判断得到的模型是否适合于这组数据； （5）利用模型对因变量作出预测或解释。 应用统计分析特别是多元统计分析方法一般都要处理大量数据，工作量非常大，所以在计算机普及以前，这些方法大都是停留在理论研究上。运用一般计算语言编程也要占用大量时间，而对于经济管理及社会学等对高级编程语言了解不深的人来说要应用这些统计方法更是不可能。MATLAB 等软件的开发和普及大大减少了对计算机编程的要求，使数据分析方法的广泛应用成为可能。MATLAB 统计工具箱几乎包括了数理统计方面主要的概念、理论、方法和算法。运用MATLAB 统计工具箱，我们可以十分方便地在计算机上进行计算，从而进一步加深理解，同时，其强大的图形功能使得概念、过程和结果可以直观地展现在我们面前。本章内容通常先介绍有关回归分析的数学原理，主要说明建模过程中要做的工作及理由，如模型的假设检验、参数估计等，为了把主要精力集中在应用上，我们略去详细而繁杂的理论。在此基础上再介绍在建模过程中如何有效地使用MATLAB 软件。没有学过这部分数学知识的读者可以不深究其数学原理，只要知道回归分析的目的，按照相应方法通过软件显示的图形或计算所得结果表示什么意思，那么，仍然可以学到用回归模型解决实际问题的基本方法。包括：一元线性回归、多元线性回归、非线性回归、逐步回归等方法以及如何利用MATLAB 软件建立初步的数学模型，如何透过输出结果对模型进行分析和改进，回归模型的应用等。 8.1 一元线性回归分析 回归模型可分为线性回归模型和非线性回归模型。非线性回归模型是回归函数关于未知参数具有非线性结构的回归模型。某些非线性回归模型可以化为线性回归模型处理；如果知道函数形式只是要确定其中的参数则是拟合问题，可以使用MATLAB 软件的curvefit 命令或nlinfit 命令拟合得到参数的估计并进行统计分析。本节主要考察线性回归模型。 8.1.1 一元线性回归模型的建立及其MATLAB 实现 其中01ββ，是待定系数，对于不同的,x y 是相互独立的随机变量。 假设对于x 的n 个值i x ，得到 y 的n 个相应的值i y ，确定01ββ，的方法是根据最小二乘准则，要使 取最小值。利用极值必要条件令 01 0,0Q Q ββ??==??，求01ββ，的估计值01??ββ，，从而得到回归直线01 ??y x ββ=+。只不过这个过程可以由软件通过直线拟合完成，而无须进行繁杂的运算。
层次分析法实例与步骤 结合一个具体例子，说明层次分析法的基本步骤和要点。 【案例分析】市政工程项目建设决策：层次分析法问题提出 市政部门管理人员需要对修建一项市政工程项目进行决策，可选择的方案是修建通往旅游区的高速路（简称建高速路）或修建城区地铁（简称建地铁）。除了考虑经济效益外，还要考虑社会效益、环境效益等因素，即是多准则决策问题，考虑运用层次分析法解决。 1. 建立递阶层次结构 应用AHP解决实际问题，首先明确要分析决策的问题，并把它条理化、层次化，理出递阶层次结构。 AHP要求的递阶层次结构一般由以下三个层次组成： *目标层（最高层）：指问题的预定目标； *准则层（中间层）：指影响目标实现的准则； *措施层（最低层）：指促使目标实现的措施； 通过对复杂问题的分析，首先明确决策的目标，将该目标作为目标层（最高层）的元素，这个目标要求是唯一的，即目标层只有一个元素。 然后找出影响目标实现的准则，作为目标层下的准则层因素，在复杂问题中，影响目标实现的准则可能有很多，这时要详细分析各准则因素间的相互关系，即有些是主要的准则，有些是隶属于主要准则的次准则，然后根据这些关系将准则元素分成不同的层次和组，不同层次元素间一般存在隶属关系，即上一层元素由下一层元素构成并对下一层元素起支配作用，同一层元素形成若干组，同组元素性质相近，一般隶属于同一个上一层元素（受上一层元素支配），不同组元素性质不同，一般隶属于不同的上一层元素。 在关系复杂的递阶层次结构中，有时组的关系不明显，即上一层的若干元素同时对下一层的若干元素起支配作用，形成相互交叉的层次关系，但无论怎样，上下层的隶属关系应该是明显的。 最后分析为了解决决策问题（实现决策目标）、在上述准则下，有哪些最终解决方案（措施），并将它们作为措施层因素，放在递阶层次结构的最下面（最低层）。 明确各个层次的因素及其位置，并将它们之间的关系用连线连接起来，就构成了递阶层次结构。 【案例分析】市政工程项目进行决策：建立递阶层次结构 在市政工程项目决策问题中，市政管理人员希望通过选择不同的市政工程项目，使综合效益最高，即决策目标是“合理建设市政工程，使综合效益最高”。 为了实现这一目标，需要考虑的主要准则有三个，即经济效益、社会效益和环境效益。但问题绝不这么简单。通过深入思考，决策人员认为还必须考虑直接经济效益、间接经济效益、方便日常出行、方便假日出行、减少环境污染、改善城市面貌等因素（准则），从相互关系上分析，这些因素隶属于主要准则，因此放在下一层次考虑，并且分属于不同准则。 假设本问题只考虑这些准则，接下来需要明确为了实现决策目标、在上述准则下可以有哪些方案。根据题中所述，本问题有两个解决方案，即建高速路或建地铁，这两个因素作为措施层元素放在递阶层次结构的最下层。很明显，这两个方案于所有准则都相关。 将各个层次的因素按其上下关系摆放好位置，并将它们之间的关系用连线连接起来。同时，为了方便后面的定量表示，一般从上到下用A、B、C、D。。。代表不同层次，同一层次从左到右用1、2、3、4。。。代表不同因素。这样构成的递阶层次结构如下图。
层次分析法实例与步骤 下面结合一个具体例子，说明层次分析法的基本步骤和要点。 【案例】 市政工程项目建设决策：层次分析法问题提出 市政部门管理人员需要对修建一项市政工程项目进行决策，可选择的方案是修建通往旅游区的高速路（简称建高速路）或修建城区地铁（简称建地铁）。除了考虑经济效益外，还要考虑社会效益、环境效益等因素，即是多准则决策问题，考虑运用层次分析法解决。 1. 建立递阶层次结构 应用AHP解决实际问题，首先明确要分析决策的问题，并把它条理化、层次化，理出递阶层次结构。 AHP要求的递阶层次结构一般由以下三个层次组成： ●目标层（最高层）：指问题的预定目标； ●准则层（中间层）：指影响目标实现的准则； ●措施层（最低层）：指促使目标实现的措施； 通过对复杂问题的分析，首先明确决策的目标，将该目标作为目标层（最高层）的元素，这个目标要求是唯一的，即目标层只有一个元素。 然后找出影响目标实现的准则，作为目标层下的准则层因素，在复杂问题中，影响目标实现的准则可能有很多，这时要详细分析各准则因素间的相互关系，即有些是主要的准则，有些是隶属于主要准则的次准则，然后根据这些关系将准则元素分成不同的层次和组，不同层次元素间一般存在隶属关系，即上一层元素由下一层元素构成并对下一层元素起支配作用，同一层元素形成若干组，同组元素性质相近，一般隶属于同一个上一层元素（受上一层元素支配），不同组元素性质不同，一般隶属于不同的上一层元素。 在关系复杂的递阶层次结构中，有时组的关系不明显，即上一层的若干元素同时对下一层的若干元素起支配作用，形成相互交叉的层次关系，但无论怎样，上下层的隶属关系应该是明显的。 最后分析为了解决决策问题（实现决策目标）、在上述准则下，有哪些最终解决方案（措施），并将它们作为措施层因素，放在递阶层次结构的最下面（最低层）。 明确各个层次的因素及其位置，并将它们之间的关系用连线连接起来，就构成了递阶层次结构。 【案例分析】市政工程项目进行决策：建立递阶层次结构 在市政工程项目决策问题中，市政管理人员希望通过选择不同的市政工程项目，使综合效益最高，即决策目标是“合理建设市政工程，使综合效益最高”。 为了实现这一目标，需要考虑的主要准则有三个，即经济效益、社会效益和环境效益。但问题绝不这么简单。通过深入思考，决策人员认为还必须考虑直接经济效益、间接经济效益、方便日常出行、方便假日出行、减少环境污染、改善城市面貌等因素（准则），从相互关系上分析，这些因素隶属于主要准则，因此放在下一层次考虑，并且分属于不同准则。 假设本问题只考虑这些准则，接下来需要明确为了实现决策目标、在上述准则下可以有哪些方案。根据题中所述，本问题有两个解决方案，即建高速路或建地铁，这两个因素作为措施层元素放在递阶层次结构的最下层。很明显，这两个方案于所有准则都相关。 将各个层次的因素按其上下关系摆放好位置，并将它们之间的关系用连线连接起来。同时，为了方便后面的定量表示，一般从上到下用A、B、C、D。。。代表不同层次，同一层次从左到右用1、2、3、4。。。代表不同因素。这样构成的递阶层次结构如下图。
层次分析法在最优生鲜农产品流通中的应用 班级 （一）、建立递阶层次结构 目标层：最优生鲜农产品流通模式。 准则层：方案的影响因素有：1c 自然属性、2c 经济价值、3c 基础设施、5c 政府政策。 方案层：设三个方案分别为：1A 农产品产地一产地批发市场一销地批发市场一消费者、2A 农产品产地一产地批发市场一销地批发市场一农贸市场一消费者、3A 农业合作社一第三方物流企业一超市一消费者(本文假设农产品的生产地和销地不在同一个地区)。 。 图3—1 递阶层次结构 （二）、构造判断(成对比较)矩阵 所谓判断矩阵昰以矩阵的形式来表述每一层次中各要素相对其上层要素的相对重要程度。为 目标层： 准则层： 方案层：
了使各因素之间进行两两比较得到量化的判断矩阵，引入1～9的标度，见表 为了构造判断矩阵，作者对6个专家进行了咨询，根据专家和作者的经验，四个准则下的两两比较矩阵分别为：
（三）、层次单排序及其一致性检验 层次单排序就是把本层所有要素针对上一层某一要素，排出评比的次序，这种次序以相对的数值大小来表示。 对应于判断矩阵最大特征根λmax的特征向量，经归一化(使向量中各元素之和等于1)后记为W。 W的元素为同一层次因素对于上一层次因素某因素相对重要性的排序权值，这一过程称为层次单排序。 能否确认层次单排序，需要进行一致性检验，所谓一致性检验是指对A确定不一致的允许范围。 a，则λ比n 大的越多，A 的不一致性越严重。用最大特征值对由于λ连续的依赖于 ij 应的特征向量作为被比较因素对上层某因素影响程度的权向量，其不一致程度越大，引起的判断误差越大。因而可以用λ―n数值的大小来衡量 A 的不一致程度。
第二节 层次分析法的应用实例 层次分析法在解决定量与定性复杂问题时，由于方法的简单性、直观性，同时在解决各种领域的实际问题时又显示其有效性和可行性，因而深受广大工程技术人员和应用数学工作者的欢迎而被广泛采用。下面我们举例说明它的实用性。 设某港务局要改善一条河道的过河运输条件，要确定是否建立桥梁或隧道以代替现在的轮渡。 此问题可得到两个层次结构：过河效益层次结构和过河代价层次结构；由图5-3(a)和(b)分别表示。 例 过河的代价与效益分析。 (a) 过河效益层次结构 (b) 过河代价层次结构 图5-3 过河的效益与代价层次结构图 过河的效益 A 过河的效益 2B 经济效益 1B 过河的效益 3B 隧 道 2D 桥 梁 1D 渡 船 3D 美化 11 C 进出方便 10 C 舒适 9 C 自豪感 8 C 交往沟通 7C 安全可靠 6 C 建筑就业 5 C 当地商业4C 岸间商业3C 收入2C 节省时间1 C 过河的代价 A 社会代价 2B 经济代价 1B 环境代价 3B 隧 道 2D 桥 梁 1D 渡 船 3D 对生态的污染 9 C 对水的污染 8 C 汽车的排放物 7 C 居民搬迁 6 C 交往拥挤 5C 安全可靠 4 C 冲击渡船业 3 C 操作维护 2 C 投入资金 1 C
在过河效益层次结构中，对影响渡河的经济因素来说桥梁或隧道具有明显的优越性。一种是节省时间带来的效益，另一种是由于交通量的增加，可使运货增加，这就增加了地方政府的财政收入。交通的发达又将引起岸间商业的繁荣，从而有助于本地商业的发展；同时建筑施工任务又创造了大量的就业机会。以上这些效益一般都可以进行数量计算，其判断矩阵可以由货币效益直接比较而得。但社会效益和环境效益则难以用货币表示，此时就用两两比较的方法进行。从整体看，桥梁和隧道比轮渡更安全，更有助于旅行和交往，也可增加市民的自豪感。从环境效益看，桥梁和隧道可以给人们更大的舒适性、方便性，但渡船更具有美感。由此得到关于效益的各个判断矩阵如表5-9—表5-23所示。 表5-9 表5-10 表5-11 表5-12 表5-13 表5-14
3.1.2 虚拟变量的应用 例3.1.2.1：为研究美国住房面积的需求，选用3120户家庭为建模样本，回归模型为： 123log log P Y βββ++logQ= 其中：Q ——3120个样本家庭的年住房面积（平方英尺） 横截面数据 P ——家庭所在地的住房单位价格 Y ——家庭收入 经计算：0.247log 0.96log P Y -+logy=4.17 2 0.371R = （）（） （） 上式中2β=0.247-的价格弹性系数，3β=0.96的收入弹性系数，均符合经济学的常识，即价格上升，住房需求下降，收入上升，住房需求也上升。 但白人家庭与黑人家庭对住房的需求量是不一样的，引进虚拟变量D ： 01i D ?=?? 黑人家庭 白人家庭或其他家庭 模型为：112233log log log log D P D P Y D Y βαβαβα+++++logQ= 例3.1.2.2：某省农业生产资料购买力和农民货币收入数据如下：（单位：十亿元） ①根据上述数据建立一元线性回归方程：
? 1.01610.09357y x =+ 20.8821R = 0.2531y S = 67.3266F = ②带虚拟变量的回归模型，因1979年中国农村政策发生重大变化，引入虚拟变量来反映农村政策的变化。 01i D ?=?? 19791979i i <≥年 年 建立回归方程为： ?0.98550.06920.4945y x D =++ （）（） （） 20.9498R = 0.1751y S = 75.6895F = 虽然上述两个模型都可通过显着性水平检验，但可明显看出带虚拟变量的回归模型其方差解释系数更高，回归的估计误差（y S ）更小，说明模型的拟合程度更高，代表性更好。 3.5.4 岭回归的举例说明 企业为用户提供的服务多种多样，那么在这些服务中哪些因素更为重要，各因素之间的重要性差异到底有多大，这些都是满意度研究需要首先解决的问题。国际上比较流行并被实践所验证，比较科学的方法就是利用回归分析确定客户对不同服务因素的需求程度，具体方法如下： 假设某电信运营商的服务界面包括了A1……Am 共M 个界面，那么各界面对总体服务满意度A 的影响可以通过以A 为因变量，以A1……Am 为自变量的回归分析，得出不同界面服务对总体A 的影响系数，从而确定各服务界面对A 的影响大小。 同样，A1服务界面可能会有A11……A1n 共N 个因素的影响，那么利用上述方法也可以计算出A11……A1n 对A1的不同影响系数，由此确定A1界面中的重要因素。 通过两个层次的分析，我们不仅得出各大服务界面对客户总体满意度影响的大小以及不同服务界面上各因素的影响程度，同时也可综合得出某一界面某一因素对总体满意度的影响大小，由此再结合用户满意度评价、与竞争对手的比较等因素来确定每个界面细分因素在以后工作改进中的轻重缓急、重要性差异等，从而起到事半功倍的作用。 例 3.5.4：对某地移动通信公司的服务满意度研究中，利用回归方法分析各服务界面对总体满意度的影响。 a. 直接进入法 显然，这种方法计算的结果中，C 界面不能通过显着性检验，直接利用分析结果是错误
层次分析法应用实例 问题描述：通讯交流在当今社会显得尤其重要，手机便是一个例子，现在每个人手里都有至少一部手机。但如今生产手机的厂家越来越多，品种五花八门，如何选购一款适合自己的手机这个问题困扰了许多人。 目标：选购一款合适的手机 准则：选择手机的标准大体可以分成四个：实用性，功能性，外观，价格。 方案：由于手机厂家有几十家，我们不妨可以将其归类：○1欧美（iphone）；○2亚洲（索爱）；○3国产（华为）. 解决步骤： 1.建立递阶层次结构模型 图1 选购手机层次结构图 2.设置标度 人们定性区分事物的能力习惯用5个属性来表示，即同样重要、稍微重要、较强重要、强烈重要、绝对重要，当需要较高精度时，可以取两个相邻属性之间的值，这样就得到9个数值，即9个标度。
为了便于将比较判断定量化，引入1～9比率标度方法，规定用1、3、5、7、9分别表示根据经验判断，要素i与要素j相比：同样重要、稍微重要、较强重要、强烈重要、绝对重要，而2、4、6、8表示上述两判断级之间的折衷值。 注：aij表示要素i与要素j相对重要度之比，且有下述关系： aij=1/aji ；aii=1；i，j=1，2，…，n 显然，比值越大，则要素i的重要度就越高。 3.构造判断矩阵 A B1 B2 B3 B4 B1 1 3 5 1 B2 1/3 1 3 1/3 B3 1/5 1/3 1 1/5 B4 1 3 5 1 表1 判断矩阵A—B B1 C1 C2 C3 C1 1 1/3 1/5 C2 3 1 1/3 C3 5 3 1 表2 判断矩阵B1—C
B2 C1 C2 C3 C1 1 3 3 C2 1/3 1 1 C3 1/3 1 1 表3 判断矩阵B2—C B3 C1 C2 C3 C1 1 3 6 C2 1/3 1 4 C3 1/6 1/4 1 表4 判断矩阵B3—C B4 C1 C2 C3 C1 1 1/4 1/6 C2 4 1 1/3 C3 6 3 1 表5 判断矩阵B4—C 4.计算各判断矩阵的特征值，特征向量和一致性检验 用求和发计算特征值： ○1将判断矩阵A 按列归一化（即列元素之和为1）：bij= aij /Σaij ； ○2将归一化的矩阵按行求和：ci=Σbij （i=1，2，3….n ）； ○3将ci 归一化：得到特征向量W=（w1，w2，…wn ）T ，wi=ci /Σci ， W 即为A 的特征向量的近似值； ○4求特征向量W 对应的最大特征值： 1).1 5 3 1 51131513131311531 = A ，按列归一化后为 38 1514 522 938 1538314122138338514322338539151452293815 2).按行求和并归一化后得()T 389 .0069 .0153 .0389.0=W
层次分析法的基本步骤和要点 结合一个具体例子，说明层次分析法的基本步骤和要点。 【案例分析】市政工程项目建设决策：层次分析法问题提出 市政部门管理人员需要对修建一项市政工程项目进行决策，可选择的方案是修建通往旅游区的高速路（简称建高速路）或修建城区地铁（简称建地铁）。除了考虑经济效益外，还要考虑社会效益、环境效益等因素，即是多准则决策问题，考虑运用层次分析法解决。 1. 建立递阶层次结构 应用AHP解决实际问题，首先明确要分析决策的问题，并把它条理化、层次化，理出递阶层次结构。 AHP要求的递阶层次结构一般由以下三个层次组成： ●目标层（最高层）：指问题的预定目标； ●准则层（中间层）：指影响目标实现的准则； ●措施层（最低层）：指促使目标实现的措施； 通过对复杂问题的分析，首先明确决策的目标，将该目标作为目标层（最高层）的元素，这个目标要求是唯一的，即目标层只有一个元素。 然后找出影响目标实现的准则，作为目标层下的准则层因素，在复杂问题中，影响目标实现的准则可能有很多，这时要详细分析各准则因素间的相互关系，即有些是主要的准则，有些是隶属于主要准则的次准则，然后根据这些关系将准则元素分成不同的层次和组，不同层次元素间一般存在隶属关系，即上一层元素由下一层元素构成并对下一层元素起支配作用，同一层元素形成若干组，同组元素性质相近，一般隶属于同一个上一层元素（受上一层元素支配），不同组元素性质不同，一般隶属于不同的上一层元素。 在关系复杂的递阶层次结构中，有时组的关系不明显，即上一层的若干元素同时对下一层的若干元素起支配作用，形成相互交叉的层次关系，但无论怎样，上下层的隶属关系应该是明显的。 最后分析为了解决决策问题（实现决策目标）、在上述准则下，有哪些最终解决方案（措施），并将它们作为措施层因素，放在递阶层次结构的最下面（最低层）。 明确各个层次的因素及其位置，并将它们之间的关系用连线连接起来，就构成了递阶层次结构。 【案例分析】市政工程项目进行决策：建立递阶层次结构 在市政工程项目决策问题中，市政管理人员希望通过选择不同的市政工程项目，使综合效益最高，即决策目标是“合理建设市政工程，使综合效益最高”。 为了实现这一目标，需要考虑的主要准则有三个，即经济效益、社会效益和环境效益。但问题绝不这么简单。通过深入思考，决策人员认为还必须考虑直接经济效益、间接经济效益、方便日常出行、方便假日出行、减少环境污染、改善城市面貌等因素（准则），从相互关系上分析，这些因素隶属于主要准则，因此放在下一层次考虑，并且分属于不同准则。 假设本问题只考虑这些准则，接下来需要明确为了实现决策目标、在上述准则下可以有哪些方案。根据题中所述，本问题有两个解决方案，即建高速路或建地铁，这两个因素作为措施层元素放在递阶层次结构的最下层。很明显，这两个方案于所有准则都相关。 将各个层次的因素按其上下关系摆放好位置，并将它们之间的关系用连线连接起来。同时，为了方便后面的定量表示，一般从上到下用A、B、C、D。。。代表不同层次，同一层次从左到右用1、2、3、4。。。代表不同因素。这样构成的递阶层次结构如下图。
内容分析法的典型案例 日本人巧妙搜集信息 第二次世界大战后，日本经济发展速度大大高于其他资本主义国家，重视信息的开发、利用，不能不说是个重要原因。 目前日本的信息传递非常迅速，只要5－10分钟就可以搜集到世界各地金融市场的行情，3－5分钟就可以查询并调用日本国内三万多个重点公司、企业当年或历年经营生产情况的时间系列数据，5分钟即可利用经济模型和计算机模拟出国际国内经济因素变化可能给宏观经济带来影响的变动图和曲线，5－10分钟可以查询或调用政府制定的各种法律、法令和国会记录。这种现代化的信息处理技术，大大提高了行政效率。 日本人十分重视信息的作用，时时处处留意信息的搜集，而且善于从平淡无奇的信息报道中分离出重要的内容。例如，20世纪60年代中国开发大庆油田，惟独日本和中国谈成了征求设计的买卖。原因是别的国家的设计均不符合中国大庆油田的要求，而日本则事先按大庆油田的要求进行产品设计，等待中国人去购买。那么日本人是怎么知道大庆油田的产品设计要求呢？ 其实日本人对大庆油田早有耳闻，但始终得不到准确的信息。后来，日本人从1 964年4月20日出版的《人民日报》上看到“大庆精神大庆人”的字句，于是日本人判断…冲国的大庆油田确有其事”。但是，大庆油田究竟在什么地方，日本人还没有材料作出判断。从1966年7月的一期《中国画报》封面上，日本人看到一张照片，铁人王进喜身穿大棉袄，头顶着鹅毛大雪，猜测到“大庆油田是在冬季为零下三十度的东北地区，大致在哈尔滨与齐齐哈尔之间”。后来，到中国来的日本人坐这段火车时发现，来往的油罐车上有很厚的一层土，从土的颜色和厚度，证实了“大庆油田在东北”的论断，但大庆油田的具体地点还是不清楚。1966年10月，日本人又从《人民中国》杂志上找到了王进喜的先进事迹，从事迹介绍的分析中知道：“最早钻井是在安达东北的北安附近下手的，并且从钻井设备运输情况看，离火车站不会太远。”在该事迹介绍中还写有这样一段话：王进喜一到马家窑看到大片荒野时说：“好大的油海！把石油工业落后的帽子丢到太平洋去。”于是，日本人又从伪满州地图上查找到“马家赛是位于黑龙江海伦县东面的一个小村，在北安铁路上一个小车站东边十多公里处。”就这样，日本人终于将大庆油田的准确地理位置搞清楚了。 后来，日本人又从王进喜的一则事迹报道中了解到“王进喜是玉门油矿的工人，是1959年9月到北京参加国庆之后志愿去大庆的”，由此日本人断定大庆油田在19 59年以前就开钻了，并且大体上知道了大庆油田的规模：“马家窑是大庆油田的北端，即北起海伦的庆安，西南穿过哈尔滨与齐齐哈尔铁路的安达附近，包括公主峰西面的大贪，南北400公里的范围。估计从北满到松辽油田统称为大庆。”但是，日本人一时还搞不清楚大庆的炼油规模。
回归分析方法Newly compiled on November 23, 2020
第八章回归分析方法 当人们对研究对象的内在特性和各因素间的关系有比较充分的认识时，一般用机理分析方法建立数学模型。如果由于客观事物内部规律的复杂性及人们认识程度的限制，无法分析实际对象内在的因果关系，建立合乎机理规律的数学模型，那么通常的办法是搜集大量数据，基于对数据的统计分析去建立模型。本章讨论其中用途非常广泛的一类模型——统计回归模型。回归模型常用来解决预测、控制、生产工艺优化等问题。 变量之间的关系可以分为两类：一类叫确定性关系，也叫函数关系，其特征是：一个变量随着其它变量的确定而确定。另一类关系叫相关关系，变量之间的关系很难用一种精确的方法表示出来。例如，通常人的年龄越大血压越高，但人的年龄和血压之间没有确定的数量关系，人的年龄和血压之间的关系就是相关关系。回归分析就是处理变量之间的相关关系的一种数学方法。其解决问题的大致方法、步骤如下： （1）收集一组包含因变量和自变量的数据； （2）选定因变量和自变量之间的模型，即一个数学式子，利用数据按照最小二乘准则计算模型中的系数； （3）利用统计分析方法对不同的模型进行比较，找出与数据拟合得最好的模型； （4）判断得到的模型是否适合于这组数据； （5）利用模型对因变量作出预测或解释。 应用统计分析特别是多元统计分析方法一般都要处理大量数据，工作量非常大，所以在计算机普及以前，这些方法大都是停留在理论研究上。运用一般计算语言编程也要
占用大量时间，而对于经济管理及社会学等对高级编程语言了解不深的人来说要应用这些统计方法更是不可能。MATLAB 等软件的开发和普及大大减少了对计算机编程的要求，使数据分析方法的广泛应用成为可能。MATLAB 统计工具箱几乎包括了数理统计方面主要的概念、理论、方法和算法。运用MATLAB 统计工具箱，我们可以十分方便地在计算机上进行计算，从而进一步加深理解，同时，其强大的图形功能使得概念、过程和结果可以直观地展现在我们面前。本章内容通常先介绍有关回归分析的数学原理，主要说明建模过程中要做的工作及理由，如模型的假设检验、参数估计等，为了把主要精力集中在应用上，我们略去详细而繁杂的理论。在此基础上再介绍在建模过程中如何有效地使用MATLAB 软件。没有学过这部分数学知识的读者可以不深究其数学原理，只要知道回归分析的目的，按照相应方法通过软件显示的图形或计算所得结果表示什么意思，那么，仍然可以学到用回归模型解决实际问题的基本方法。包括：一元线性回归、多元线性回归、非线性回归、逐步回归等方法以及如何利用MATLAB 软件建立初步的数学模型，如何透过输出结果对模型进行分析和改进，回归模型的应用等。 8.1 一元线性回归分析 回归模型可分为线性回归模型和非线性回归模型。非线性回归模型是回归函数关于未知参数具有非线性结构的回归模型。某些非线性回归模型可以化为线性回归模型处理；如果知道函数形式只是要确定其中的参数则是拟合问题，可以使用MATLAB 软件的curvefit 命令或nlinfit 命令拟合得到参数的估计并进行统计分析。本节主要考察线性回归模型。 一元线性回归模型的建立及其MATLAB 实现 其中01ββ，是待定系数，对于不同的,x y 是相互独立的随机变量。
层次分析法实例与步骤 结合一个具体例子，说明层次分析法的基本步骤和要点。 【案例分析】合理购买电脑决策：层次分析法问题提出 很多的电脑小白需要对购买哪个品牌的电脑进行决策，可选择的方案是购买戴尔公司生产的笔记本（简称购买戴尔）或购买联想公司生产的笔记本（简称购买联想）。除了考虑主板来源外，还要考虑CPU 性能、显卡方式等因素，即是多准则决策问题，考虑运用层次分析法解决。 1. 建立递阶层次结构 【案例分析】合理购买电脑决策：建立递阶层次结构 在购买哪个品牌的电脑决策问题中，很多电脑小白希望通过选择不同的电脑品牌使性价比最高，即决策目标是“合理购买电脑使性价比最高”。 为了实现这一目标，需要考虑的主要准则有三个，即主板来源，CPU 性能，显卡方式。但问题绝不这么简单。通过深入思考，还认为还必须考虑本工厂自产、代工厂提供、主频的大小、核心数、独立式显卡、集成式显卡等因素（准则），从相互关系上分析，这些因素隶属于主要准则，因此放在下一层次考虑，并且分属于不同准则。 假设本问题只考虑这些准则，接下来需要明确为了实现决策目标、在上述准则下可以有哪些方案。根据题中所述，本问题有两个解决方案，即购买戴尔或购买联想，这两个因素作为措施层元素放在递阶层次结构的最下层。很明显，这两个方案于所有准则都相关。 将各个层次的因素按其上下关系摆放好位置，并将它们之间的关系用连线连接起来。同时，为了方便后面的定量表示，一般从上到下用A 、B 、C 、D 。。。代表不同层次，同一层次从左到右用1、2、3、4。。。代表不同因素。这样构成的递阶层次结构如下图。 目标层A 准则层B 准则层C 措施层D 图1 递阶层次结构示意图 2. 构造判断矩阵并赋值
在作品中，处处都渗透着当地的风俗习惯和特殊的生活方式，处处可以使你嗅到冀中平原的浓烈的乡土气息。如对朱严两家过除夕的描写是很精彩的; “除夕那天早晨，二贵在门上贴上红对联，屋里贴上了新年画，院子扫得干干净净，预备过年。 太阳压山，大贵叫了二贵，哥儿俩胳肢窝里夹着粟谷草，怀里揣着爆竹，到老坟上燎草儿。一擦黑，在坟头上燎起草火，火势蔓延，燃着坟地上的枯草，燎起“飘花’。夜暗降临的时候，平原上遍地飘起野火来，鞭炮声连连响起。猛的，空中一声爆响，震撼了云层，响声遥遥飘荡，一股光亮闪过蓝天。天上闪出星群，人们打坟上捏了满抱柏枝走回来，又在门口点起草火，硝磺味在满街飘荡。” “除夕晚上，严志和也在地上烧起柏枝，屋里充满柏枝的香味。他抱了一捆芝麻秸来，撒在地上。江涛问:‘爹，这是什么意思?’严志和说:‘这个嘛，让脚把它踩碎。取个‘踩岁’均吉利儿。” “涛他娘点着一把香，虔诚的举过头顶，又低声默念。把香一住住插在门环上，谷囤上、灶台上、牛槽上。提着灯笼，点上蜡碗儿，烧纸箔，磕了头。”(《红旗谱》，中国青年出 版社，第304-30页) 这些都很生动地表现了冀中农村春节的风俗，这些情景不但其他国家没有，就是在中国各个地方，也不尽相同。再如《播火记》中金华出嫁时，“金华娘到集上买了两条猪排骨和两棵双蒂大葱来，用红纸裹好，叫金华带去。”猪排骨说明“离娘骨”的意思，闺女出嫁总算离开娘的身边了。双蒂大葱取个夫妻和好的比喻。金华上车时头上蒙上一个大红包袱，以及金华和大贵拜天地时，别人往金华头上撒玉米和红高粱，婆婆让金华吃“和好面，，晚上二贵闹洞房等情节描写，都透露出当地的风俗人情。(见《播火记》百花出版社3 4-3 5页)
一、什么是回归分析 回归分析(Regression Analysis)是研究变量之间作用关系的一种统计分析方法，其基本组成是一个（或一组）自变量与一个（或一组）因变量。回归分析研究的目的是通过收集到的样本数据用一定的统计方法探讨自变量对因变量的影响关系，即原因对结果的影响程度。 回归分析是指对具有高度相关关系的现象，根据其相关的形态，建立一个适当的数学模型(函数式)，来近似地反映变量之间关系的统计分析方法。利用这种方法建立的数学模型称为回归方程，它实际上是相关现象之间不确定、不规则的数量关系的一般化。 二、回归分析的种类 1.按涉及自变量的多少，可分为一元回归分析和多元回归分析一元回归分析是对一个因变量和一个自变量建立回归方程。多元回归分析是对一个因变量和两个或两个以上的自变量建立回归方程。 2.按回归方程的表现形式不同，可分为线性回归分析和非线性回归分析 若变量之间是线性相关关系，可通过建立直线方程来反映，这种分析叫线性回归分析。 若变量之间是非线性相关关系，可通过建立非线性回归方程来反映，这种分析叫非线性回归分析。 三、回归分析的主要内容 1.建立相关关系的数学表达式。依据现象之间的相关形态，建立适当的数学模型，通过数学模型来反映现象之间的相关关系，从数量上近似地反映变量之间变动的一般规律。 2.依据回归方程进行回归预测。由于回归方程反映了变量之间的一般性关系，因此当自变量发生变化时，可依据回归方程估计出因变量可能发生相应变化的数值。因变量的回归估计值，虽然不是一个必然的对应值(他可能和系统真值存在比较大的差距)，但至少可以从一般性角度或平均意义角度反映因变量可能发生的数量变化。
谈翻译中的案例分析及其文本分析理论 一、概述 任何材料的翻译，译前通读全文并进行文本分析，是全面理解源语文本的前提。旅游景点材料，是一种内容包含有地方历史与特色的文本，其文本分析与小说、诗歌、政府报告、产品广告等其他类型的文本分析是否有所不同，还是有某种文本分析模式作为依据呢？德国功能学派第二代的代表人物克里斯蒂安·诺德（Christiane Nord）提出：“我们需要一个能够适用于所有文本类型和文本范例的源语文本分析模式，可以应用于所有的翻译任务。她认为可以建立一个无须参照源语或目标语特征的以翻译为导向的文本分析模式”[1].笔者则认为，一种模式可以起到举一反三的作用，但译者认为分析因素可根据个人主观意愿有所取舍与侧重。这正是本文旨在说明的焦点。 二、文本分析理论 翻译中的文本分析最早源起于德国学者凯瑟琳娜·莱斯（Katharina Reiss）、费米尔（Hans Vermeer）创建的德国翻译功能理论及莱斯的功能文本类型理论。在语言学家布勒语言功能三分法的基础上，莱斯把语言功能与文本联系起来，根据交际功能范畴把文本划分为：信息功能（informative），表达功能（expressive），感召功能（operative）三大文本类型[2]. 在篇章语言学和文本类型理论基础上，诺德提出了翻译的文本分析模式，旨在为译者提供一个分析源语文本的模式，运用于所有的文
本类型和翻译过程。 诺德的翻译导向的文本分析模式强调对源文本的充分理解和准确阐释，解释语言、文本结构及源语言系统规范的关系，为译者选择翻译决策提供可靠的基础[3].相对语篇结构语言学派的文本结构分析，诺德的文本分析模式更为详细全面，对源语文本中的文内外因素进行分析。诺德将源文本中的语言和非语言因素分为“文外因素”和“文内因素”,文外因素包括发送者、发送者意图、接受者、媒介、交际地点、交际时间、交际动机、文本功能八个方面。文内因素包括主题、内容、预设、文本构成、非语言因素、词汇、句子结构、超音段特征八个方面[4].这些因素的排列顺序可以改变，并互相依存，而且其分析是反复进行的，某一因素的分析可能会指引其他因素的分析。 翻译导向的文本分析模式放之四海而皆准，适用于任何的文本分析。因为其模式不变相当具体，对各类翻译问题的解决均有导向的作用。 三、文本分析案例 案例 The Queen of the Adriatic 和 The Majestic Acropo-lis 选自于荷兰作家 Winfried Maas 所编着的英文原版 100Cities of the World 中的两篇城市介绍文章。按照诺德的翻译导向的文本分析模式进行分析。 （一）文本外因素分析 从整体来看，此文本为呼唤型旅游文本，文本实现了唤起读者的
层次分析法实例讲解学习 生活实际例题： 旅游实例，有三个旅游地点供游客们选择，连云港，常州，徐州。影响游客们决策的因素主要有以下五项：景色、费用、居住、饮食、旅途。请根据个人偏好选择最佳旅游地点。 分析：旅游点是方案层，将它们分别用B,B2,B3表示，影响旅游决策的因素为准 则层AAAAA；目标层为选择旅游地，即可以建立以下模型: 建立判断矩阵： 准则层判断矩阵（即各种因素在旅客偏好选择中所占有的不同比重） 1 1/ 2 4 3 3 2 1 7 5 5 A 1/4 1/7 1 1/2 1/3 1/3 1/5 2 1 1 1/3 1/5 3 1 1 方案层判断矩阵建立（针对每一个影响因素来对方案层建立） 1 2 5 1 1/3 1/8 1 1 3 B 1/2 1 2 B1 3 1 1/3 B1 1 1 3 1/5 1/2 1 8 3 1 1/3 1/3 1 1 3 4 1 1 1/4 B1 1/3 1 1 B1 1 1 1/4 1/4 1 1 4 4 1 求准则层判断矩阵A的特征值： Matlab 运行程序：[a,b]=eig（A）
'矩阵的对角线为准则层判断矩阵 A 的特征值: 5.073 0 0 0 0 0.031 0 0 0 b 0 0 0.031 0 0 0 0 0 0.005 0 0.005 即 1 5.073, 2 0.031, 3 0.031, 4 0.005, 5 0.005 选出最大特征值： max ( 1, 2, 3, 4, 5 ) 1 最大特征值的特征向量即为准则层的影响因素所占的权重， 为： 所对应的特征向量 w 1 -0.4658 -0.8409 -0.0951 -0.1733 -0.1920 归一化(最简 matlab 程序为 w=w1./sum(w1)) w 0.2636 0.4759 0.0538 0.0981 0.1087 一致性指标的检验： 由max 是否等于5来检验判断矩阵A 是否为一致矩阵。由于特征根连续地依 赖于矩阵A 中的值，故max 比5大得越多，A 的非一致性程度也就越严重， max 对应的标准化特征向量也就越不能真实地反映出对因素 A i (i 1, ,5)的影 响中所占的比重。 计算一致性指标CI : 此题的一致性指标为 5.073-5 0.018 5-1 平均随机一致性指标RI 相对固定，如下表： RI 随机一致性指标 3456789 10 11 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51 计算一致性比例CR : CR q RI 当CR 时，认为判断矩阵的一致性是可以接受的，否则应对判断矩阵作适当修正。 本题： CR ? 皿 0.016 0.1 RI 1.12 可行。 按照如上方式处理矩阵B, B 2, B 3, B 4, B 5得: CI max n n 1 max n n 1 CI n 1 2 RI 0
层次分析法步骤与实例 1 层次分析法的思想：将所有要分析的问题层次化；根据问题的性质和所要到达的总目标，将问题分为不同的组成因素，并按照这些因素间的关联影响即其隶属关系，将因素按不同层次聚集组合，形成一个多层次分析结构模型；最后，对问题进行优劣比较排序. 2 次分析法的步骤：
3 以一个具体案例进行说明： 【案例分析】市政工程项目建设决策：层次分析法问题提出 市政部门管理人员需要对修建一项市政工程项目进行决策，可选择的方案是修建通往旅游区的高速路（简称建高速路）或修建城区地铁（简称建地铁）。除了考虑经济效益外，还要考虑社会效益、环境效益等因素，即是多准则决策问题，考虑运用层次分析法解决。 【案例分析】市政工程项目进行决策：建立递阶层次结构 在市政工程项目决策问题中，市政管理人员希望通过选择不同的市政工程项目，使综合效益最高，即决策目标是“合理建设市政工程，使综合效益最高”。 为了实现这一目标，需要考虑的主要准则有三个，即经济效益、社会效益和环境效益。但问题绝不这么简单。通过深入思考，决策人员认为还必须考虑直接经济效益、间接经济效益、方便日常出行、方便假日出行、减少环境污染、改善城市面貌等因素（准则），从相互关系上分析，这些因素隶属于主要准则，因此放在下一层次考虑，并且分属于不同准则。 假设本问题只考虑这些准则，接下来需要明确为了实现决策目标、在上述准则下可以有哪些方案。根据题中所述，本问题有两个解决方案，即建高速路或建地铁，这两个因素作为措施层元素放在递阶层次结构的最下层。很明显，这两个方案于所有准则都相关。 将各个层次的因素按其上下关系摆放好位置，并将它们之间的关系用连线连接起来。同时，为了方便后面的定量表示，一般从上到下用A 、B 、C 、D 。。。代表不同层次，同一层次从左到右用1、2、3、4。。。代表不同因素。这样构成的递阶层次结构如下图。 目标层A 准则层B 准则层C 措施层D 图1 递阶层次结构示意图
多元线性回归分析 在数量分析中，经常会看到变量与变量之间存在着一定的联系。要了解变量之间如何发生相互影响的，就需要利用相关分析和回归分析。回归分析的主要类型：一元线性回归分析、多元线性回归分析、非线性回归分析、曲线估计、时间序列的曲线估计、含虚拟自变量的回归分析以及逻辑回归分析等。 1.1 回归分析基本概念 相关分析和回归分析都是研究变量间关系的统计学课题。在应用中，两种分析方法经常相互结合和渗透，但它们研究的侧重点和应用面不同。 在回归分析中，变量y称为因变量，处于被解释的特殊地位；而在相关分析中，变量y与变量x处于平等的地位，研究变量y与变量x的密切程度和研究变量x与变量y的密切程度是一样的。 在回归分析中，因变量y是随机变量，自变量x可以是随机变量，也可以是非随机的确定变量；而在相关分析中，变量x和变量y都是随机变量。 相关分析是测定变量之间的关系密切程度，所使用的工具是相关系数；而回归分析则是侧重于考察变量之间的数量变化规律，并通过一定的数学表达式来描述变量之间的关系，进而确定一个或者几个变量的变化对另一个特定变量的影响程度。 具体地说，回归分析主要解决以下几方面的问题。 （1）通过分析大量的样本数据，确定变量之间的数学关系式。
（2）对所确定的数学关系式的可信程度进行各种统计检验，并区分出对某一特定变量影响较为显著的变量和影响不显著的变量。 （3）利用所确定的数学关系式，根据一个或几个变量的值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确度。 作为处理变量之间关系的一种统计方法和技术，回归分析的基本思想和方法以及“回归（Regression）”名称的由来都要归功于英国统计学F·Galton（1822～1911）。 在实际中，根据变量的个数、变量的类型以及变量之间的相关关系，回归分析通常分为一元线性回归分析、多元线性回归分析、非线性回归分析、曲线估计、时间序列的曲线估计、含虚拟自变量的回归分析和逻辑回归分析等类型。 1.2 多元线性回归 1.2.1 多元线性回归的定义 一元线性回归分析是在排除其他影响因素或假定其他影响因素确定的条件下，分析某一个因素（自变量）是如何影响另一事物（因变量）的过程，所进行的分析是比较理想化的。其实，在现实社会生活中，任何一个事物（因变量）总是受到其他多种事物（多个自变量）的影响。 一元线性回归分析讨论的回归问题只涉及了一个自变量，但在实际问题中，影响因变量的因素往往有多个。例如，商品的需求除了受自身价格的影响外，还要受到消费者收入、其他商品的价格、消费者偏好等因素的影响；影响水果产量的外界因素有平均气温、平均日照