主成分研究在综合评价中应用.docVIP

主成分研究在综合评价中应用摘　要：应用主成分分析原理，以较小的综合变量取代原有的多维变量，并且能客观的确定权数，避免主观随意性。把原指标综合成几个主成分，再以这几个主成分的贡献率为权数构成加权平均，构造出一个综合评价函数。给出了多指标复杂系统的排序方法，它排除了各指标间的相关性和量纲的不一致性，使系统信息不重叠，得到的排序结果合理可信。 关键词：主成分分析；综合评价；排序 中图分类号：F22 文献标志码：A 文章编号：1673-291X（2012）19-0219-05 引言 排序问题在我们日常生活中经常碰到，对单指标系统中的各样本点进行排序，可按指标值的大小排序就可以了，而对多指标系统中的各样本点要进行排序就不能按各指标值的大小这一简单原则进行了，一个常用方法是对各指标进行总和平均后，按平均值的大小进行排序。但有时由于各指标间的量纲不一样，就不能进行加法运算了。再者，即使各指标间的量纲一致，可以作加法运算，而各指标反映系统侧面不同，对系统的作用不一样，作加法运算时，存在一个权系数的处理问题，而权系数的取定没有一个统一的标准，这样就不能得到统一的排序结果，同时，在很多情况下各指标间有一定的相关性，甚至是严重相关，从而使得这些指标所提供的信息在一定的程度上有所重叠，求和时系统信息会重叠计算，也不能得到令人信服的排序结果，本文利用主成分分析原理，对多维空间实行降维处理，在系统变异信息损失最小的情况下，得到线性无关的几个主成分，利用主成分得分，对系统中各样本点进行综合评价，这样就排除了各指标间由于量纲不同和信息重叠所造成的影响，不用人为规定权系数，排除主观因素的干扰，使得计算结果更加科学、真实可靠。 一、主成分分析法原理[1] 设系统中各指标向量的均值为，协方差阵为，考虑线性组合： y1=l′1X=l11x1+l21x2+…+lp1xpy2=l′2x=l12x1+l22x2+…+lp2xp………………………………yp=l′pX=l1px1+l2px2+…+lppxp　 （1） 由随机向量变换的性质，显然有： var（yi）=l′i∑li （i=1，2，…，p） cov（yi，yj）=l′i∑lj （i，j=1，2，…，p） 在式（1）中的y1，y2，…，yp分别称为X=（x1，…，xp）′的第一主成分，第二主成分，…，第P主成分，如果它们满足：（1）yi与yj（i≠j）不相关；（2）y1是X的一切线性组合中方差达到最大的；y2是与y1不相关的一切X的线性组合中方差达到最大的，…，yi是与y1，…,yi-1（i=1，2，…，p）都不相关的一切X的线性组合中方差达到最大的。（3）yi=l′ix的系数满足l′ili= 1（i=1，2，…，p）。 下面主要是导出li及如何选择K（KP）个主成分使这K个主成分概括了X的变异的大部分。 设X=（x1，…，xp）′的协方差阵为∑，λ1≥λ2≥…≥λp≥0为其特征值，?詛1，?詛2，…?詛p为对应的单位化正交特征向量，则第i个主成分为: yi=?詛′iX=?詛1ix1+?詛2ix2+…+?詛pixp （2） 且有var（yi）=?詛′i∑?詛i=λi （i=1，2，…，p） cov（yi，yj）=?詛′i∑?詛i=0 （i≠j） 上述结论表明X的主成分是以∑的单位化正交特征向量为系数的线性组合，第i个主成分的系数是对应于第i个特征值λi的单位化特征向量，其方差为λi。 利用主成分的主要目的是降维，所以一般情况下要选取K（KP）个主成分来代替原p个相关变量的研究，K应取多大呢？其中K个变量应能概括原p个变量所能提供信息的大部分。 为了说明各主成分yi概括原变量信息的大小，我们通常用ai=来表示，并称它为主成分yi的方差贡献率，而称ai为前K主成分的累计方差贡献率。因此主成分个数K的大小就由累计贡献率来确定，一般情况下取K使得累计贡献率达到80%以上，即（ai）100%≥80%。 二、应用实例 我们对23家家电类上市公司2008年的1月的财务指标作主成分分析，设定综合评价指数对23家公司进行排序，并用聚类分析验证了排序的正确性，这6个财务指标分别为:每股盈利x1（元），每股净资产x2（元），主营利润率x3（%），净资产收益率x4（%），负债率x5（%），每股公积金x6（亿元）。数据来源于武汉证券公司，数据（见表1）： 首先，将数据标准化处理，然后将处理后的数据，利用SAS软件，可得指标x1，x2，…，x6的相关系数矩阵为: R= 1.0000 0.3793 1.0000-0.0627 0.1673 1.0000 0.9287 0.2122 -0.1150 1.0000-0.2134 -0.4582 0.1852 -