第一主成分作为系统评估指数的原理和条件.docxVIP

第一主成分作为系统评估指数的原理和条件 20世纪70年代中期，美国著名的运动家尼古拉斯塔普赛德（ahp）教授的tl萨aty提出了这一问题。这是对多指标系统的分类和评估的一般方法之一。随着多元统计方法的普及与应用,主成分分析法(Principal Component Analysis,简称PCA)也成为构造系统排序评估指数的常用方法之一。文中有用第一主成分作为系统评估指数对系统进行评估的成功案例。 本文介绍了Perron-Frobenius定理——AHP中特征根法排序和第一主成分作为系统评估指数的理论基础,以及标准化变量的样本主成分的性质;讨论了第一主成分作为系统评估指数的原理和条件;最后研究了PCA和AHP的排序公式及其内在的、本质的联系,并指出了PCA与AHP的适用情况,对正确选择使用PCA与AHP评价方法具有参考意义。 1 处理的a 定理1: 设A为非负不可约阵,则: ①A有最大的正特征根λmax。这里λmax是单根,其余特征根的模小于等于λmax。 ②λmax对应的A的特征向量可以由正分量组成,除差一个常数倍数外它是唯一的。 λmax=maxx∈R+nminxi0(Ax)ixi=minx∈R+nmaxxi0(Ax)ixiλmax=maxx∈R+nminxi0(Ax)ixi=minx∈R+nmaxxi0(Ax)ixi 其中R+n={x=(x1,x2,…,xn)T|xi≥0,x≠0} 2 主要成分分析及系统评估的应用 2.1 y的参数ls 设p维随机向量X=(X1,X2,…,Xp)T的观测数据阵为Xn×p。Xn×p的相关阵R的特征值λ1≥λ2≥…≥λp≥0,相应的标准正交的特征向量为a1,a2,…,ap,用Y1,Y2,,…,Yp表示样本主成分。 其中Yk=aTkX(k=1,2,…,p),记A=(a1,a2,…,ap),Y=(Y1,Y2,…,Yp),则Y=ATX。 性质1Y的协方差阵D(Y)=Λ=diag(λ1,λ2,…,λp)。 性质2p∑i=1λi=p∑i=1pλi=p 性质3 主成分Yk与标准化变量Xi的相关系数ρ(Yk,Xi)为ρ(Yk,Xi)=√λkaikρ(Yk,Xi)=λk??√aik。其中ak=(a1k,a2k,…,apk)T是R对应于λk的单位正交特征向量, (k,i=1,2,…,p)。 性质4p∑k=1ρ2(Yk?Xi)=p∑k=1λka2ik=1(i=1,2,…,p) 性质5p∑i=1ρ2(Yk?Xi)=p∑i=1λka2ik=λk(k=1,2,…,p) 2.2 y1成为第一主成分 在实际工作中会遇到多指标系统的排序评估问题,如对某类企业的经济效益进行评估比较,影响企业经济效益的指标有很多,如何更科学、更客观地将一个多指标问题综合为单个指数的形式。主成分分析方法为样品排序或多指标系统评估提供可行的方法。如果只选一个综合变量来代表原有的原始变量Xj(j=1,2,…,p),最佳的选择便是第一主成分Y1。一方面由主成分的性质5有p∑i=1ρ2(Y1?Xi)=λ1,知Y1与原始标准化变量X1,X2,…,Xp的综合相关程度最强;另一方面,由Var(Y1)=λ1知第一主成分Y1对应于数据变异最大的方向。这说明Y1是使数据信息损失最小、精度最高的一维综合变量,因此Y1有可能成为构造系统排序评估指数。然而Y1能否真正成为一个尺度因子,还要看Y1与原变量Xj(j=1,2,…,p)的相关情况。如果Y1与所有Xj均正相关,Y1可以成为系统评估排序指数。检验Y1是否与Xj正相关,依据主成分的性质3知ρ(Y1,Xi)=√λ1ai1(i=1,2,?,p)。这里ai1是特征值λ1的特征向量a1的第i个分量,所以检验Y1是否与Xj正相关等价于检验ai10,即第一主成分的系数均为正值。 根据代数学中的Perron-Frobenius定理可知下述结论成立。 定理 若协方差矩阵的所有元素均为非负数,则第一主成分的系数均为正数。 假定第一主成分中各变量的系数均为正数,则由正交性一定可以推出其它主成分的系数是有正、负的,于是第一主成分便可解释为尺度因子,而其它被选中的主成分可以解释为不同的形状因子。 3 相对标度的确定和ahp的排序 (1) 主成分分析法和AHP都有坚实的数学基础,由两两比较测度(即判断矩阵)导出排序测度(即排序权值)常采用特征根法。这与用第一主成分被作为排序评估指数有相同的数学基础——Perron-Frobenius定理。 (2) 对p个指标n个待评估的样本点v1,v2,…,vn的系统进行排序,如果已知观测数据阵Xn×p, 则: ① 将数据阵标准化(标准化后的数据阵仍记为Xn×p),计算标准化后数据阵Xn×p的协方差阵,这时样本协方差阵就是样本相关阵R;② 求R的最大特征值λmax和相应的特征向量l=(l1,l2,…,lp)T