人才评价与选拔的一种模型及应用

为了客观公正地评价与选拔人才，本在实践经验总结的基础上，采用定量的数学计算和定性的评价分析相结合的方式，对人才评价与选拔给出了一种数学模型，并用实例说明了模型的应用。     

弹性判别分析在纸币鉴别中的分类应用

分类在许多领域都是重要问题,弹性判别分析是有效解决多类问题的分类方法.基于纸币的四个属性,应用这个方法来鉴别纸币的真伪.运用统计软件R可以得到:训练集的最高准确率达到99.64%,对应检测集的错误率为0.73%.同时,由于回归模型的多样性,弹性判别分析有多种形式.根据数据的特征可以提出适当的方法,对于纸币鉴别的数据集,最好的弹性判别分析的形式应用了带有适应选择项和样条光滑参数的加性模型.     

基于R软件的Bayes判别分析在医学中的应用

Bayes判别在进行判别分析时考虑到各总体出现的先验概率、预报的先验概率及错判造成的损失,其判别效能优于其他判别方法.对Bayes判别方法详细介绍的基础上,利用R软件对一组舒张压和胆固醇数据分别进行Bayes判别分析、Fisher判别分析和基于距离的判别分析,对比三种不同方法下得到的判别结果,结果表明Bayes判别分析得到的分类结果精度较高,Bayes判别分析在医学领域有较好的应用前景.     

顾客忠诚度测评模型

简述顾客忠诚的意义 ,提出顾客心理、言语、行为忠诚的概念 ,提出顾客忠诚度的定义和测评基本原理 ,并在此基础上构建以模糊推理和模糊综合评判为主要工具的测评模型 ,且进行实证研究     

判别分析在教学法比较中的应用研究

采用平衡随机分组设计对课堂提问教学法和满堂灌法进行对比试验，判别分析表明，前者相对于后者，对促进学生的总成绩和学习综合能力都具有显著的优越性。     

判别分析在数学法比较中的应用研究

采用平衡随机分组设计课堂提问教学法和满堂灌法进行对比试验，判别别分析表明，前者相对于后者，对促进学生的总成绩和学习综合能力都具有显著的优越性。     

判别分析方法在医学应用中的进展

本文对医学领域中判别分析方法的新进展做一综述,介绍了微阵列基因表达数据判别分析中偏最小二乘法降维、离散小波变换法降维、logitboost算法、随机森林、模糊核判别分析以及时间序列多元数据有序判别分析法、自身有变化规律数据的变系数logistic回归模型判别分析法的基本思想、算法和适用条件。     

模糊数学在教育测评中的应用

教育测评所得到的往往是模糊信息,难以量化,且当所测对象为多人时,难以进行分析和比较.利用模糊数学的特点,建立了模糊教育测评模型,能将测评结果量化,易于分析和比较,并能有效减少测评中人为因素的干扰,从而提高测评的科学性.     

判别分析在小儿支原体肺炎早期诊断中的应用

本文对辽宁中医学院附属医院儿科收治的 90例肺炎病例进行了判别分析 ,求得判别函数 ,并应用于临床 ,收到了较为满意的效果。     

逐步判别分析在城市噪声区域划分中的应用

噪声是城市环境质量的重要指标之一,它给人们带来的影响日益严重,我国于1982年颁布了《城市区域环境噪声标准》(GB3096—82,以下简称国标),噪声区域划分就是为了贯彻国标要求,将城市中各小区划定为某一个噪声适用区域,以便执行国标规定进行噪声的管理与治理,最大限度地保护居民。国标将城市划分为以下各种适用区域:1.居民文教区,要求声级为50分贝以下;2.一类混合区,指一般商业与居民混合区,要求声级为55分贝以下;3.二类混合区,指一般商业、工业、交通与居民混合区,要求声级为60分贝以下;4.工业区,要求声级为65分贝以下,国     

Bayes判别分析在医疗数据处理中的应用

本文利用判别分析的基本原理和方法,针对肝硬化医疗数据建立数学模型,然后利用SPSS16.0作为工具求解模型,得到了三个有意义的能判别归类的函数判别式。     

蠓的线性判别

本文在没有任何假设的条件下，建立了一个对蠓分类的数学模型．所用理论工具、计算工具都很简单，且经反馈检验，对已知种类的蠓模型判断完全正确．     

非参数逐步判别分析在脑中风分类诊断中的应用

本文采用不等带宽核密度估计的非参数逐步判别分析,使用SAS软件,对复旦大学附属中山医院78例脑中风样本病例,科学地进行了脑出血、脑缺血的分类诊断。经交叉证实法得判别正确率为:脑出血87 88%、脑缺血88 89%,总判别正确率88 46%,判别效果良好。应用78例训练样本建立的判别函数,在苏州大学附属医院2002年42例脑中风病人的分类诊断中,取得了成功的实际应用效果。     

A Comparative Investigation on Model Selection in Independent Factor Analysis

With uncorrelated Gaussian factors extended to mutually independent factors beyond Gaussian, the conventional factor analysis is extended to what is recently called independent factor analysis. Typically, it is called binary factor analysis (BFA) when the factors are binary and called non-Gaussian factor analysis (NFA) when the factors are from real non-Gaussian distributions. A crucial issue in both BFA and NFA is the determination of the number of factors. In the literature of statistics, there are a number of model selection criteria that can be used for this purpose. Also, the Bayesian Ying-Yang (BYY) harmony learning provides a new principle for this purpose. This paper further investigates BYY harmony learning in comparison with existing typical criteria, including Akaik’s information criterion (AIC), the consistent Akaike’s information criterion (CAIC), the Bayesian inference criterion (BIC), and the cross-validation (CV) criterion on selection of the number of factors. This comparative study is made via experiments on the data sets with different sample sizes, data space dimensions, noise variances, and hidden factors numbers. Experiments have shown that for both BFA and NFA, in most cases BIC outperforms AIC, CAIC, and CV while the BYY criterion is either comparable with or better than BIC. In consideration of the fact that the selection by these criteria has to be implemented at the second stage based on a set of candidate models which have to be obtained at the first stage of parameter learning, while BYY harmony learning can provide not only a new class of criteria implemented in a similar way but also a new family of algorithms that perform parameter learning at the first stage with automated model selection, BYY harmony learning is more preferred since computing costs can be saved significantly.     

Logistic回归模型在信用风险分析中的应用

通过运行SPSS,建立L og istic回归信用评价模型(cred it eva luation m odel),用来对中国2000年106家上市公司进行两类模式分类,这两类模式是指按照公司的经营状况分为“差”和“正常”两个小组.对每一家上市公司,考虑其经营状况的4个主要财务指标:每股收益、每股净资产、净资产收益率和每股现金流量.仿真结果表明,L og istic回归信用评价模型对总体106个样本,判别准确率达到99.06%.此外,本文的研究结果还发现,当利用SPSS的D iscrim inan t给出的模型系数建立的线性判别分析模型和利用SPSS的M u ltinom ia lL og istic给出的模型参数建立的L og istic回归模型,L og istic回归模型的判别结果不如线性判别模型.但如果剔除不合格的样本,或是将样本数据规格化,则可以提高L og istic回归模型的分类准确率.     

我国城市消费者寿险购买行为的影响因素及预测

通过文献回顾、专家访谈和问卷调查,确定了8种对消费者寿险购买行为有重要影响的个体态度变量。根据在全国10个城市进行问卷调查所获得的态度变量和人口统计学变量数据,采用判别分析和Logistic回归的方法分别建立了消费者寿险购买行为的预测模型。对模型的评价表明,2个模型都有较好的预测精度;若将两个模型的联合应用,能取得更好的预测效果,对寿险营销管理具有重要的参考价值。     

Discriminant Analysis for Regression Models with Stationary Long-Memory Disturbances

We shall consider the problems of classifying an observation from regression model with stationary long-memory or short-memory disturbances into one of two populations described by the mean functions of the model. We use the log-likelihood ratio as a discrimant statistic which is optimal in the sense of its minimizing the misclassification probabilities. Then we confirm the theoretical results by some simple polynomial regression models.