Методы оценки силы связей с участием нечисловых факторов, характеризующих состояние объекта принятия решений тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Лобанов, Валерий Юрьевич

  • Лобанов, Валерий Юрьевич
  • кандидат технических науккандидат технических наук
  • 2011, Москва
  • Специальность ВАК РФ05.13.01
  • Количество страниц 129
Лобанов, Валерий Юрьевич. Методы оценки силы связей с участием нечисловых факторов, характеризующих состояние объекта принятия решений: дис. кандидат технических наук: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям). Москва. 2011. 129 с.

Оглавление диссертации кандидат технических наук Лобанов, Валерий Юрьевич

Введение.

1. Анализ межфакторных связей.

1.1. Основные термины и определения.

1.2. Задача исследования связей с нечисловыми факторами.

1.3. Методы анализа межфакторных связей.

1.4. Современные средства анализа зависимостей между факторами.

1.5. Выводы.

2. Методы оценивания связей между количественным и номинальным факторами.

2.1. Связь между влияющим количественным и зависимым номинальным факторами.

2.2. Связь между влияющим номинальным и зависимым количественным фактором.

2.3. Методы оценивания связей с преобразованием типов шкал.

2.4. Мера на основе расстояния Бхаттачария.

2.5. Мера на основе соотношения дисперсий.

2.6. Выводы.

3. Исследование методов оценивания связей между количественным и номинальным факторами на имитационных данных.

3.1. Задачи исследования.

3.2.Имитационная модель.

3.3. Сравнение различных методов оценки связи между количественным и номинальным факторами.

3.4. Статистические свойства.

3.5. Определение значения настроечного параметра а для оценки силы связи с использованием МРБ.

3.6. Сравнение объема вычислений при оценивании силы связи с использованием МРБ и коэффициента Спирмена.

3.7. Рекомендации по выбору метода оценки силы парной межфакторной связи для различных типов используемых шкал.

3.8. Выводы.

4. Описание программного обеспечения для решения задач анализа межфакторных связей.

4.1. Вводная часть.

4.2. Функциональное назначение.

4.3. Описание логической структуры.

4.4. Состав и функции.

4.5. Условия применения.

4.6. Выводы.

Анализ данных с использованием разработанных методов и программного обеспечения.

5.1. Обработка данных об организации научно-исследовательских работ в вузах России.

5.2. Применение разработанного ПО в лабораторном практикуме по дисциплине «Системы поддержки принятия решений».

5.3. Выводы.

Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методы оценки силы связей с участием нечисловых факторов, характеризующих состояние объекта принятия решений»

Актуальность темы

Одной из наиболее актуальных областей применения современных информационных технологий при решении задач управления сложными объектами как технической, так и нетехнической природы стало в последнее время создание систем поддержки принятия решений (СППР). Основу СППР составляют средства сбора, обработки и анализа данных об объектах управления. Развитость средств анализа данных характеризует общий уровень реализации СППР, поэтому в последние годы в мире значительные усилия прилагаются, для создания новых методов, средств и технологий анализа данных. Это направление работ получило название «добыча данных» (Data Mining). В результате больших усилий, потраченных на создание информационных систем, во многих системах управления накопились огромные массивы данных, отражающие их деятельность за предыдущие периоды времени функционирования. Есть основания полагать, что в этих массивах присутствует очень важная информация, использование которой может позволить существенно повысить эффективность деятельности, обеспечить её более высокое качество. Вопрос состоит в том, как выделить эту полезную информацию. СППР, как правило, применяется при решении задач управления сложными объектами. Под сложностью понимаются:

• многоаспектность происходящих в объекте процессов и их взаимосвязанность; в силу этого невозможно вычленение и детальное исследование отдельных явлений - все происходящие в них явления должны рассматриваться в совокупности;

• отсутствие достаточной количественной информации об объекте, что вынуждает переходить к его качественному анализу.

В качественных моделях объект описывается в терминах некоторого набора его характеристик — факторов, между которыми устанавливаются связи. При анализе связей в сложных объектах можно выделить три последовательных этапа. Сначала выясняется сам факт наличия связи между факторами, в 5 терминах которых описывается объект. Если установлено наличие связи, выясняют, какова сила этой связи. Если необходима дальнейшая детализация описания связи, переходят к разработке ее математической модели. Построение полноценной математической модели связи зачастую является крайне трудоемким процессом, поэтому второй шаг, на котором происходит анализ связей на качественном, уровне и которому посвящено данное исследование, является крайне важным с точки зрения эффективного распределения ресурсов исследователя — математическая модель будет строиться только в тех случаях, когда это действительно целесообразно. Выделение факторов и выдвижение гипотез-о наличии связей между ними осуществляется экспертом, строящим модель. Одной из основных характеристик связи между факторами является её сила. Она может быть оценена двумя методами - экспертным (на основании знаний эксперта) и формальным (на основании анализа данных наблюдений факторов). До сих пор при качественном моделировании в основном применялись экспертные методы, что во многом обусловлено широтой области их применения и относительной простотой. Однако в настоящее время в данной задаче становится крайне интересен и формальный метод — ввиду объективности результатов, которые могут быть получены на основе анализа накопленных данных наблюдений. Оценка силы связи между количественными факторами формальным методом может быть осуществлена с использованием получившего особенно широкое распространение в технических дисциплинах анализа корреляций. В литературе, посвященной анализу данных, рассматриваются меры, позволяющие оценивать силу связи между факторами, измеренными в нечисловых шкалах: порядковой и номинальной.

Связи, в которых типы шкал факторов совпадают, будут называться однородными. В практической работе часто требуется анализировать неоднородные связи, то есть связи, в которых типы шкал факторов не совпадают. Эти связи, естественным образом, содержат нечисловые факторы. Анализ литературы не позволяет выявить каких-либо мер или четких рекомендаций по 6 оценке силы неоднородных связей, поэтому становится актуальной задача их разработки и исследования.

Среди всех возможных типов связей с участием нечисловых факторов особый интерес представляют связи между количественным и номинальным факторами, что обусловлено их широкой распространенностью. Цель исследования

Разработка и исследование методов оценивания силы связей между количественным и номинальным факторами и создание средств автоматизации процесса вычисления оценок силы этих связей с использованием данных наблюдений, полученных на объекте управления. Задачи исследования

Для достижения указанной цели исследования были поставлены и решены следующие задачи:

• Нахождение методов преобразования типов шкал факторов для приведения задачи оценивания силы неоднородных связей к задаче оценивания силы однородных связей.

• Разработка мер силы связи между количественным и номинальным факторами для расчета оценок этой силы без использования преобразования типов шкал.

• Систематизация методов оценки силы однородных и неоднородных связей и разработка методических рекомендаций по выбору мер для оценивания силы связей, содержащих нечисловые факторы.

• Разработка программного средства поддержки анализа межфакторных связей и исследования их статистических свойств.

Методы исследования

В работе применяются статистические методы. Оценивание силы связи проводится на основе анализа данных наблюдений факторов, сделанных на объекте. Свойства мер исследуются на основе данных имитационной модели.

Научная новизна

• Предложены не рассматривавшиеся ранее в литературе методы приведения задачи оценивания силы связи между факторами, измеренными в количественной и номинальной шкалах, к задачам оценивания однородных • связей за счет преобразования типов шкал факторов. Эти методы позволяют использовать для неоднородных связей известные из литературы меры силы однородных связей.

• Разработана новая мера силы направленной связи между влияющим количественным и зависимым номинальным факторами на основе расстояния Бхаттачария, дающая возможность вычислять оценки без использования преобразования типов шкал факторов .

• Разработана новая мера силы направленной связи между влияющим номинальным и зависимым количественным факторами на основе соотношения компонентов дисперсии количественного фактора, также дающая возможность вычислять оценки силы связи без использования преобразования типов шкал.

• С использованием имитационного моделирования обоснованы условия применения различных мер силы связи.

Практическая ценность работы

• Разработаны методические рекомендации по выбору метода оценивания силы связи в зависимости от типов входящих в нее факторов, а также от имеющихся предположений о ее свойствах.

• Для автоматизации процесса расчета оценок сил межфакторных связей разработана библиотека программ для среды МАТЪАВ, позволяющая оценивать силы однородных и неоднородных связей.

• Получены оценки сил ряда связей между факторами, описывающими задачу организации научно-исследовательских работ в России.

• Создано программное средство учебного назначения, реализующее функции расчета оценок силы однородных и неоднородных межфакторных связей, предназначенное для использования при проведении лабораторных работ по дисциплине «Системы поддержки принятия решений». Апробация работы

• Результаты работы обсуждались на XVIII научно-техническом семинаре «Современные технологии в задачах управления, автоматики и обработки информации» в г. Алушта в 2009г., на XVIII международной научно-технической конференции «Информационные средства и технологии» в г. Москва в 20 Юг, а также на XVI международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика», в г. Москва в 2010г.

• Получено свидетельство о регистрации разработанного программного средства учебного назначения в Объединенном Фонде Электронных Ресурсов «Наука и Образование» (ОФЭРНиО) Института Научной Информации и Мониторинга (ИНИМ)

Публикации

По материалам диссертации было опубликовано 7 работ, в том числе - 2 работы в журналах из перечня ВАК. Структура и объем работы

Диссертационная работа состоит из введения, 5 глав, заключения, списка библиографических источников из 168 наименований. Общий объем работы составляет 120 страниц.

Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Лобанов, Валерий Юрьевич

5.3. Выводы

В данной главе было рассмотрено применение разработанных методов и программного обеспечения в процессе анализа связей по реальным данным об организации научно-исследовательских работ в РФ. При этом были сделаны выводы о взаимосвязях факторов.

Также рассмотрен пример из лабораторной работы по курсу «Системы поддержки принятия решений», в котором студентам предлагалось на основе данных наблюдений проверить предположение о наличии взаимосвязи между факторами с применением разработанного программного обеспечения. Таким образом, было показано, что разработанные методы и программное обеспечение могут использоваться как в практических, так и в учебных целях.

Заключение

В диссертационной работе были получены следующие существенные результаты:

1. Предложена мера силы парной направленной связи между влияющим количественным и зависимым номинальным факторами, основанная на расстоянии Бхаттачария (МРБ). Данная мера позволяет оценивать силу связи указанного типа без преобразования типов шкал факторов.

2. Предложена мера силы парной направленной связи между влияющим номинальным и зависимым количественным факторами, базирующаяся на соотношении компонентов дисперсии количественного фактора, используемых в модели дисперсионного анализа (МСД). Данная мера также позволяет оценивать силу связи без преобразования типа шкал.

3. Разработаны детальные процедуры сведения задачи оценивания силы парной межфакторной связи между количественным и номинальным факторами к задачам оценивания силы однородных связей, для которых меры силы связей известны.

4. Проведен сравнительный анализ методов оценивания силы парной межфакторной связи между количественным и номинальным факторами путем сведения задачи к оцениванию однородных связей и с помощью предложенных мер МРБ и МСД, на основе которого были определены условия целесообразного использования мер МРБ и МСД.

5. Выработаны рекомендации по выбору метода оценивания силы связи в зависимости от типа входящих в нее факторов.

6. Для целей автоматизации процесса вычисления мер силы парных межфакторных связей была разработаны библиотека программ для среды МАТЪАВ, на основе которой было создано программное средство учебного назначения (ПСУН), предназначенное для использования при проведении лабораторных работ по дисциплине «Системы поддержки принятия решений».

7. Разработанные методы и программные средства были использованы для обработки данных об организации научно-исследовательских работ в вузах России

8. Программное средство учебного назначения было использовано при проведении лабораторной работы в МЭИ

Список литературы диссертационного исследования кандидат технических наук Лобанов, Валерий Юрьевич, 2011 год

1. Agresti A; Categorical data analysis; New York; John Wiley and sons; 2002

2. Agresti A; Analysis of Ordinal Categorical Data; New York; John Wiley and sons; 2010

3. Agresti A; A Survey of Exact Inference for Contingency Tables; Statistical Science; Vol. 7; No. 1; 1992; p. 131-153

4. Bhattacharyya, A.; On a measure of divergence between two statistical populations defined by their probability distributions; Bulletin of the Calcutta Mathematical Society; 1943; Vol. 35; p. 99-109

5. Blalock H.M.; Conceptualization and measurement in the social sciences; Beverly hills; Sage Publications; 1982.

6. BMDP Biomedical Computer Programs; Ed. W. J. Dixon.; Univ. of California Press; 1979.

7. Clausen S.E.; Applied correspondence analysis. An introduction. Sage university paper series on Quantitative applications in the social sciences; Newbury park; Sage Publications; 1998; No. 07, p. 07-121

8. Computer-aided qualitative data analysis: theory, methods and practice; Ed. Kelle U., Prein G., Bird K.; London; Sage Publications; 1995.

9. Cramer, H.; Mathematical Methods of Statistics; Princeton; Princeton University Press; 1999

10. Creswell J.W.; Research design: qualitative and quantitative approaches; Thousand Oaks, Calif.; Sage Publications; 1994.

11. Fisher R.A.; On the interpretation of chi-square from contingency tables and the calculation; Journal of the Royal Statistical Society; 1922; No. 85; p. 87-94

12. Fisher R.A.; The conditions under which chi square measures the discrepancy between observation and hypothesis; Journal of the Royal Statistical Society; 1924; No. 87; p. 442-450

13. Fisher R.A.; Statistical Methods for Research Workers; 1970; Edinburgh; Oliver&Boyd; 1970; 14th ed.

14. Gokhale, D. V., and S. Kullback. 1978. The Information in Contingency Tables. New York: Marcel Dekker.

15. Goodman, L. A.; The analysis of cross-classified data: Independence, qua-si-independence and interactions in contingency tables with or without missing entries. J. Amer. Statist. Assoc; 1968; Vol. 63; p.1091-1131.

16. Goodman, L. A.; How to ransack social mobility tables and other kinds of cross-classification tables. Amer. J. Sociol; 1969; Vol 75; p. 1-40.

17. Goodman, L. A.; Simple models for the analysis of association in cross-classifications having ordered categories. J. Amer. Statist. Assoc; 1979; Vol. 74; p. 537-552.

18. Goodman, L. A., and W. H. Kruskal. 1979. Measures of Association for Cross Classifications. New York: Springer-Verlag ¿contains articles appearing in J. Amer. Statist. Assoc. in 1954,1959, 1963, 1972.

19. Guttman L.; The quantification of a class of attributes: a theory and method of scale construction. In: The Prediction of Personal Adjustment. -Bulletin N 48 N.Y.: Social Science Research Council, 1941, p. 319-348

20. Hirshfeld H.O.; A connection between correlation and contingency; Proceedings of Cambridge Philosophical Society; 1935; 31, p. 520-524

21. IBM; Иллюстрированный самоучитель no SPSS; http://www.spssbase.com/

22. Kendall, M.; A New Measure of Rank Correlation; 1938; Biometrika; Vol. 30; p.81-89

23. Kendall, M.; Rank Correlation Methods; London; Charles Griffin & Company Limited ; 1948

24. Koch, G. G., and V. P. Bhapkar. Chi-square tests, in Encyclopedia of Statistical Sciences; New York: Wiley ; 1982; Vol. 1; p. 442-457

25. Koch, G. G., I. A. Amara, G. W. Davis, and D. B. Gillings. A review of some statistical methods for covariance analysis of categorical data. Biometrics; 1982; Vol. 38; p. 563-595.

26. Koch, G. G., P. B. Imrey, J. M. Singer, S. S. Atkinson, and M. E. Stokes. 1985. Lecture Notes for Analysis of Categorical Data. Montreal: Les Presses de L'Universit'e Montr'eal.

27. Kruskal, W. H. 1958. Ordinal measures of association. J. Amer. Statist. Assoc. 53:814-861.

28. Kuha, J., C. Skinner, and J. Palmgren. 1998. Misclassification error. Pp. 2615-2621 in Encyclopedia of Biostatistics. Chichester, UK: Wiley.

29. Kupper, L. L., and J. K. Haseman. 1978. The use of a correlated binomial model for the analysis of certain toxicological experiments. Biometrics 34: 69-76.

30. Lauritzen, S. L., and N. Wermuth. 1989. Graphical models for associations between variables, some of which are qualitative and some quantitative. Ann. Statist. 17: 31-57.

31. Leeuw J.; Canonical analysis of Categorical Data; The Netherlands Psychological Institute, Univ. of Leiden; 1973; 120 p.

32. Lehmann, E. L.; Some concepts of dependence. Ann. Math. Statist; 1966; Vol. 37; p. 1137-1153.

33. Lehmann, E. L.; Testing Statistical Hypotheses, 2nd ed.; New York: Wiley; 1986

34. Lewis, T., I. W. Saunders, and M. Westcott;. The moments of the Pearson chi-squared statistic and the minimum expected value in two-way tables. Biometrika; 1984;Vol. 71; p. 515-522.

35. Liebetrau A.M. Measures of association. Sage university paper series on Quantitative applications in the social sciences, 07-032. Newbury park, CA: Sage, 1989

36. Little, R. J. A., and M.-M. Wu. 1991. Models for contingency tables with known margins when target and sampled populations differ. J. Amer. Statist. Assoc. 86: 87-95. .

37. Lloyd, C. J. 1999. Statistical Analysis of Categorical Data. New York: Wiley.

38. Mahalanobis, P C ; On the generalised distance in statistics; Proceedings of the National Institute of Sciences of India; 1936; Vol. 2; p. 49-55

39. Magidson J. Qualitative Variance, Entropy and Correlation Ratios for Nominal Dependent Variables; Social Sci. Research; 1982№ Vol. 77; p. 177-194.

40. Maung K.; Measurement of association in continency table with special reference to the pigmentation of hair and eye colours of Scottish school children. Ann. Of Eugenics; 1941; vol 11, p. 189-223

41. Mehta, C. R.; The exact analysis of contingency tables in medical research. Statist. Methods Medic. Res.; 1986; Vol. 3; p. 135-156.

42. Microsoft Corporation; About statistical analysis tools; 2011; http://office.microsoft.com/en-us/excel-help/about-statistical-analysis-tools-HP005203873.aspx?CTT=l

43. Miles M.D., Huberman A.M. Qualitative data analysis. An expanded Sourcebook. Thousand oaks, London, New Delhi: SAGE Publications, 1994

44. Mirkin, B.; Eleven ways to look at the chi-squared coefficient for contingency tables. Amer.Statist.; 2001; Vol. 55; p. 111-120.

45. Morgan, B. J.; . Analysis of Quantal Response Data;. London; Chapman & Hall.; 1992

46. Mosteller, F.; Some statistical problems in measuring the subjective response to drugs. Biometrics; 1952; Vol. 8; p. 220-226.

47. Mosteller, F.; Association and estimation in contingency tables; J. Amer. Statist. Assoc; 1968; Vol. 63; p. 1-28.

48. Myers, Jerome L.; Arnold D. Well. Research Design and Statistical Analysis (second edition ed.); Mahwah, NewJersey; Lawrence Erlbaum; 2003110

49. Nair, V. N. 1987. Chi-squared-type tests for ordered alternatives in contingency tables. J. Amer. Statist. Assoc. 82: 283-291.

50. Nishisato Sh. Analysis of categorical data: dual scaling and its applications; Toronto-Bufalo-London; Univ. of Toronto press; 1980; 285 p.

51. Parr, W. C., and H. D. Tolley. 1982. Jackknifing in categorical data analysis. Austral. J. Statist.24: 67-79.

52. Pearson, K., and D. Heron. 1913. On theories of association. Biometrika 9: 159-315.

53. Pfaffenberger B. Microcomputer applications in qualitative research. -Qualitative research methods. V. 14, 1988.

54. Plackett, R. L. 1983. Karl Pearson and the chi-squared test. Internat. Statist. Rev. 51: 59-72.

55. Power D. J. Decision Support Systems: Concepts and Resources for Managers: Quorum Books (Greenwood Publishing), 2002.- 272 p.

56. Press, S. J., and S. Wilson. 1978. Choosing between logistic regression and discriminant analysis. J. Amer. Statist. Assoc. 73: 699-705.

57. Rao, J. N. K., and D. R. Thomas. 1988. The analysis of cross-classified categorical data from complex sample surveys. Sociol. Methodol. 18: 213270.

58. Rayner, J. C. W., and D. J. Best. 2001. A Contingency Table Approach to Nonparametric Testing.London: Chapman & Hall.

59. Richards L., Richards T. The transformation of qualitative method: computational paradigms and research processes. Using computers in qualitative research. L.: Sage, 1991.

60. Richardson M., Kuder G.F.; Making a rating scale that measures. — Personnel Journal; 1933; vol. 12, p. 36-40

61. Rudas T. Odds ratios in the analysis of contingency tables. Sage university paper series on Quantitative applications in the social sciences, 07-139. Newbury park, CA: Sage, 1998

62. Sirkin R.M. Statistics for the social science. SAGE publ.,1995111

63. Sorokin P. ; Quantophrenia. Fads and Foibles in Modern Sociology and Related Sciences. Westport, Connecticut: Greenwood Press, Publishers. 1956. pp. 102-130

64. Spearman C.; The Proof and Measurement of Association between Two Things ; The American Journal of Psychology, Vol. 15, No. 1 (Jan., 1904), pp. 72-101

65. StatSoft Inc.,; Электронный учебник Stat Soft; 2001; http://www.statsoft.ru/home/textbook/

66. Stokes, M. E., C. S. Davis, and G. G. Koch. 2000. Categorical Data Analysis Using the SAS System, 2nd ed. Cary, NC: SAS Institute.

67. Strauss A.L. Qualitative analysis for social scientists. Cambridge, 1987

68. Survey Measurement and Process Quality, ed. L. Lyberg et al. New York: Wiley.

69. Tesch R. Qualitative research. Analysis types &software tools.N.-Y.: The Falmer Press, 1995 (1990)

70. Train, K. 1986. Qualitative Choice Analysis: Theory, Econometrics, and an Application. Cambridge, MA: MIT Press.

71. Tutz, G. 1989. Compound regression models for ordered categorical data. Biometrical J. 31:259-272.

72. Tutz, G. 1991. Sequential models in categorical regression. Comput. Statist. Data Anal. 11:275-295.

73. Using computers in Qualitative research / Ed. by Fielding N.G., Lee R.M. -Sage, 1991

74. Walsh A. Statistical for the social sciences: with computer based applications. - N.Y.: Harper & Row, Publishers, 1990;

75. Weitzman E.A., Miles M.B. Computer programs for qualitative data analysis. Sage, 1995.

76. Yates, F. 1984. Tests of significance for 2x2 contingency tables. J. Roy. Statist. Soc. Ser. A 147: 426-463.

77. Yule, G. U. 1900. On the association of attributes in statistics. Philos. Trans. Roy. Soc. London Ser. A 194: 257-319.

78. Yule, G. U. 1903. Notes on the theory of association of attributes in statistics. Biometrika 2:121-134.

79. Yule, G. U. 1912. On the methods of measuring association between two attributes. J. Roy. Statist. Soc. 75: 579-642.

80. Айвазян C.A., Енюков И.С., Мешалкин Л.Д.; Прикладная статистика. Основы моделирования и первичная обработка данных. Справочное издание.; М.; Финансы и статистика; 1983.

81. Аптон Г.; Анализ таблиц сопряженности; М.: Финансы и статистика; 1982; (Upton G.J.G.; The analysis of cross-tabulated data; N.-Y; Wiley; 1978).

82. Борисовский П.Л., Миркин Б.Г., Черный Л.Б.; К анализу экспертных оценок в терминах пространства разбиений. В кн.: Распознавание образов и регрессионный анализ в экономических исследованиях; Новосибирск; изд. ИЭиОПП СО АН СССР; 1972; 86-94с.

83. Боровиков В.П; Statistica. Искусство анализа данных на компьютере. 2 издание; М.; Питер; 2004 http ://www.twirpx. com/about/faq/ downl oading/

84. Бородкин Ф.М., Миркин Б.Г.; Эмпирическое описание в социологии. В кн.: Математика и социология; Новосибирск; изд. ИЭиОПП СО АН СССР; 1972; 3-41с.

85. Бородкин Ф.М.; Статистическая оценка связей экономических показателей; М., Статистика, 1968.

86. Браверман Э.М. и др; Лингвистический подход к задаче обработки больших массивов информации; М.; Автоматика и телемеханика; 1974; №11; 73-88с.

87. Бююль А., Цефель П.; SPSS: искусство обработки информации: Анализ статистических данных и восстановление скрытых закономерностей / Пер. с нем.; Под ред. к.ф.-м.н. В.Е. Момота. 8-е изд.; СПб.; ООО «ДиаСофт ЮП», 2005

88. Вапник В.Н.; Восстановление зависимостей по эмпирическим данным; М.; Наука; 1979.

89. Гаек Я., Шидак 3.; Теория ранговых критериев (пер. с англ.); М.; Наука; 1971.

90. Дидэ Э. и др.; Методы анализа данных.; М.; Финансы и статистика; 1985.

91. Дмитриев А.Н., Журавлев Ю.И., Кренделев Ф.П.; О математических принципах классификации предметов и явлений. Дискретный анализ; Новосибирск; изд. ИМ СО АН СССР; 1966; вып. 7; 3-12с.

92. Дюк В., Самойленко A.; Data Mining: учебный курс; СПб; Питер; 2001.

93. Дюк В.А.; Обработка данных на ПК в примерах; СПб; Питер; 1997.

94. Елисеева И.И.; Статистические методы измерения связей; Д.; ЛГУ; 1982.

95. Еремеев А.П.; Экспертные модели и методы принятия решений. Учебное пособие по курсу "Теория и методы принятия решений"; М.; МЭИ; 1995.

96. Заде Л.; Понятие лингвистической переменной и его применение к принятию приближенных решений; М.; Мир; 1976.

97. Андреенков В.Г., Толстова Ю.Н.; Интерпретация и анализ данных в социологических исследованиях; М.; Наука; 1987.

98. Киселев М., Соломатин Е.; Средства добычи знаний в бизнесе и финансах; Открытые системы; №04; 1997.

99. Клигер С.А., Косолапов М.С., Толстова Ю.Н.; Шкалирование при сборе и анализе социологической информации; М.; Наука; 1978.

100. Клишина Ю.Н.; Применение анализа соответствий в обработке нечисловой информации; М.; Социология; 1991, №2; 105-13 8с.

101. Корноушенко Е.К., Максимов В.И.; Управление процессами в слабо-формализованных средах при стабилизации графовых моделей среды; М.; Труды ИПУ; вып.2; 1998.

102. Кречетов Н.; Продукты для интеллектуального анализа данных; М.; Computer Week-Москва; 1997.

103. Лазарсфельд П.Ф.; Измерение в социологии; Американская социология; М.; Прогресс; 1972.

104. Лакутин О.В., Толстова Ю.Н.; Коэффициенты связи номинальных признаков, основанные на моделях прогноза и понятии энтропии; М.; ИСРосАН; 1992.

105. Лакутин О.В., Толстова Ю.Н.; Принципы построения: оценки качества и сравнения коэффициентов связи номинальных признаков; М.; ИСАН СССР; 1990.

106. Ларичев О.И., Мошкович Е.М.; Качественные методы принятия решений; М.; Наука, Физматлит; 1996.

107. Лбов Г.С.; Методы обработки разнотипных экспериментальных данных; Новосибирск; Наука; 1981.

108. Лецкий Э., Хартман К., Шефер В.; Планирование эксперимента в исследовании технологических процессов;М.; Мир; 1977

109. Максименко B.C., Паниотто В.И.; Зачем социологу математика; Киев; Радяньска школа; 1988.

110. Максимов В.И., Корноушенко Е.К. Аналитические основы применения когнитивного подхода при решении слабоструктурированных задач; Труды ИПУ; вып.2; 1998.

111. Максимов В.И., Корноушенко Е.К.; Знание основа анализа; Банковские технологии; М.; Финанс Медиа; № 4, 1997.

112. Максимов В.И., Корноушенко Е.К., Качаев C.B. Анализ ситуации и-компенсация теневых аспектов в свободной торговле В сб. "Современные технологии управления для администраций городов и регионов"; М.; Фонд "Проблемы управления"; 1998.

113. Максимов В.И., Корноушенко Е.К., Качаев C.B., Григорян А.К.; Когнитивный подход к анализу проблемы демонополизации в транспортном комплексе; Труды ИПУ; вып.2; 1998.

114. Миркин Б.Г.; Анализ качественных признаков и структур; М.; Статистика; 1980.

115. Миркин Б.Г.; Группировки в социально-экономических исследованиях: Методы построения и анализа; М.; Финансы и статистика; 1985.

116. Миркин Б.Г.; Проблема группового выбора; М.; Наука; 1974.

117. Миркин Б.Г., Черный Л.Б.; Некоторые свойства пространства разбиений В кн «Математический анализ экономических моделей»; Новосибирск; Изд. ИЭиОПП СО АН СССР; 1972; 126-147с.

118. Миркин Б.Г., Черный Л.Б.; Об измерении близости между различными разбиениями конечного множества объектов; Автоматика и телемеханика; 1970; №5; 120-127с.

119. Миркин Б.Г.; Задачи аппроксимации в пространстве отношений и анализ нечисловых признаков; Автоматика и телемеханика; 1974; №9; 51-61с.

120. Миркин Б.Г.; Новый подход к обработке социологической информации — В кн.: Измерение и моделирование в социологии; Новосибирск; Наука; 1969; 51-61с.

121. Миркин Б.Г.; О принципах согласования отношений.; Кибернетика; 1973; №2; 74-79с.

122. Орлов А.И; Эконометрика. Учебник для вузов; М.; Экзамен; 2002 (1-е изд.), 2003 (2-е изд.), 2004 (3-е изд.).

123. Орлов А.И: совместно с Тюриным Ю.Н., Литваком Б.Г., Сатаровым Г.А., Шмерлингом Д.С.; Анализ нечисловой информации; М.; Научный Совет АН СССР по комплексной проблеме «Кибернетика»; 1981.

124. Орлов А.И.; Прикладная статистика. Учебник для вузов; М.; Экзамен»; 2006.

125. Орлов А.И.; Анализ нечисловой информации в социологических исследованиях; М.; Наука; 1985; 58-92с.

126. Орлов А.И.; Многомерный статистический анализ в социально-экономических исследованиях; М.; Наука; 1974; 388-393с.

127. Орлов А.И.; Анализ нечисловых данных в системных исследованиях. Сборник трудов; М.; ВНИИСИ; 1982; вып. 10; 4-12с.

128. Орлов А.И.; Нечисловая статистика; М.; МЗ-Пресс; 2004.

129. Орлов А.И.; Репрезентативная теория измерений и ее применения; М.; Журнал "Заводская лаборатория"; 1999; т.65; №3; 57-62с.

130. Орлов А.И.; Статистика объектов нечисловой природы (Обзор); М.; Журнал "Заводская лаборатория"; 1990; Т.56; No.3; 76-83с.

131. Потемкин В.Г.; Система MATLAB. Справочное пособие; М.; Диалог-МИФИ, 1997.

132. Потемкин В.Г.; Введение в MATLAB; М.; Диалог-МИФИ; 2000.

133. Пфанцагль И.; Теория изменений; М.; Мир; 1976; 165с.

134. Pao С.Р.; Линейные статистические методы и их применение (Пер. с англ.); М., Наука; 1968.

135. Раушенбах Г.В.; Анализ нечисловой информации в социологических исследованиях; М.; Наука; 1985; 169-203с.

136. Самарский A.A., Михайлов А.П.; Математическое моделирование. Идеи. Методы. Примеры.; М.; Физматлит; 2001; 2-е изд., испр.

137. Г.А. Фомин; Сбор, обработка и анализ данных в системах поддержки принятия решений. Учебное пособие; М.; Издательство МЭИ; 2009.

138. Стивене С.С.; Экспериментальная психология. Т.1.; М.; ИЛ; 1960; 5-78с.

139. Суппес П., Зинес Дж.; Психологические измерения; М.; Мир; 1967; 9-130с.

140. Суппес П., Зинес Дж.; Общая теория измерений В кн. Психологические измерения (Пер. с англ.); М.; Мир; 1967; 9-110с.

141. Суслов И.П.; Общая теория статистики; М.; Статистика; 1970.

142. Тихонов А.Н., Цветков В.Я.; Методы и системы поддержки принятия решений; М.; МАКС Пресс; 2001.

143. Толстова Ю.Н.; Анализ социологических данных; М.; Научный мир; 2000.

144. ТолстоваЮ.Н.; Измерение в социологии; М.; Инфра-М; 1998.

145. Толстова Ю.Н.; Математика в социологии: элементарное введение в круг основных понятий (измерение, статистические закономерности, принципы анализа данных); М.; ИСАН СССР; 1990.

146. Толстова Ю.Н.; Методология математического анализа данных; М.; Социологические исследования; 1990; №6; 11-Юс.

147. Толстова Ю.Н.; Модели и методы анализа данных социологического исследования. Учебное пособие; М.; ГАУ им. С.Орджоникидзе; 1996.

148. Толстова Ю.Н.; Принципы анализа данных; М.; Социология: 4M (методология, методы, математические модели); 1991; №1; 51-61с.

149. Толчеев В.О.; Современные методы обработки и анализа данных. Учебное пособие; М.; Изд-во МЭИ; 2006

150. Трофимов В.А.; Модели и методы качественного факторного анализа матриц связи; Автореферат канд. техн. наук; Новосибирск; Ин-т математики СО АН СССР; 1982

151. Тюрин Ю.Н., Литвак Б.Г., Орлов А.И. и др.; Анализ нечисловой информации. Препринт; М.; Научный Совет АН СССР по комплексной проблеме "Кибернетика"; 1981

152. Черный Л.Б.; Метод пространства разбиений в анализе качественных признаков; Автореф. дис. на соиск. учен, степени канд. техн. наук; М.; ИПУ АН СССР; 1973

153. Чупров А.А.;Основные проблемы теории корреляции, М., 1960; Вопр. статистики. Избр. ст., М., 1960.

154. Ядов В.А.; Стратегия и методы качественного анализа данных; М.; Социология: 4M (методология, методы, математические модели); 1991; №1; 14-31с.

155. Сизова Т.М.; Статистика: Учебное пособие.; СПб.; СПб ГУИТМО; 2005

156. Лобанов В.Ю., Фомин Г.А.; Метод оценки связи между количественным и номинальным факторами в когнитивной модели объекта управления; М.; МЭИ; «Вестник МЭИ»; 2011; №1; 69-73с

157. Лобанов В.Ю., Фомин Г.А., Фомина Е.С.; Методы анализа связей между разнородными факторами в объекте управления; Труды XVIIмеждународной научно-технической конференции «Информационные средства и технологии»; М.; МЭИ, 2009; т. 3; 205-211с.

158. Лобанов В.Ю., Фомин Г.А., Фомина Е.С.; Сравнительное исследование мер силы парной межфакторной связи; М.; «Вестник МЭИ»; 2010; №3; 117-121 с

159. Лобанов В.Ю., Фомин Г.А.; Метод оценки связи между количественным и номинальным факторами; Труды XVIII международной научно-технической конференции «Информационные средства и технологии»; М.; МЭИ; 2010; ТЗ.; с.297-305

160. Лобанов В.Ю.; Методы анализа связей, содержащих нечисловые факторы, при построении когнитивных моделей; Современные технологии в задачах управления, автоматики и обработки информации; Труды XVII научно-технического семинара; Алушта; 2008; 18с.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.