灰色关联分析(Grey Relation Analysis,GRA)中国经济社会发展指标

科技   科技   2024-09-04 16:28   浙江  

原文链接:http://tecdat.cn/?p=16881


灰色关联分析包括两个重要功能点击文末“阅读原文”获取完整代码数据



第一项功能:灰色关联度,与correlation系数相似,如果要评估某些单位,在使用此功能之前转置数据。第二个功能:灰色聚类,如层次聚类。

相关视频



灰色关联度

灰色关联度有两种用法。该算法用于测量两个变量的相似性,就像\`cor\`一样。如果要评估某些单位,可以转置数据集。

*一种是检查两个变量的相关性,数据类型如下:

| 参考| v1 | v2 | v3 |
| ----------- |||| ---- | ---- |
| 1.2 | 1.8 | 0.9 | 8.4 |
| 0.11 | 0.3 | 0.5 | 0.2 |
| 1.3 | 0.7 | 0.12 | 0.98 |
| 1.9 | 1.09 | 2.8 | 0.99 |

reference:参考变量,reference和v1之间的灰色关联度...近似地测量reference和v1的相似度。

*另一个是评估某些单位的好坏。

| 单位| v1 | v2 | v3 |
| ----------- |||| ---- | ---- |
| 江苏| 1.8 | 0.9 | 8.4 |
| 浙江| 0.3 | 0.5 | 0.2 |
| 安徽 0.7 | 0.12 | 0.98 |
| 福建| 1.09 | 2.8 | 0.99 |

 示例

#
  # 异常控制 #
  if (any(is.na(df))) stop("'df' have NA" )
  if (distingCoeff<0 | distingCoeff>1) stop("'distingCoeff' must be in range of \[0,1\]" )
  

  
  
  diff = X  #设置差学列矩阵空间
  
  for (i in 
  mx = max(diff)
  
  
  #计算关联系数#
  relations = (mi+distingCoeff\*mx) / (diff + distingCoeff\*mx)
  
  #计算关联度#
  # 暂时简单处理, 等权
  relDegree = rep(NA, nc)
  for (i in 1:nc) {
    relDegree\[i\] = mean(relations\[,i\])  # 等权
  }
  
  
  #排序: 按关联度大到小#
  X_order = X\[order(relDegree, 
  relDes = rep(NA, nc) #分配空间  关联关系描述(说明谁和谁的关联度)
  X\_names = names(X\_o
  names(relationalDegree) = relDes
  
  
  if (cluster) {
    
    greyRelDegree = GRA(economyC
    
      
    # 得到差异率矩阵 #
    grey_diff = matrix(0
        
        grey_diff\[i,j\] = abs(rel
    #得到距离矩阵#
    grey_dist = matrix(0, nrow
iff\[i,j\]+grey_diff\[j,i\]
      }
    }
    
    # 得到灰色相关系数矩阵 #
    grey\_dist\_max = max(grey_dist)
    grey_correl = matrix(0nrow = nc, ncol = nc)
    for (i in 1:nc) {
      for (j in 1:nc) {
        grey\_correl\[i,j\] = 1 - grey\_dist\[i,j\] / grey\_dist\_max
      }
    }
    

    
    d = as.dist(1-grey_correl)  # 得到无对角线的下三角矩阵(数值意义反向了, 值越小表示越相关 )
    # 主对角线其实表示了各个对象的相近程度, 画图的时候, 相近的对象放在一起
    
    hc = hclust(d, method = clusterMethod)  # 系统聚类(分层聚类)函数, single: 单一连接(最短距离法/最近邻) 
    # hc$height, 是上面矩阵的对角元素升序
    # hc$order, 层次树图上横轴个体序号
    plot(hc,hang=-1)  #hang: 设置标签悬挂位置
    
  }
  
  #输出#
  
  if (cluster)  {
    lst = list(relationalDegree=relationalDegree, 
  
  return(lst)
  
}

## 生成数据
rownames(economyCompare) = c("indGV""indVA""profit""incomeTax")
## 灰色关联度
greyRelDegree = greya(economyCompare)
greyRelDegree

灰色关联度 



点击标题查阅往期内容


R语言计量经济学:工具变量法(两阶段最小二乘法2SLS)线性模型分析人均食品消费时间序列数据和回归诊断


左右滑动查看更多


01

02

03

04




灰色聚类,如层次聚类 

## 灰色聚类

greya(economyCompare, cluster = T)





本文中分析的数据、代码分享到会员群,扫描下面二维码即可加群! 



本文摘选R语言使用灰色关联分析(Grey Relation Analysis,GRA)中国经济社会发展指标,点击“阅读原文”获取全文完整资料。





点击标题查阅往期内容

K-means和层次聚类分析癌细胞系微阵列数据和树状图可视化比较
KMEANS均值聚类和层次聚类:亚洲国家地区生活幸福质量异同可视化分析和选择最佳聚类数
PYTHON实现谱聚类算法和改变聚类簇数结果可视化比较
有限混合模型聚类FMM、广义线性回归模型GLM混合应用分析威士忌市场和研究专利申请数据
R语言多维数据层次聚类散点图矩阵、配对图、平行坐标图、树状图可视化城市宏观经济指标数据
r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化
Python Monte Carlo K-Means聚类实战研究
R语言k-Shape时间序列聚类方法对股票价格时间序列聚类
R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归
R语言谱聚类、K-MEANS聚类分析非线性环状数据比较
R语言实现k-means聚类优化的分层抽样(Stratified Sampling)分析各市镇的人口
R语言聚类有效性:确定最优聚类数分析IRIS鸢尾花数据和可视化
Python、R对小说进行文本挖掘和层次聚类可视化分析案例
R语言k-means聚类、层次聚类、主成分(PCA)降维及可视化分析鸢尾花iris数据集
R语言有限混合模型(FMM,finite mixture model)EM算法聚类分析间歇泉喷发时间
R语言用温度对城市层次聚类、kmean聚类、主成分分析和Voronoi图可视化
R语言k-Shape时间序列聚类方法对股票价格时间序列聚类
R语言中的SOM(自组织映射神经网络)对NBA球员聚类分析
R语言复杂网络分析:聚类(社区检测)和可视化
R语言中的划分聚类模型
基于模型的聚类和R语言中的高斯混合模型
r语言聚类分析:k-means和层次聚类
SAS用K-Means 聚类最优k值的选取和分析
用R语言进行网站评论文本挖掘聚类
基于LDA主题模型聚类的商品评论文本挖掘
R语言鸢尾花iris数据集的层次聚类分析
R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归
R语言聚类算法的应用实例


欲获取全文文件,请点击左下角“阅读原文”。



拓端数据部落
拓端(tecdat.cn)创立于2016年,提供专业的数据分析与挖掘服务,致力于充分挖掘数据价值。
 最新文章