统计分析法精选(九篇)

第1篇：统计分析法范文

统计指标的准确性和及时性在很大程度上影响政府决策的正确性和有效性，卫生统计指标体系是建立卫生统计信息系统的基础和必要条件，科学合理地制定卫生统计指标体系，可为评价、衡量当地卫生工作情况，引导卫生政策、措施的制定和落实，促进相关政府部门对卫生工作进行科学管理提供依据［1］。为正确筛选出实用性、代表性强的指标，合理构建卫生统计指标体系，对常用卫生统计指标筛选方法进行评价。

目前，筛选统计指标构建指标体系的方法主要有两大类:一类是专家主观评定和判定法，适用于资料有限的情况下，主要依据专家的经验知识来确定指标;另一类是数理统计分析方法，适用于定量指标的筛选评价［2］。这两种方法各有优缺点。

1专家主观评定和判定法

在主观评定法中，指标的筛选方法主要以德尔菲(Delphi)专家咨询法和专家讨论(类似于头脑风暴法)为主。

1．1德尔菲(Delphi)专家咨询法

德尔菲法作为一种主观、定性的方法，不仅可以用于预测领域，而且可以广泛应用于各种评价指标体系的建立和具体指标的确定过程［3］。德尔菲专家咨询法的核心思想是通过匿名方式进行几轮函询征求专家们的意见，通过有组织地对每一轮专家意见的汇总整理和反馈，使专家们的意见趋于一致，最终得到一个比较一致且可靠性较大的结论或方案［4］。近年来，德尔菲专家咨询法在许多领域指标筛选的研究中被广泛应用，已经成为了一种成熟、公认的指标筛选方法。

1．1．1德尔菲专家咨询法实施的基本步骤

(1)成立专家小组。Brown．B指出，德尔菲专家咨询法中专家的选择是咨询成败的关键，应邀专家应该对研究的主题领域具有深刻的了解或拥有广博的知识或者丰富的实践经验，这样才能够提出正确的评价意见和有价值的判断。德尔菲法拟选择的专家一般是指在该研究领域从事10年以上技术工作的专业人员。专家选择一般由研究主体来决定，其人数根据研究项目的规模而定，一般情况下，评估或预测的精度与参加人数呈函数关系，即随着专家人数的增加而精度提高［5］。Murphy指出，专家的数量越多得出的结论可靠性越大，但尚没有实际证据证明两者之间的关系［6］。据有关文献报道，专家人数一般以15～50人左右为宜［7］，但是也有一些文献指出，当专家数接近15人时，进一步增加专家人数对预测精度的影响不大［8］。

(2)设计专家咨询问卷，准备有关资料。在查阅文献等的基础上，根据研究目的确定专家咨询问卷的内容。咨询问卷一般包括研究的背景介绍、专家基本情况、研究内容、专家判断依据以及对研究内容的熟悉程度等几个方面，另外还应该在问卷中设置一些开放性问题，以方便专家对研究课题和研究内容提出自己的意见和建议。

(3)发放问卷并回收。可以采取纸质问卷邮寄或以电子邮件方式将问卷及时发放给专家，专家根据自己的专业知识和实践经验应答，并提出自己的意见。一般要给每位专家留有足够的时间来填写问卷，请专家在规定时间内按时返回问卷;如若不能按时返回，要问明情况延长时间或者确定不能收回。

(4)整理专家初次判断的意见。对第一轮专家咨询问卷进行汇总、整理分析，设计第二轮咨询问卷，在第二轮问卷中附加上前一次的汇总结果，但不表明各种结果是由哪位专家提出的，以便各专家能直抒己见，不受其他专家影响。专家比较自己同其他专家意见的异同，对结果进行修改或者提出其他意见。也可以把各位专家的意见加以整理，或请身份更高的其他专家加以评论，然后把这些意见再分送给各位专家，以便他们参考后修改自己的意见［9］。

(5)发放第二轮咨询问卷，再次修改，循环进行，直到专家不再提出修改意见为止。一般地，经过两三轮反馈，专家的意见就会趋于稳定。

(6)将专家意见综合处理，得出结果或评价。

1．1．2德尔菲专家咨询法的优缺点

德尔菲专家咨询法同常见的召集专家开会、通过集体讨论得出一致预测意见的专家会议法既有相同之处又有所区别。

德尔菲法能发扬专家会议法的优点，可以充分发挥各位专家的作用，集思广益，所得结果准确性高;同时又能把各位专家意见的分歧点表达出来，取各家之长，避各家之短。另外，德尔菲法还能避免专家会议法的某些缺点:一是权威人士的意见可能会影响他人的意见;二是有些专家碍于情面，不愿意发表与其他人不同的意见;三是出于自尊心而不愿意修改自己原来不全面的意见［10］。在资料有限，特别是数据收集困难的情况下，合理运用德尔菲法能够得到较好结果。德尔菲专家咨询法的主要缺点是其实施过程比较复杂，一般需要至少经过两轮甚至三四轮的专家咨询才能得到稳定结果，花费时间较长，耗费成本高。并且由于主观性太强，因此在挑选专家时应注意挑选在该课题领域具有精深专业知识的代表，同时还应该考虑专家的不同层次，因为专家咨询结果直接影响到研究质量。此外要注意专家的权威程度和对课题研究内容的熟悉程度，否则，得出的结果或评价的可信性就不够。

1．2专家会议法

［11］专家会议法是指根据规定原则挑选一定数量的专家，按照一定方式来组织专家会议，发挥专家集体的智能结构效应，对预测对象未来的发展趋势及状况作出判断的一种方法。“头脑风暴法”就是专家会议法的一项具体运用。

1．2．1专家会议法挑选专家的原则

参加专家会议的人选应按照以下三个原则来进行选取:(1)如果参加者相互认识，要从同一职位(职称或者级别)的人员中去选取，领导者不应参加，否则可能会对参加者造成某种压力，不敢发表自己的意见;(2)如果参会者之间互不认识，则可以从不同职位(职称或级别)的人员中选取，这时不应宣布参加人员职称，不论成员的职称或级别的高低，都应同等对待;(3)参加者的专业应力求与所论及的决策问题相一致，这并不是专家组成员的必要条件。但是，专家中最好包括一些学识渊博，对所论及问题有较深理解的其它领域的专家。

1．2．2专家会议法的实施过程(1)专家会议前，组织者须向应邀专家提供书面资料，并对研究主题进行介绍;(2)围绕所研究问题全面邀请专家。确定专家会议的最佳

人数和会议进行的时间、地点。专家小组人数一般以10－15人为宜，会议时间一般以进行20－60分钟效果最佳;(3)专家在会议前准备好发言提纲，不同意见可以互相讨论;(4)会议主持者要虚心，以听取意见为主，不发表任何导向性意见或对专家意见和看法予以评价;(5)记录整个会议过程，最好是双录入，以保证资料的完整性和准确性。对各位专家的看法和意见进行汇总整理，得出结论或评价。

1．2．3专家会议法的优缺点

专家会议法有助于专家们之间交换意见，通过互相启发，可以弥补个人意见不足;通过内外信息交流与反馈，产生“思维共振”，从而将产生的创造性思维活动集中于讨论对象，可以在较短时间内得到富有成效的创造性成果，为决策提供预测依据。但是，专家会议法也有其不足之处:(1)由于参加会议的人数有限，因此代表性不够充分;(2)易受专家权威程度的影响，若参加者中有较有名望的专家，可能会压制不同意见的发表;(3)易受专家语言表达能力的影响，从而使得一些有价值的意见未能得到充分重视;(4)由于个人自尊心等因素影响，容易使会议出现僵局;(5)易受潮流思想的影响等。

2数理统计分析方法

2．1变异系数法

变异系数法又称之为离散趋势法，这是从指标的敏感性角度来挑选指标。分别计算各备选指标的变异系数，如果指标的变异系数(CV)太小，用于评价时的分辩能力就较低，不能把各地区的差距拉开，因此剔除变异系数较小的指标，选入那些变异系数较大的指标［12］。变异系数的计算公式为:

2．2综合指数法和界值法

相乘模式的综合指数法是将算术均数、满分比和变异系数这三个指标综合成一个指数，其目的是为了找到一个共同的测量尺度便于多个指标之间的相互比较;界值法，是根据以上三个指标的特性确定界值，规定指标的剔除标准，严格的剔除标准，可以避免重要的指标被淘汰［13］。综合指数法的计算公式为Kj:表示j指标的满分比;mj＇:表示给满分的专家数，mj:表示评价的专家数;Kj取值在0－1之间，Kj可作为Mj的补充指标，Kj越大，说明对该指标给满分的专家比例越大，该指标也越重要。

2．3主成分分析法

主成分分析是用较少独立性的综合指标来代替原来较多的相关指标，是进行信息提取与综合的一种有效方法，它从指标的代表性角度筛选指标，先计算指标的主成分，然后选择主成分的个数。这主要根据累积贡献率的大小来确定，一般累积贡献率大于80%为好，或者直接选取特征值大于1所对应的主成分，然后进行最大方差旋转(雅可比旋转)挑选因子负荷绝对值较大的指标入选，使它们尽可能多地保留原始变量的信息，并且彼此之间不相关［14，15］。在实际应用中，主成分分析主要用于综合评价，除了解决变量间共线性和减少分析变量外，其更主要的优点是为综合指标提供了可供参考的变量权重。

2．4因子分析法

因子分析法与主成分分析一样也是从代表性的角度来筛选指标。因子分析是从多个实测的原变量中提取出较少数的、互不相关的、抽象的综合指标，即因子，每个原变量可用这些提取出的公共因子的线性组合表示。根据各个因子对原变量的影响大小，亦可将原变量划分为等同于因子数目的类数，由于因子数目小于或等于原变量数目，故因子分析既可以达到降低变量维数的目的，又可以对变量进行分类［16］。

2．5相关系数法

相关系数法是从代表性与独立性的角度挑选指标。计算任意两个指标间的相关系数并作假设检验，以与之相关的指标个数较多和较少者作为被选指标。因为前者有代表性，可以提供较多的信息;后者有独立性，为其它指标所不能代替。如果各指标服从正态分布或经变换后服从正态分布，可用Pearson的积矩相关系数r来进行分析，否则可以采用Spearman或Kendall的等级相关系数进行分析［12］。

2．6聚类分析法

聚类分析是研究“物以类聚”的一种方法，在国内有人将它称之为群分析、点群分析、簇分析等。聚类分析的目的就是把相似的东西分成类，其实质上就是寻找一种能够客观的反映元素间亲疏关系的统计量，然后根据这种统计量把元素分为若干类［17］。在聚类分析中，不同类型变量的处理方式不同。总的来讲，提供给计量资料的方法较多，而分类资料和等级资料的处理方法较少。根据实际需要，聚类分析有两种类型，一是对样品聚类(称为Q－型聚类)，一是对变量聚类(称为R-型聚类)。而系统聚类法作为聚类分析诸方法中使用最多的一种，主要用于小样本间的聚类及对变量进行聚类。从变量聚类方面来说，这即是从代表性的角度进行指标筛选，在指标体系构建中运用比较广泛。其基本思想是首先采用系统聚类法将指标聚为一定数目的类别，然后选择每一类中具有代表性的指标作为入选指标，选择每类中的相关系数平方的均数较大而类间的相关系数较小的代表性指标［12，18］。相关系数平方的均数表示为r2，其计算公式为:

2．7类成分法

指标的代表性是指所选指标能反映该类指标的绝大多数信息。指标的独立性是指选入的指标相互不能代替。根据该思想，赵光临、倪宗瓒［19］提出了一种新的代表性定量指标筛选方法－类成分法，将其运用于医院工作评价指标的筛选，并与传统指标筛选方法进行了比较，结果表明此法较为合理，筛选出来的指标既有类内指标的代表性又有类间指标的独立性。与传统方法不同，类成分法的计算是首先从专业上将指标按其属性分类，每一类各代表一个方面，从每一类中选出一个代表性指标，称为局部代表性指标。选出的指标各代表一个方面．而每一方面均有代表性指标入选，因此，该指标体系具有全面代表性。使用类成分法，能保证所选指标既包含了该类的最大信息，又与最邻近类成分之间的相关程度最小，从而使所选指标既具备类内指标的代表性又保证了类间的独立性。

第2篇：统计分析法范文

关键词：多元统计分析；因子分析；难度；区分度；信度；态度

试卷质量的统计分析是检验学生学习成果、提高教学效果、改进教学方式的重要途径。过去很多研究大多就试卷质量量化指标进行计算和分析，仅得到了一些关于试卷质量的数据。而本文以教育统计和测量为理论基础，计算出试卷质量的量化指标，运用多元统计分析知识，建立因子模型，根据因子分析的结果，简要分析教师的教学效果和学生的学习状况，对教学质量得出综合评价。

一、试卷量化的指标

试卷分析数量化是教育测量科学化的重要内容，衡量试卷质量的主要检验指标有难度、区分度、信度、效度四项指标，这些指标的概念和计算方法如下（本文所要分析的试卷中不含有选择、是非题）。

大量统计资料表明，考试成绩的分布一般服从正态分布或近似正态分布。于是我们可以作如下假设：评分以100分制，每题满分为aj（j=1，2，…，n），其中xj、S表示第j题的均值、方差。

（一）可靠性分析

可靠性是指考试结果的可信程度，用于考察试卷的总体质量。从教育测量学的角度来看，学生的考试成绩应来自正态分布或近似正态分布，否则该次考试的成绩就是不合理的。

（二）难度分析

试卷难度可根据Pi=计算出每一题的难度，然后再根据P=ajPj来计算出试卷总体难度。一般大规模标准化考试难度控制0.4～0.7之间，但学科结业考试一般控制在0.5～0.85之间为宜。

（三）区分度分析

试题区分度是考量试题是否能将学识不同的学生区分开的指标。第j道题的区分度为δj=，Hj，Lj分别表示高低分组第j题的平均分，高低分组各占样本总量的25%～30%为宜，试卷的总区分度δ=ajδj，一般试题的区分度应在0.3以上。

（四）信度分析

信度是评估分数与考生真实水平一致性的指标。通常大规模标准化考试要求信度在0.9以上，自编试卷的信度应大于0.4，计算公式：rx=（1-）=（1-）。

二、具体试卷指标计算

现有某学校某专业学生（58人）的五门课程，其中，前两门课程为同一位老师教授，后三门课程的授课教师均为互不相同的教师。另外，根据问卷调查，得到了学生对五门专业课授课教师的教学评价的平均值，满分为100分。在对学生的调查中发现，学生对教师的评价较低，则相应的学生的学习积极性不高，学习态度差；而对评价高的课程，学生的学习积极性高，学习态度良好。因此，将教学评价可以看作学生的学习态度（见表1）。

（一）可靠性检验

由于样本容量n≤200，将采用SAS软件中的Shapiro-Wilks的W统计量来检验正态性。经检验，此次考察的五门课程均符合正态分布，数据可靠，可以进行数据统计分析。

（二）试卷量化分析的各项指标的计算

按照上述所提供的试卷各项指标计算公式可得到结果如表1所示。

三、正交因子模型及因子分析

建立因子分析数学模型的目的不仅要找出公共因子以及对变量进行分组，更重要的是要知道每个公共因子的意义，以便对实际问题做出科学的分析。

下面以表1作为数据源，编写程序，输出结果如表2、表3。

由表2可看出，前两个因子的累计贡献率超过90%，故公因子的个数为2。由表3可以看到第一公因子中主要载荷为x2（区分度）、x4（态度）、x1（难度），这都是影响学生考试成绩的指标，且可看到学生的对老师态度起了很大的作用，可以称之分数因子；第二个公因子中，起主要作用的是x3（信度），可称之为稳定性因子。

四、结果分析

通过上述的试卷质量指标的计算，以及因子分析的结果，可以得到以下分析结果。

第一，虽然学生对前两门课程的同一位任课教师的评价很低，但是该授课教师试卷质量符合要求，反映了教师的教学大纲完成情况正常，说明了课程考试从一定意义上有效的检验了学生的学习效果及教师课堂教学效果；其次，学生对教师的评价的主观性较强，这些评价数据也反映学生对待授课教师、该门课程的学习态度情况。接下来，通过因子分析来进一步判断学生的态度对考试结果的影响。

第二，SAS软件统计分析课程试卷与时间序列统计分析课程试卷相比较，前者的试卷量化指标显然要比后者质量高，以此来看，前者的教学效果及教学质量要比后者强，同一位老师教授的同一批学生的不同课程，存在较为明显的差异。从SAS软件中利用成对组检验，也可以得出这样的结论，即两次考试存在显著性差异。另外需要说明的是，前者是第六学期考试科目，后者是第七学期的必修课，而全国硕士研究生入学考试就是在第七学期。可以看到，在出题者和答题者不变的情况下，前后两次考试存在显著性差异，除了试卷质量本身的差异性，另一个非常重要的原因应该是学生的学习态度。

第3篇：统计分析法范文

关键词：统计法规；统计工作；企业统计；发展

企业统计是企业经过统计数据的搜集、汇总及计算，以反映事物面貌及发展规律，企业统计信息具有数量性与综合性的特点，不仅能反映企业某时点或某特定时期的现状与动态，还能反映企业规模、结构及数量等特征，而统计法规作为企业统计的重要构成，对统计工作的开展具有调整作用。

一、统计法规的作用及存在问题

1.统计法规的重要作用

统计法规在统计工作中具有调整作用，能够调整国家统计部门、行业统计组织与企业统计部门之间的统计关系，让各方在统计工作不同层面上负责不同职责，国家统计部门担负宏观层面职责，将统计制度、方法及培训等有关职能下放到研究组织及行业统计组织的中观层面上，并给予中观层面组织相对应统计职能，且协调中层与微层间的统计关系，促进企业统计良好发展，中层组织在积极研究统计理论及方法的功能上，为统计发展提供有效的统计服务，加强统计法规理论研究，还能改善企业的统计工具，增强统计成果应用能力，提高统计效率，统计法规包括国家统计管理办法的制定，统计方法及工具的推行，以及统计能力培训等内容，使统计体系得到不断完善。

2.统计法规推动统计发展中存在的问题

在企业统计工作中，统计法规起到了调整作用，能有效促进我国企业统计的良好发展，但在实际执行中，由于各方面原因，统计工作开展并不是很理想，主要体现在下列方面：一是企业统计方法科学性不强，我国有关统计学研究较为注重社会及经济统计问题研究，这些研究成果对企业统计也具有一定指导作用，但对企业微观方面的统计方法应用更为需要，我国企业统计工作在数理统计方法的应用方面，其科学性不强，定性统计分析指标缺乏合理性，在统计信息建模方面，定量分析工具选择恰当性有待提高；二是统计法规执行存在表面化问题，国家将部门统计职能下放到政府与企业统计之后，企业的统计理论研究被大大削弱了，统计理论较多倾向于宏观方面的研究，而企业自身在统计方面研究较为缺乏，高层功能统计体系并不具备，多数企业的统计工作只局限在国家统计执行上，统计法规变成了表面工作，未能发挥出统计分析管理作用；三是统计职能不完善，统计法规主要阐述了统计对象与机构间的关系与义务，规定了企业统计范围，从微观层面来看，尽管政府统计关注了企业运行状况与资产质量，但较多的是在宏观角度的统计调查，如劳动力就业、采购经理调查及社会经济增长等，对区域经济的发展水平与趋势进行结构化分析，并且在统计信息、监督及咨询等方面，企业统计并没有发挥出应有作用，使得企业统计成果局限于政府统计信息服务方面，丢失了统计工作源动力。

二、加强企业统计发展的统计法规对策

1.提高统计理论及方法的科学性

统计法规能够研究出行业统计方法，并制定统计指标，充分了解统计发展中的问题，运用科学统计理论与方法，完善企业统计发展的基础条件。在统计理论方面，应该根据现代企业特征进行定位，并找出相适应的统计内容、运行模式与统计方法，同时，还应积极引入合理的行业统计评估体系，不断创新发展统计理论，灌输有价值信息。在数理统计方法上，企业统计信息应按照管理需求层次不同，实施战略、策略及作业等级方面的划分，通过原始信息的收集整理，依照企业不同层面管理需求进行加工再处理，使其成为企业内部统计的产品，在加工处理当中，需要大量数理统计的方法，通过统计方法不断改良，能够有效促进统计工作开展，充分发挥统计在企业战略管理与相关领域的支持作用。

2.加强企业统计的规范化

与国家统计部门相比，行业统计具有行业自身特点，能够更全面掌握企业现状，根据了解企业状况，设计合理统计规章，对企业统计的管理方面更具有统一协调性，让企业统计更具有规范性。在企业统计中，统计理论指导不完善，统计标准与方法缺失，企业仅能依据自身经验，实施生产经营信息的收集整理，并按照政府统计要求进行统计上报，为提高企业统计工作的合理性，统计法规应规定有关行业组织制定行业统计，使其标准规范化，通过集中研讨、问卷调查及专家咨询等形式，明确企业的统计需求，尽量建立符合政府统计要求与企业发展需要的标准统计。

3.加强企业统计的信息化与培训化

统计法规给予了行业组织实施企业统计的信息化职责，行业统计应进一步规范信息标准，监督统计的信息化建设，让统计信息带来企业统计质的发展，实现统计信息的自动化收集、经营诊断与安全管理，并利用统计软件当中有关的分析模块，辅助支持生产决策与战略规划，运用信息化改进企业统计的方法，增强统计质量，及时服务企业。在统计法规调整下，行业统计应该做好统计培训工作，利用行业共性，有效解决企业收集、信息分析及处理等方面问题，增强统计规范性，通过培训形式增强企业有关统计方法及经验等方面学习，并充分了解企业的统计工作进展，根据其实际状况进行统计创新的指导。

三、结束语

我国在企业统计发展方面相对落后，其主要原因是统计理论、实践及方法规范等方面不合理造成的，有效促进企业的统计发展，需要从统计法规着手，加强统计理论及方法的科学合理性，落实企业统计的规范性、信息化，并提供培训服务，以提高统计工作的质量与效率，更好促进企业发展。

第4篇：统计分析法范文

关键词：电力评分系统；人工智能

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）28-6780-06

1 电力评分系统的总体介绍

电力评分系统是电力部门检测操作人员专业操作技能是否达标的考核系统，融入了人工智能中专家系统的知识体系。在电力操作人员的日常操作中，对各项电力操作的完整性，顺序，可执行性要求非常严格。每项步骤都有其特别的用途，合格的操作人员应准确地掌握。该系统不仅能够单单检测出操作人员的技术是否合格，还能检测出每个操作人员的合格程度。教练员根据每项步骤优先级，重要程度对其加以设置，然后学员通过系统的检测后得出的分数作为参考依据，这就比较客观的反映出每一个学员的真实专业水平，方便电力行业选拔优秀人才，淘汰不合格的操作人员。

电力评分系统中每个步骤在被教练员设置以后，除了顺序，还有优先级，并行或串行规则，细化规则（以下详细介绍）等等属性。系统并不需要识别每一步骤的具体操作内容，只需要对每一操作步骤附上数字编码，评分系统通过测试步骤的多少，顺序是否正确等等就可以得出相应结果。在评分系统中，每一步骤可以出现以下情形：

1）步骤正确，例如正确步骤为12345，学员操作结果12345。

2）步骤顺序错误，例如正确步骤为12345，学员操作结果为13245。

3）漏做，例如正确步骤为12345，学员操作结果为1245。

4）多做，例如正确步骤为12345，学员操作结果为126345，这里的6只是正确答案中没有的步骤，此时学员多做了。

这里要特别介绍的是有些步骤还具有特殊性：

1） 优先级是步骤重要程度的具体描述，步骤的优先级高，系统可认定为非常重要，比如优先级最高的步骤缺失或是错误，则系统自动判定该学员成绩为不合格。优先级低的步骤可以不特别处理，只需要扣除该步骤的得分即可。

2） 并行规则步骤是指这几个步骤可以不论先后顺序，但是严格要求在这些步骤之前和之后的步骤之间做，例如正确步骤顺序为“1234567”，其中规定了345为可以并行操作的步骤。那么1234567，1243567，1253467等等的结果都为正确，只要345三个步骤在步骤2之后，步骤6之前完成就算做正确，345这三个步骤之间的顺序颠倒不影响具体操作的正确性。

3） 细化规则是笔者方便介绍所起的名字，该规则的指某些特殊的规则顺序要求没有那么严格，只要在某一步骤之后，另外某一步骤之前完成就算做正确。评分系统中对每一步骤的选项一栏都可以设定，教练员可自行设定好每一细化规则。例如系统中“3

除了每一步骤的分数和优先级以外，上述介绍的特殊步骤的各种特殊属性和顺序的灵活性等等教练员都可以在学生考试前自行设定。

如该图所示，教练员在考核之前对正确答案中的每一步骤都可以进行详细设置，如图所示，教练员在标准规则区域中选中一个步骤，可以设置该步骤的串行，并行情况，步骤重要级别，该步骤操作的分值，细化规则，漏做时处理方式等等，其别要说明的是：每一步骤并行规则和细化规则只能设置其一；漏做步骤的处理方式选项是继续评分和终止评分；每一步骤设定完必须保存设置。

2 电力评分系统的核心算法描述

电力评分系统是用c++编写，方便用户各种需要，可以自行设定评分规则的电力部门操作人员考核系统。算法的主要目的是尽可能公平有效的对所有学员进行评分，保证选拔出合格人才。算法的核心是采用两次循环，从学员作答的结果中找出最大的顺序规范的数字串（这里的数字串是操作步骤的数字代号，方便计算机识别。）然后再对没有被标记出来的所以步骤一一评判，最终得出学员操作的总得分。

所有学员考试前，教练员所作出正确的操作步骤，并且对所有步骤的特别设置都完成。这就形成了一个正确答案的操作顺序。学员考试结束交卷以后，提交的操作结果也自动生成一个以数字排序的步骤操作顺序。下面就是用教练员的正确操作顺序与其一一比较。为了一下叙述流畅，教练员正确操作顺序以下简称为教练员表，学生所提交的操作顺序以下简称学生表：

首先对教练员表和学生表中所有的操作步骤标记清零，然后找到教练员表中第一个步骤，此处记为步骤1，通过指针在学生表中从第一个步骤开始查找，如果第一个步骤不是教练员表中的步骤1，则继续查找学生表中下一个步骤，以此类推。此处会出现两种情况：一，学生表中从头到尾没有教练员表中步骤1的操作，则学生表中肯定漏做了该步骤，继续用指针对教练员表的第二个步骤在学生表中查找，以此类推；二，如果在学生表中找到了该步骤，则把这两个步骤都标记上，表示系统已经找到相应的操作步骤，然后在从学生表中该步骤的下一个步骤开始找教练员表中步骤1接下来的步骤2，查找方法和处理结果同上。这样查找完以后教练员表中的所有步骤只要在学生表中顺序符合要求都能一一查找到，并且教练员表和学生表中都有相应的标记，第一次查找完以后所形成的正确有效步骤形成的字符串就是教练员表中正确步骤的最大有序字符串，这个最大字符串中所有的步骤都是正确的，则可以对其每一步的分数进行累加，得到一个分值。由于会出现某些特别的步骤（例如并行规则，细化规则的步骤），则第一次查找的最大字符串中也许有些缺失的步骤是正确的，但是没有被合理的标记，例如：正确步骤顺序是12345678，且3，4，5三个步骤是并行规则的，1

由于上述原因，系统必须在经过第二次查找，这次查找必须有针对性，一一对应，具体情况具体解决即可。第一次查找后学生表中被认为正确的标记都已经被标记，那么就在学生表中对那些没有被标记的步骤一一分析：按照学生表的顺序，找到第一个没有被标记的步骤，查看教练员对其的设定，包括是否具有并行规则，细化规则，漏做处理方式，重要性级别等等。具体实现方法如下：找到第一个没有被标记的步骤，然后在从教练员步骤中找这个步骤，按照下面阐述的方式处理完之后，在继续查找下一个学生表中没有被标记的步骤，每一个步骤具体有以下情况：

如图所示在评分界面教练员会对多做步骤进行评判，此处设定为三种处理方式：（1），直接判0分；（2），直接判不及格；（3），从上一步累加分值中扣除相应分数。

2） 如果找到该步骤，则仔细查看教练员有没有对该步骤设定特殊规则，如图1-1所示，步骤顺序为012345678，1，2，3三个步骤并行，1

紧接着最后一步就是查看教练员表中没有被标记的步骤了，这些没有被标记的步骤说明学生表中没有查找到，这些步骤都是漏做的步骤，然后在对步骤进行一一分析，此处也设定为继续评分和终止评分直接判为不及格两种解决方法。至此，就计算出一个比较合理的学生得分以及具体的评分理由（如下图运行结果举例所示），检测人员就能通过这些检测出满足条件的合格人才。

5 总结

本文设计出了电力部门选拔专业操作人员的考核评分系统，简称为电力评分系统。该系统通过两次循环查找的算法对考生操作进行合理的评判，尽可能有效公平的选拔出合格操作人员。该系统易操作，好理解，考试机构可以自行灵活的设定各种具有特别规则的步骤（例如文中所提到的并行规则和细化规则），很大程度上方便了教练员，实现了自动评分系统。笔者认为该系统的应用也十分广泛，可以涉及到许多不同领域。对于该系统的完善，更深层次的工作就是设计出更合理科学的评分策略和优质简便的算法。

参考文献：

[1] 王勇.仿真培训中学员操作技能评价模型与自动评价系统研究[D].北京：华北电力大学，2002.

[2] 范永胜，程芳真.电站仿真机的培训评分系统研究[J].系统仿真学报，2000，12（3）： 282-286.

[3] 沈美芳.基于专家系统的智能化考试系统基于BP神经网络的应用[D].无锡：江南大学， 2008.

[4] 刘晓松.电力系统应用的仿真技术分析[J].机电信息，2010（36）.

第5篇：统计分析法范文

关键词：大数据统计分析；经济管理领域；运用

统计应用作为数学的重要领域，在大多数情况下，数据被收集并且通过一定方法在系统中存储，重要策略被记录，并应用于其他领域。随着数据恢复方法和统计分析方法的逐步集成，大数据的统计数据分析方法在财务管理中变得越来越重要。面对当今全球化的压力和经济市场的激烈竞争，使用财务管理的统计整合是提高有效管理效率，优化资源分配和科学行为的有效步骤。通过市场经济的发展和经济水平的不断提高，数据集成和财务管理水平运用了大数据的统计分析。在建立大规模数据的经济增长政策时，技术在宏观经济研究中起着重要作用。大数据统计分析的作用正在增加，其在管理中的用途正在进一步扩大。显然，加强对经济发展大数据统计分析技术的使用对促进经济增长和提高管理效率非常重要。

一、大数据统计分析方法在经济管理领域运用的意义

为响应市场环境和公司治理内容的变化而促进使用公司治理统计数据的需求主要体现在两个方面：

（一）宏观经济方面发展有若干规律。为了寻找有关经济发展的规律，强大的数据分析技术在宏观经济学中的应用非常重要。一方面，大数据分析统计数据用于从宏观经济发展行业收集数据，对相关行业信息进行实证分析，并调查行业发展和行业问题。使用SPS，Stata和其他数据分析软件，中国拥有最重要的发展法；同时，发现工业发展规律，规范工业发展，开辟新的经济发展方式也很重要[1]。

（二）企业经营管理方面1.提升企业竞争力的必然要求当前，业务发展的竞争越来越激烈。竞争压力主要归因于国内市场经济带来的经济化以及国内市场竞争激烈加入的外国公司的影响。公司必须面对激烈的市场竞争。大众市场信息的统计分析将调整生产和管理策略，并为业务发展的战略调整作出有效的决策。2.提升企业管理水平的必然要求一方面，诸如运营管理、财务管理、风险管理和企业资源管理等相关任务变得越来越复杂。需要统计分析方法来对丰富的业务操作信息进行分类和汇总，为业务管理决策提供有效的信息。同时，企业需要不断满足产品和服务生产方向的政治要求。由于需要与相关部门合作，例如运营财务管理、规避财务风险，因此需要建立相关部门的统计数据，以提高决策效率[2]。

二、大数据统计分析方法在经济管理领域的运用

利用大数据的统计数据分析技术研究宏观经济发展政策，对促进行业发展至关重要。另一方面，如何获取有关复杂数据管理的重要信息，在业务流程和管理方面为公司制定有效的决策是重中之重。关键在于掌握财务管理的大数据分析方法，并使用大数据统计分析技术来分类和提供业务流程管理，隐藏的规则以及来自异常数据点的大量信息。为了应对突发情况，管理人员需要制订正确的决策计划。本文主要讨论宏观经济应用管理领域的统计数据分析方法，以及业务管理、财务管理、风险管理和管理的六个方面。如：

（一）宏观经济方面关于宏观经济产业的运作和发展有若干规律。为了找到宏观经济发展方法，统计分析技术对于稳定经济增长和调查潜在的经济危机很重要。当前，不仅学者，业务经理也开始了解计算机技术的使用，并开始通过统计分析来发现工业发展中的若干问题，学习工业发展的原理。为了找出答案，我们选择了相关的影响因素并采取了相应的行动，采取措施提高工业发展效率。

（二）企业运营管理方面通常，在日常工作程序和工作相关领域中存在某些特定的业务管理和操作规则。另一方面，通过将统计信息应用于业务的运营和管理，公司可以通过分析大数据的统计信息来获得规律。这将帮助公司节省一些资源，避免重复的任务并节省公司的业务资源。如果该政策是从科学的统计评估阶段得出的，则情况与正常情况不同的企业高管应仔细考虑潜在的风险。

（三）企业营销管理方面企业需要建立大型数据管理系统来收集有关企业提供的产品或服务的市场交易信息。因此，消费者的热点必须与受管理的信息系统对齐，以使其隐藏在协同交易信息中。确定消费者对需求的偏好并确定消费者需求。公司的主要产品和服务根据消费者的喜好运作，可以满足消费者的需求，替代市场上的非反应性产品和服务。同时，开发新产品和服务企业领导者可以提供有效的决策信息，并为消费者创建新的热点[3]。

（四）企业财务管理方面应用管理统计信息。它通过审查有关生产过程和运营的统计数据（尤其是财务数据），进行定性和定量分析，帮助评估相关活动，例如商业投资。财务管理是开展业务必不可少的部分，这对于减轻公司的财务风险和提高公司资源分配的效率至关重要。通过统计分析对商业经济数据进行分类和分析，可以为高管、投资者和其他相关利益相关者提供有效的决策信息。

（五）企业人力资源管理方面将统计应用于公司的人力资源管理，并使用统计分析技术结合公司业务管理部门的特征，选择适当的方法来提高效率。人力资源管理很重要，人才基本上是企业的无形资产，在部门保留相关的人力资源是业务发展的关键。回归站评估法用于预测企业发展的人力资源需求，动态分析法用于根据状态预测人力资源的变化。将这两个方面结合起来可以大大提高业务资源的效率。

（六）企业风险管理方面使用统计分析技术对业务流程中的大量业务信息进行分类和分析，发现隐藏的规则和数据差异。重要的是，业务主管需要进行预测，做出正确的决定，解决事件并发现潜在危险。意思是如果统计数据分析有些奇怪，则需要找出业务流程中具有的某些规则，因此业务主管需要寻找更多异常条件，尤其是财务管理，要注意关注状态的变化。另一方面，对公司财务信息进行统计分析是公司规避财务风险的有效手段之一。

三、完善大数据统计分析方法在经济

管理领域运用的措施在本文中，我们将了解如何从六个方面分析大数据的统计数据：宏观经济活动、业务管理、风险管理、财务管理、资源管理和财务管理人员。这被认为是财务管理数据大规模统计方法的一种改进。必须在三个方面进行现场应用：

（一）社会宏观经济层面尽管存在宏观经济法则，但根据过去的经验，由于缺乏安全可靠的数据和分析方法，宏观经济法则的分析则一直被认为是伪科学。大数据分析技术提供了探索宏观经济法则的机会，大数据技术使用数据创建系统，而使用许多信息技术的科学分析是宏观经济法研究中的重要一步。特别是，某些行业使用行业信息和对经济趋势预测的全面分析来帮助识别和克服复杂的工业发展挑战，可以提高宏观经济发展效率。

（二）企业经营管理层面在公司上载和数据受限的情况下，企业很难优化管理功能以提高性能[2]。由于业务经理的管理理念和管理水平受到限制，因此很难断定业务开发操作和管理流程是否存在问题。统计分析技术可用于计算和评估每个关键决策或业务战略适合性的有效性。如果由于大数据分析技术而导致预期的数据销量存在矛盾，该公司可以调整其总体战略并进行业务变更以优化管理理念。

（三）行业与行业之间存在着一定的鸿沟无论是快速消费品行业、食品行业还是大型公司，其经营理念和经济结构在公司治理方面都存在根本差异。统计数据分析技术使公司能够了解整个行业的消费者需求的性质，分析社会经济状况，能够了解共同的业务条件和业务发展情况，并优化或区分劣质产品。在某些情况下，此更改是提高产品价格的高级更改，如果消耗量和消耗品减少，则可以降低产品价格。产品必须能够升级以满足顾客需求。产品行业、食品行业或大型行业具有不同的经营理念和财务结构，还在进行公司管理。但是，各个行业的业务方向取决于消费者的需求。换句话说，公司开发了产品的功能并使产品的功能适应消费者的需求。对于公司而言，通过优化生产结构并提供更多定价和功能来说服更多消费者也很重要。

（四）企业财务管理层面财务管理贯穿公司治理的整个过程。公司财务管理非常有效，但是存在诸如财务管理的巨大风险之类的问题。对公司财务信息进行统计分析是防范财务风险的有效手段之一。公司需要管理其日常收入和支出，并进行大规模会计处理。企业可以使用大数据分析技术来监测财务管理功能并确保标准化业务的财务安全。利用统计分析技术和大数据，公司可以预测潜在的市场和行业风险，以提供最佳解决方案，还可以提供分析大数据的方法，可以跟踪异常并快速发现异常。

四、结语

本文首先从宏观经济方面、企业经营管理方面等两个方面对大数据统计分析方法在经济管理领域运用的意义进行了分析，然后从宏观经济方面、企业运营管理方面、企业营销管理方面、企业财务管理方面、企业人力资源管理方面以及企业风险管理方面等方面对大数据统计分析方法在经济管理领域的运用进行了分析，最后从社会宏观经济层面、企业经营管理层面、行业与行业之间存在着一定的鸿沟以及企业财务管理层面等方面提出了完善大数据统计分析方法在经济管理领域运用的措施。大数据分析技术被广泛用于宏观经济预测、业务管理和公司风险管理，它在优化公司治理和运营结构，有效改善公司治理以及提高公司统一性和核心竞争力等方面发挥着重要作用，可以使公司在激烈的市场竞争中有一席之地。

【参考文献】

[1]张琳.大数据统计分析方法在经济管理领域中的运用浅析[J].营销界,2019(38):291-292.

[2]杜珉.大数据统计分析方法在经济管理领域中的运用探析[J].山西农经,2019(12):27.

[3]陈雪琴.大数据统计分析方法在经济管理领域中的应用[J].山西农经,2019(5):37.

[4]陈文怡.大数据挖掘电力系统项目管理中理论的应用[C]//2018年6月建筑科技与管理学术交流会.

第6篇：统计分析法范文

基于理念分析和比较研究方法，对大数据的分析方法和传统统计学分析方法的关联性和差异进行了对比分析，从方法的基本思想、量化形式、数据来源、分析范式、分析方法、分析视角等角度揭示了两种社会科学分析方法存在的联系与差异。

关键词：

大数据；统计学；研究方法

中图分类号：

F27

文献标识码：A

文章编号：16723198（2015）11005201

随着信息技术的日益发展与普及，信息以及数据在社会经济发展过程中发挥的作用越来越重要。现如今，“大数据”时代已经来临，于是如何更有效地利用数据快速做出科学决策也已成为众多企业甚至是国家所共同关注的焦点问题。在数据处理和分析方法方面，《统计学》以及在其基础上发展而来的实证统计方法是当前的主流，这些方法可以帮助数据持有者从大量的数据中挖掘有价值的信息，并为其相关决策提供理论支撑和方法支持。然而，传统的实证统计方法在最新出现的大数据情境下，却呈现出了诸多缺陷，例如传统数据收集方法无法实现大规模（甚至是总体）数据的收集，传统统计方法和分析软件无法处理大规模数据，等等。于是，在将传统统计学方法应用于最新的大数据情境和问题之前，需要首先明确大数据所要求的处理方法与传统的统计学处理方法存在哪些关联和区别，然后才能够决定是否可以应用既有统计学理论和方法来处理某些大数据问题。

1大数据的界定

根据一位美国学者的研究，大数据可以被定义为：it means data that’s too big， too fast， or too hard for existing tools to process。也就是说，该学者认为：在关于大数据的所有定义中，他倾向于将之定义为那类“太大”、“太快”，或现存工具“太难”处理的数据。一般而言，大数据的特征可以概括为四个V：一是量大（Volume）；二是流动性大（Velocity），典型的如微博；三是种类多（Variety），多样性，有结构化数据，也有半结构化和非结构化数据；四是价值大（Value），这些大规模数据可以为持有企业或者组织创造出巨大的商业或社会价值。

Victor在其最新著作《大数据时代――生活、工作与思维的大变革》中指出，大数据时代，思维方式要发生3个变革：第一，要分析与事物相关的所有数据，而不是依靠分析少量数据样本；要总体，不要样本。第二，要乐于接受数据的纷繁复杂，而不再追求精确性。第三，不再探求难以捉摸的因果关系，应该更加注重相关关系。这些变革反映出了大数据处理方式与传统统计学分析方法的很多关联以及主要不同。因此，下面我们分别针对两者的联系和区别进行讨论。

2大数据与统计学分析方法的联系

从18世纪中叶至今，统计学已经经历了两百多年的发展历程，不论是基础理论还是社会应用都极其坚实而丰富。大数据作为一种新兴的事物规律认知和挖掘思维，也将会对人类的价值体系、知识体系和生活方式产生重要影响，甚至引发重大改变。作为两种认知世界和事物规律的基本方法，它们在以下两个方面存在紧密关联。

（1）挖掘事物规律的基本思想一致。统计学（statistics）探索事物规律的基本方法是：通过利用概率论建立数学模型，收集所观察系统的数据，进行量化分析和总结，做出推断和预测，为相关决策提供依据和参考。对于大数据，维克托指出，大数据思维的来临使人类第一次有机会和条件，在非常多的领域和非常深入的层次获得和使用全面数据、完整数据和系统数据，深入探索现实世界的规律，获取过去不可能获取的知识。通过这两个定义可以看出，不论是传统的统计学方法还是新兴的大数据分析方法，都是以数据为基础来揭示事物特征以及发展趋势的。

（2）均采用量化分析方式。大数据分析的基础是数据化，也就是一种把各种各样现象转变为可制表分析的量化形式的过程。不论是传统统计学中所应用的数据（定性和定量数据），还是大数据时代即将被转化和采用其他形式数据（如文字、图像等），最终都是通过量化分析方法来揭示数据中所蕴含的事物特征与发展趋势。

3大数据与统计学分析方法的区别

（1）基础数据不同。在大数据时代，我们可以获得和分析更多的数据，有时候甚至可以处理和某个特别现象相关的所有数据，而不再依赖于随机抽样。这意味着，与传统统计学数据相比，大数据不仅规模大，变化速度快，而且数据来源、类型、收集方法都有根本性变化。

①在数据来源方面，在大数据背景下，我们需要的纷繁多样的数据可以分布于全球多个服务器上，因此我们可以获得体量巨大的数据，甚至是关于总体的所有数据。而统计学中的数据多是经由抽样调查而获得的局部数据，因此我们能够掌握的事“小数据量”。这种情况下，因为需要分析的数据很少，所以必须尽可能精确的量化我们的数据。综上，大数据情况下，分析人员可以拥有大量数据，因而不需要对一个现象刨根问底，只需要掌握事物大体的发展方向即可；然而传统的小数据情况下则需要十分注意所获得数据的精确度。

②在数据类型与收集方面，在既往模式下，数据的收集是耗时且耗力的，大数据时代所提出的“数据化”方式，将使得对所需数据的收集变得更加容易和高效。除了传统的数字化数据，就连图像、方位、文本的字、词、句、段落等等，世间万物都可以成为大数据范畴下的数据。届时，一切自然或者社会现象的事件都可以被转化为数据，我们会意识到本质上整个世界都是由信息构成的。

（2）分析范式不同。在小数据时代，我们往往是假想世界是如何运行的，然后通过收集和分析数据来验证这种假想。也就是说，传统统计实证分析的基本范式为：（基于文献）提出理论假设-收集相关数据并进行统计分析-验证理论假设的真伪。然而，在不久的将来，我们将会在大数据背景下探索世界，不再受限制于传统的思维模式和特定领域里隐含的固有偏见，我们对事物的研究始于数据，并可以发现以前不曾发现的联系。换言之，大数据背景下，探索事物规律的范式可以概括为：数据观察与收集――数据分析――描述事物特征/关系。

（3）数据分析方法不同。传统统计学主要是基于样本的“推断分析”，而大数据情境下则是基于总体数据的“实际分析”，即直接得出总体特征，并可以分析出这些特征出现的概率。

（4）分析视角不同。传统的实证统计意在弄清事物之间的内在联系和作用机制，但大数据思维模式认为因果关系是没有办法验证的，因此需要关注的是事物之间的相关关系。大数据并没有改变因果关系，但使因果关系变得意义不大，因而大数据的思维是告诉我们“是什么”而不是“为什么”。换言之，大数据思维认为相关关系尽管不能准确地告知我们某事件为何会发生，但是它会提醒我们这件事情正在发生，因此相关关系的发现就可以产生经济和社会价值了。

4结语

综上，相对于传统而言，大数据思维主要包括三个重大转变。首先，要分析与某事物相关的所有数据，而不是依靠分析捎来能够的数据样本；其次，研究人员应乐于接受数据的纷繁复杂，而不再追求精确性；最后，认知世界的思想发生了转变，不再探求难以捉摸的因果关系，转而关注事物的相关关系。以上三个转变构成了大数据思维的核心。在统计学的进一步应用和发展完善过程中，需要结合以上转变所产生的挑战，思考有效的统计学发展对策。

参考文献

[1]孟小峰，慈祥.大数据管理：概念，技术与挑战[J].计算机研究与发展，2013，50（1）：146169.

第7篇：统计分析法范文

一、审计证据采集方法

信息系统效益审计证据采集方法主要包括两类：一类为常规审计证据采集方法。这类方法在审计过程中被广泛使用，审计人员可从信息系统建设者、技术开发人员以及用户等方面获取审计证据时都会运用到上述方法。另一类为特殊审计证据采集方法。由于信息系统有别于其他项目，其审计证据的采集也比较独特，因此需要一些特殊的方法进行证据采集。

（一）计算机辅助审计方法

信息系统效益审计的需要有效监督整个项目的建设过程和建设效果，但由于软件开发的不可视性，采用传统的审计取证方法很难展现存在于这个过程中的各种审计线索，因此，审计人员需要借助计算机工具才能高效地完成审计任务。

1、嵌入审计模块方式。审计人员可以自己设计或利用已有的应用程序和控制模块，植入应用软件开发系统中，然后根据需要详细记录各种的开发信息，从而在建设成本、项目管理以及综合测试等方面形成有力的审计证据。

2、利用通用和专用审计软件。目前国内外各类审计通用软件层出不穷而且功能强大，审计人员可以根据实际需要选择使用，同时也可以独立开发更具针对性的专用软件，能够更有效的对信息系统开发实施阶段的资金和项目管理方面进行审查。

3、利用专业测试系统。由于信息系统建设需要满足相应业务领域的专业和战术需要，因此，在实施效果审计时，有必要采用相应的专业测试系统，对建成信息系统的信息获取、传递、分析和处理质量等进行详细检测，从而形成具体较强权威性的审计证据。

（二）信息系统性能度量方法

信息系统性能度量方法是审计人员利用一系列的性能度量工具获取信息系统性能等方面的审计证据的方法。一般常用的性能度量工具有硬件监视器和软件监视器两种。其中，硬件监视器通过对连接的信息系统硬件设备进行信息流处理检测，可以直观地反馈出该设备的基本状态，有效检测系统硬件的有效性；而软件监视器实际是一段具体的程序指令，它插入到系统代码或其他程序中，以收集应用软件的性能数据，包括数据库操作访问记录、应用程序模块调用情况以及系统响应时间等方面，为进一步的系统性能分析和评价提供依据。

二、审计分析评价方法

开展信息系统效益审计，不能仅单纯地罗列一些审计查出的问题，更重要的是对信息系统进行效益评价。一般来说，使用不同的分析评价方法对评价结果会产生不同的影响，因此需要根据评价对象的特征和属性采用不同的评价方法。

（一）德尔菲法

信息系统效益审计评价的很多方面都无法进行定量评价，所以都需要运用德尔菲法来开展工作。首先，以当前审计组为基础成立管理小组，并要求小组成员必须了解专家们的详细情况，具备必要的专业知识和统计、数据处理等方面的基础知识；然后根据具体的评价要求筛选信息系统工程方面的专家，组织专家应答小组，将需要定性评价的问题以匿名的方式，反复征求专家们意见，从而形成评价结果。

（二）软件度量技术

软件度量技术是研究软件质量与复杂性的定量评价技术，它可以对一个软件系统、组件或过程在给定属性标度的前提下进行定量测量。一般来说，对应用软件的建设过程进行分析和评价是信息系统效益审计的重点和难度，因此软件过程度量技术是一项很有效的审计评价工具。

目前比较成熟的软件过程度量技术是GQM模型，它是一种基于目标的自上而下的度量定义方法，具体包括3个层次。概念层次：为度量对象制定一个目标。过程的度量对象一般是与时间有关的软件活动，如设计、编程等。操作层次：用一组问题来描述将被用来评价实现一个特定目标的方法，这些问题应根据所选的质量要点来描述度量对象。量化层次：针对每个问题得到一组数据来回答此问题。这3层是一个继承性的结构，下一层对上面一层的细化，通过这种细化和逐步求精，最终由目标得到需要的度量。

（三）层次分析法

它合理地将定性与定量分析结合起来，按照思维、心理的规律把目标过程层次化、数量化。该方法首先将所要分析的问题层次化，根据问题的性质和目标，将问题分解成不同的组成因素，按照因素间的相互关系及隶属关系，将各因素按不同层次聚集组合，形成一个多层分析结构模型，最终归结为最低层指标等相对于最高层总目标相对重要程度的权重值或相对优劣次序的问题。它是确定信息系统各项评价指标权重的重要方法。

（四）模糊综合评价法

模糊评价法可以与多种方法混合使用，在进行信息系统效益审计评价时，第一步，采用德尔菲法，通过多专家分析，确定评价指标体系和评价等级划分；第二步，构造判别矩阵并确定各指标权重，其中对权重的计算可运用层次分析法；第三步，确定指标的隶属度，由审计人员根据之前确定的评价等级，对信息系统效益评价指标进行具体判断，并将所得结果用隶属度矩阵来表示；第四步，计算评价值，将得到的隶属度矩阵和综合指标权重进行矢量相乘，最终得到信息系统效益评价值。

参考文献

1、陈晓剑等.系统评价方法及应用[M].中国科学技术大学出版社，1993.

2、肖敏.审计信息化的审计软件过程度量的研究[J].审计月刊，2008(2).

3、李丹.浅谈软件过程度量及技术[J].电脑知识与技术，2007(23).

第8篇：统计分析法范文

1基本概念

作战行动是为遂行作战任务而采取的持续性活动。目前我军在作战模拟领域将其定义为作战单元在特定战场环境下的不可分或不必要在分的基本战斗行为。相应的，美军在任务空间概念模型中［13］采用EATI模板的方法抽象出作战过程中最小的原子行为———动作。虽然这两种定义在表述上有所不同，但从本质来说它们是一致的，都突出了不可再分、原子性的特点。为了方便讨论，本文将这种基本的行为统一称为作战行动。在实际的军事问题中，作战行动的不可再分性通常是相对的，取决于所研究问题的层次。作战行动的效能是衡量行动效果与任务需求的重合度，通过一定的公式或算法来量化这个程度的大小，即效能值是效果和需求的函数［14］。可见，作战行动的效能最终依赖于行动效果中的可观测的量、表达需求的参数以及这两者进行比较的方法，而作战行动效果数据就是这些可观测的量，例如机动的速度，使敌遭受的人员伤亡率等。

2作战行动效果数据统计分析

EINSTein系统［15］是由美国海军陆战队发展司令部在战斗模拟系统(IrreducibleSemi-AutonomousAdaptiveCombat，ISAAC)的基础上，研制的一种作战仿真平台。系统基于Agent技术构建，为研究陆军作战中不确定性、非线性等战争复杂性问题提供了新的工具。因此本文基于EINSTein仿真数据，分别从单次仿真实验分析、单组仿真实验分析、多组仿真实验分析三个角度，探讨多种兵力和武器配比方案下的仿真结果，以期发现不同条件下作战过程中存在的统计性规律，为作战行动的效能评估打下良好基础。

2．1单次仿真实验分析单次仿真实验分析是指针对一次仿真运行后采集的数据进行分析，主要包括仿真过程的数据展示以及仿真结果的数据统计。在每获取一次模拟样本之后，进行敌我双方的作战结果统计分析，以支持下一步的评估需要。由于作战行动的种类繁多，为了便于问题的分析，主要讨论分队级作战中进攻这一典型作战行动。作战想定:红方向蓝方发起进攻，占领蓝方阵地并将其消灭;蓝方进行阵地防御，击退红方进攻。作战模型的初始设置:战场地图大小100×100，仿真时长200个时间单位，红方100个Agent，蓝方50个Agent，每个Agent代表一个作战单兵，根据EINSTein系统的输入条件，确定红蓝双方的范围属性如表1所示。表1范围属性表属方侦察距离火力半径战斗欲望机动速度红方(健康)161682红方(受伤)8841蓝方(健康)101042蓝方(受伤)5521图1分别表示在仿真时刻为0，100，150，200时的战场情况。从仿真的过程可以看出，红方以压倒性的优势消灭了蓝方所有人员，并占领了蓝方的阵地。仿真的结果是红蓝双方人员的战损情况，具体为红方剩余健康人数72，受伤人数20，蓝方在仿真时刻166时已全部阵亡。

2．2单组仿真实验分析单组仿真实验分析是指在仿真输入参数固定的条件下，针对多次仿真实验结果数据进行分析。当作战行动是由多个随机模型组合而成时，由此行动产生的实验结果就表现为一系列的随机数据。对这些随机数据进行统计分析主要包括样本的数字特征、区间估计以及假设检验三个方面的内容。模型参数与表1中的设置相同，共进行100次红方进攻战斗的模拟，仿真结果的基本统计分析如表2所示。从表2可以看出，样本均值与样本中位数比较接近，说明样本中“离群点”较少，在同一输入条件下未出现极端情况，仿真结果较为可靠。红方健康人数、受伤人数的样本方差远大于蓝方相应的值，表明红方的战损情况波动较大，对最终作战效果的影响更明显。其原因在于进攻这一作战行动的效果主要体现在敌、我双方的战损情况。表1中红方的侦察距离、火力半径、战斗欲望较蓝方优势明显，蓝方损失惨重这一结果是必然的，在数据上表现为蓝方较小的样本方差。红方虽然能够取得胜利，但是其样本方差较大，说明作战中还是存在一定的不确定性。由此从数据统计分析的角度印证了一条作战的基本原则:对于具有进攻优势的一方，在作战中应提高己方的生存能力，以取得更好的作战效果。假设各统计结果服从正态分布，在置信水平95%的条件下，对正态分布的模型参数均值μ和均方差σ进行了区间估计。虽然从置信区间可以看出正态性假设较为理想，但仍需进一步对其进行假设检验。Q-Q图是一种评估正态性假定的直观方法，它展示的是样本分位数与观测值之间的关系，当各点离一条直线很近时，正态性假定是保持的，否则，正态性就较可疑。红方受伤人数统计结果的Q-Q图检验如图2所示。从图2数据的分布情况判断，红方受伤人数总体上服从正态分布，同理可得红方健康人数及蓝方相应战损数据也服从正态分布，可知假设条件与检验结果是一致的。由于每次运行是相互独立的，并且模型的初始参数不变，那么可认为每次仿真结果是独立同分布的随机变量，相互之间的偏差不会很大，因此假设仿真结果服从正态分布是合理的。

2．3多组仿真实验分析多组仿真实验分析是指在仿真输入参数变化的条件下，针对多组仿真实验结果数据进行分析。通过改变运行的初始条件，研究不同作战条件对作战结果产生的影响，从而支持实验结果的预测以及作战行动效能的评估。图2红方受伤人数的Q-Q图检验以表1中的参数设置为基础，蓝方输入参数保持不变，分别改变红方的火力半径以及总体人数，各进行50次仿真模拟。统计结果如图3、图4所示。图3不同火力半径下红蓝战损图4不同人数下红蓝战损根据仿真的输出结果，设红方健康人数x1，红方受伤人数x2，蓝方健康人数x3，蓝方受伤人数为x4，红蓝双方战前总人数分别为Nr，Nb，则红方剩余人数比ηr通过式(1)计算:ηr=x1+α×x2Nr(1)蓝方损失人数比ηb通过式(2)计算:ηb=1－x3+β×x4Nb(2)其中α、β∈(0，1)分别表示红蓝双方受伤人员的健康系数，由表1可知双方受伤人员范围属性值均是健康时的一半，所以α=β=1/2。规定当作战的一方损失人数比达到80%时，即宣告此方作战失败。图3表示的是在红方不同火力半径条件下，ηr(对应左纵轴)与ηb(对应右纵轴)的变化关系。对于红方而言，作战的目标是在保证本方战损尽可能小的同时最大可能地打击对手，即在图中反映为ηr和ηb越大越好。通过对结果数据的回归分析，可以看到随着红方火力半径的增大，ηr增加缓慢，而ηb增加迅速，表明火力半径对作战效果的影响明显，且主要体现在对蓝方的打击效果上。进一步分析，可以发现当红方的火力半径达到15时，蓝方损失已达到80%，即已失去作战能力，虽然随着火力半径的增大，蓝方的损失会继续增加，但是红方存活率已基本不再增加，更高的蓝方死伤率对最终作战结果影响不大。实际作战时人力物力资源通常是有限的，需要合理地分配使用各种武器装备，既保证对敌的打击作战效果，又不能盲目地使用高杀伤性武器，造成资源的浪费。因此，在上述仿真条件下，火力半径的取值范围在15～18是较为合理的。同样的，图4表示的是在红方不同总体作战人数的条件下，ηr与ηb的变化关系。从图中可以看出，ηr和ηb基本重合，在一个水平线上，红方的生存率和蓝方的死伤率都没有明显的增加。进一步分析，发现随着红方总体作战人数的增加，红方生存率没有明显的提高，然而由于人员基数的增大，红方死伤人员的绝对数量实质是在增加的，这一结果显然与通过增加总体作战人数来提高对敌打击效果的初衷是不相符的。究其原因在于仿真的初始条件上，红方在火力半径和作战欲望上对蓝军具有明显的优势，在此前提下，作战人员数量这一因素对作战的效果没有太大影响。可以看到，无论红方作战人员数量的多少，蓝方的死伤率基本都在80%以上，即红方已达到了作战的目的。因此对于在武器装备上具有优势的一方，不能想当然地认为增加作战人员的数量就一定能够取得较好的作战效果，应当注意适当地配置人员，在完成对敌打击任务的条件下尽可能减少己方损失，以取得理想的作战效果。以上在红方较蓝方总体上占有优势的条件下，讨论了火力半径与兵力规模对作战效果的影响程度。按照这一研究思路，可以在红方与蓝方势均力敌或者红方较蓝方总体上处于劣势的条件下，探讨各种因素对作战效果的影响，从中发现一些有价值的作战规律，继而为指挥部门提供有力的决策依据。

3作战行动效能评估

第9篇：统计分析法范文

Statistical and Machine

Learning Approaches for

Network Analysis

2012，344p

Hardcover

ISBN9783527331833

M·德默等编

图形结构被用于计算机可以识别的结构信息时，对图形信息进行统计分析就成为可能。生物信息学、分子与系统生物学、理论物理、计算机科学、化学、工程等多个领域都在利用这一特点充分发挥计算机在分析和统计方面的优势。本书的一个重要特点就是将诸如图论、机器学习及统计数据分析之类的理论相互结合，形成一个新领域，以交叉学科的方式探索复杂网络。基因组、蛋白质，信号以及代谢组学数据的大规模生成使得复杂网络的构建成为可能，它为理解生理学以及病理学状态的分子基础提供了一个崭新的框架。网络和基于网络的方法用于生物学中以便表征基因组、遗传机理以及蛋白质信号。疾病被看作关键细胞网络的异常干扰。如今，在对诸如癌症、糖尿病等的复杂疾病的干预中，就使用网络理论来分析。

本书共有11章：1.重构及划分生物网络计算方法概论； 2.复杂网络入门：度量、统计性质及模型； 3.进化中的生物网络建模； 4.内含动力学的生物网络的模块性配置； 5.统计概算机对管理网络大规模因果推理的影响； 6.加权频谱分布：网络结构分析的度量； 7.进化中的随机二部图的结构； 8.图形内核； 9.用于早老性痴呆病的基于网络的信息协同分析； 10.结构化数据中基于密度的集合枚举； 11.采用加权图形内核的下位词析取。

本书第1主编是奥地利健康与生命大学生物信息学和转化研究所所长，他在生物信息学、系统生物学和应用离散数学领域130篇。他是Wiley出版的《复杂疾病医学生物统计学》《复杂网络分析》和《微阵列数据分析》等书的合作编者。

本书可用作应用离散数学、生物信息学、模式识别、计算机科学专业跨学科研究生课程的补充读物，对于这些领域的研究人员和专业人员，也是一本有价值的参考书。

胡光华，退休高工

（原中国科学院物理学研究所）