О разработке пакета компьютерной поддержки принятия решений для выбора корреляционно-регрессионных моделей анализа и прогнозирования эмпирических данных

Тип работы:
Реферат
Предмет:
Кибернетика


Узнать стоимость

Детальная информация о работе

Выдержка из работы

СИСТЕМНЫЙ АНАЛИЗ И УПРАВЛЕНИЕ
УДК 004. 021- 519−254
О РАЗРАБОТКЕ ПАКЕТА КОМПЬЮТЕРНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ ВЫБОРА КОРРЕЛЯЦИОННО-РЕГРЕССИОННЫХ МОДЕЛЕЙ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ ЭМПИРИЧЕСКИХ ДАННЫХ
ON THE ELABORATION OF A PACKAGE OF COMPUTER DECISION SUPPORT FOR THE CHOICE OF CORRELATION AND REGRESSION MODELS OF ANALYSIS AND
FORECAST OF EMPIRICAL DATA
Н. П. Путивцева, Т. В. Зайцева, С. В. Игрунова, Е. В. Нестерова, О. П. Пусная N.P. Putivzeva, T.V. Zaitseva, S.V. Igrunova, E.V. Nesterova, O.P. Pusnaya
Белгородский государственный национальный исследовательский университет, Россия, 308 015, Белгород, ул. Победы, 85 Belgorod State National Research University, 85 Pobeda St, Belgorod, 308 015, Russia
e-mail: putivzeva@bsu. edu. ru, zaitseva@bsu. edu. ru, igrunova@bsu. edu. ru, nesterova@bsu. edu. ru, pusnaya@bsu. edu. ru
Аннотация. В данной статье описан процесс разработки пакета компьютерной поддержки принятия решений для выбора корреляционно-регрессионных моделей. В результате анализа литературных источников был сделан вывод, что в существующих статистических и эконометрических пакетах отсутствуют возможности выдачи рекомендаций пользователю по целесообразности использования той или иной регрессионной модели и объяснения выбора оптимальной регрессионной модели, для конкретных данных.
Resume. This article describes the process of elaboration of a package of computer decision support for the choice of correlation and regression models. According to analysis of the literature, it was concluded that the existing statistical and econometric packages don'-t allow issuing recommendations to the user on whether to use a particular regression model and don'-t explain the choice of the optimal regression model, for specific data.
Ключевые слова: поддержка принятия решений, корреляционно-регрессионный анализ, прогнозирование, выбор оптимальной модели, компьютерная поддержка выбора.
Keywords: decision support, correlation and regression analysis, forecasting, selection of the optimal model, computer support of the process of choice.
Развитие экономики, усложнение экономических процессов и повышение требований к принимаемым управленческим решениям в области макро и микроэкономики потребовало более тщательного и объективного анализа реально протекающих процессов на основе привлечения современных математических и статистических методов.
Потребность в средствах статистического анализа эконометрических данных в различных областях деятельности, особенно в науке, очень велика, что и послужило причиной развития рынка компьютерных программ для статистической обработки эконометрических данных. На современном этапе невозможно представить эконометрическое исследование без применения информационных технологий. В настоящее время исследователю доступно большое количество разнообразных программных продуктов, которые могут быть использованы для решения задач построения регрессионных моделей, описывающих зависимость между эмпирическими данными. Наиболее популярными программными пакетами являются EVies, SPSS, STATA, STATISTICA, S-PLUS, Stadia, STATGRAPHICS, SYSTAT, Minitab.
В результате анализа литературных источников был сделан вывод, что существующие статистические и эконометрические пакеты являются достаточно громоздкими и дорогими. Зачастую они обладают избыточным функционалом, не используемым для учебных расчетов, но значительно усложняющим интерфейс. Бесплатные пакеты представляют собой усеченные расчетные модели. Но самым большим недостатком данных пакетов является отсутствие в представленных пакетах возмож-
Введение
ности выдачи рекомендаций пользователю по целесообразности использования той или иной регрессионной модели и о причинах выбора программой оптимальной регрессионной модели, описывающей конкретные эмпирические данные.
В связи с вышесказанным разработка пакета компьютерной поддержки принятия решений для выбора корреляционно-регрессионных моделей представляется актуальной.
Программа представляет собой аналитическую информационную систему для расчета экономических моделей, анализа рассчитанных показателей и выбора на основе анализа наиболее подходящей модели для каждых конкретных эмпирических данных.
Специализированный пакет построения и выбора корреляционно-регрессионных моделей предназначен для решения следующих задач:
— Построение основных моделей парной (линейной и нелинейной) и множественной регрессии-
— Выбор наиболее подходящей модели для описания эмпирических данных (представлено на рисунке 1) —
— Оценка параметров-
— Оценка статистической значимости модели и ее параметров-
— Интерпретация результатов, выводы и пояснения системы.
начало
-*_ * _
Определение цели исследования, показателей и факторов,
соответствующих цели *
Сбор и анализ исходной информации
Модель парной регрессии *
Модель множественной регрессии
Использование многофакгорной модели для анализа и прогнозирования
i ~
Выход
Рис. 1. Алгоритм построения регрессионной модели Fig. 1. An algorithm of construction of the regression model
Выходной информацией системы является:
1. Информация о типе выбранной модели с объяснением выбора наиболее подходящей модели.
2. Информация о параметрах уравнения.
3. Информация об оценке качества полученной модели.
4. Диаграммы.
5. Таблицы с расчетным значением зависимой переменной, точечным и интервальным прогнозом значений зависимой переменной.
Парная регрессия
— линейная у = а + Ь ¦ х-
— равносторонняя гипербола у = а + Ь / х —
— степенная у = а ¦ хЬ-
— показательная у = а ¦ Ьх-
— экспоненциальная у = еа+Ьх.
Множественная регрессия
у = /(х, х2,… хт), где у — зависимая переменная, х — независимые, переменные.
Разработанное программное обеспечение предназначено для автоматизированной обработки эмпирической экономической информации и поддержки принятия решений выбора наиболее подходящей модели регрессии для описания имеющихся данных [1].
Выбор модели осуществляется на основе сравнения величин
остаточной дисперсии =-V (у — у)2,
_ 1- - 1-
100%,
п
'-у — ух
средней ошибки аппроксимации, А =-V
п
у
^2
коэффициента или индекса детерминации г/ = 1 --, р2 = 1 --
ху «-2 7 '- ху «_2
— -
У у
рассчитанных при разных моделях.
Если при выборе между использованием линейной и нелинейной моделей парной регрессии значения соответствующих показателей детерминации близки, система делает вывод о допустимости использования парной линейной регрессии, в противном случае сообщает о невозможности замены нелинейной регрессии линейной. Далее система определяет, к какому классу нелинейных регрессий относится наиболее подходящая для описания эмпирических данных функция. Если регрессия нелинейна по объясняющим переменным, то выполняется линеаризация переменных, если же она нелинейна по оцениваемым параметрам, то система определяет, является ли данная нелинейная модель внутренне линейной или внутренне нелинейной. Если модель является внутренне линейной, система делает преобразование исходной нелинейной модели для приведения ее к линейному виду.
В том случае, если ни одна из полученных моделей парной регрессии не является значимой либо если величина возмущений сравнима с результатами, рассчитанными по построенным моделям, система предлагает построить множественную регрессию, введя дополнительные исходные данные значений того фактора, который целесообразно ввести в модель [4].
При построении моделей множественной регрессии система вначале определяет, будет ли модель множественной регрессии достаточно адекватно отражать зависимость между эмпирическими значениями, или же необходимо построить модели нелинейной множественной регрессии и на основе расчета и сравнения аналогичных показателей выбрать наиболее подходящую модель.
В случае адекватности линейной множественной регрессии система строит уравнение множественной регрессии в стандартизованном и натуральном масштабе переменных, выдает выводы о степени влияния каждого из факторов на зависимый показатель, о том, как ведет себя зависимый показатель при изменении каждого из факторов на единицу при неизменном значении остальных факторов. Система вычисляет критерии Фишера и Стьюдента, определяет статистическую значимость уравнения в целом и отдельных его параметров. На основе расчета и анализа частных критериев Фишера система выдает рекомендации о том, целесообразно ли включать то или иной фактор в уравнение регрессии, и в какой последовательности целесообразно водить факторы в модель множественной регрессии [2]. Алгоритм формирования множества возможных прогностических моделей представлен на рисунке 2.
Серия Экономика. Информатика. 2015. № 19 (216). Выпуск 36/1
Рис. 2. Схема алгоритма формирования прогностических моделей Fig. 2. Chart of the formation of forecasting models
Общая структура программного комплекса следующая:
Рис. 3. Общая структура программного комплекса Fig.3. The overall structure of software
Для работы программы исходные данные экспортируются из MS Excel и отображаются на первой закладке программы [5]. Основная форма приложения с загруженными данными представлена ниже на рисунке.
Рис. 4. Основная форма MDI-приложения, с импортированными данными Fig. 4. The main form of MDI-applications with imported data
На второй закладке выводятся результаты расчета по всем вариантам моделей регрессии, и осуществляется выбор оптимальной модели и выдача выводов и рекомендаций (рис 4):
цРегрессионный анализ
File Edit Window Help

DIssIbI b|r^|f.| щвт
L J D: WorkMyBelGUDip2013-lProgData01. xls
JS]*]
Исходные данные j Результат обработки |
Формула аппроксимации: а+Ьхк
Теснота линейной связи между переменными: Весьма высокая прямая
Линейный коэффициент корреляции:0. 985 724
Средняя ошибка аппроксимации:6. 489 830%
Ф акторная дисперсия на одну степень свободы: "-! 3,692 014
Остаточная дисперсия на одну степень свободы: 0,79 894
Р-критерий Фишера: 171,376 641 Табличное значение =6,61
Критерий Стьюденга: 1а=3,396 694 1Ь=13,9 109
Ма=0,238 888 МЬ=0,53 417
Коэффициенты А=0. 811 429 8=0. 699 286
Формула аппроксимации: а+Ь/х
Теснота линейной связи между переменными: Высокая обратная Линейный коэффициент корреляции: -0. 772 612 Средняя ошибка аппроксимации: 25. 440 912% Факторная дисперсия на одну степень свободы: 8,411 627 Остаточная дисперсия на одну степень свободы: 1,135 972 Р-критерий Фишера: 7,404 786 Табличное значение =6,61 Критерий Стьюденга: 1а=7,578 682 1Ь=-2,721 174 М а=0,667 045 МЬ=1,435 349 Коэффициенты А=5. 55 325 8−3. 905 835 Формула аппроксимации: аххлЬ
Теснота линейной связи между переменными: Весьма высокая прямая
Линейный коэффициент корреляции:0. 962 841
Средняя ошибка аппроксимации:9. 881 766%
Факторная дисперсия на одну степень свободы: 1,40 806
Остаточная дисперсия на одну степень свободы: 0,16 377
Рис. 5. Результаты расчета моделей парной регрессии Fig. 5. The results of calculation of models of pair regression
После этого осуществляется запуск Excel через COM-объект и экспорт в Excel таблицы с расчетными данными. Затем через механизм COM-сервера клиентское приложение выполняет управление открытым экземпляром приложения Excel. Application. Следующим шагом создается новый лист с диаграммой для вывода расчетных значений (рис. 5):
Серия Экономика. Информатика. 2015. № 19 (216). Выпуск 36/1
ЕЭ Microsoft Енсе! — Лист!
Файл Правка Вид Вставка Формат
-? s у в aia aiEuia-i *& gt-
Область диа… т_
Сервис Диаграмма Окно Справка
& gt-: • J il g fl'-ialcyr
10 • Ж JE& quot- Ч ¦= в в
Введите вопрос
¦ IЯI «I
JSJX]







i 2 3 4 5 6 7
-*- Иск. данные 1,83 2,23 2,73 3,34 4,08 4,97 6,08
¦ Линейная 1,51 071 428 В 2,21 2,903 285 714 3,608 571 423 4,307 857 143 5,7 142 857 5,706 428 571
Гипербола 1,140 483 723 3,102 407 123 3,75 337 359 4,78 865 823 4,274 157 563 4,40 435 205 В 4,437 348 123
-*- Степенная 1,590 025 302 2,42 373 701 3,101 567 024 3,694 595 963 4,231 613 744 4,727 039 686 5,192 525 893
-*- Показательная 1,82 832 223 2,234 385 035 2,723 737 039 3,33 430 602 4,74 237 921 4,977 475 989 6,80 357 336
-*- Экспоненциальная Таблица ае 1,82 832 223 1НЫХ 2,234 385 035 2,723 737 039 3,33 430 602 4,74 237 921 4,977 475 389 6,80 357 336
— Hex. данные -Линейная
Гипербола
— Степенная
— Показательная -Экспоненциальная
Готово
И
г

Рис. 6. Диаграмма вывода расчетных значений Fig. 6. Output diagram of calculated values
Заключение
В данной статье был рассмотрен процесс разработки пакета компьютерной поддержки принятия решений для выбора корреляционно-регрессионных моделей. Разработанный пакет осуществляет построение основных моделей парной и множественной регрессии, выбор наиболее подходящей модели для описания эмпирических данных, оценка параметров, оценка статистической значимости модели и ее параметров, интерпретация результатов, выводы и пояснения системы.
Список литературы References
1. Путивцева Н. П., Игрунова С. В., Зайцева Т. В., Нестерова Е. В., Пусная О. П. Система поддержки принятия решений при выполнении проектов // Научные Ведомости БелГУ. Серия: Экономика. Информатика. — № 7 (204) 2015, выпуск 34/1.- С. 170−174.
Putivceva N.P., Igrunova S.V., Zajceva T.V., Nesterova E.V., Pusnaja O.P. Sistema podderzhki prinjatija reshenij pri vypolnenii proektov // Nauchnye vedomosti BelGU. Ser. Jekonomika. Informatika. — № 7 (204) 2015, vypusk 34/1. -S. l70-l74.
2. Зайцева Т. В., Нестерова Е. В, Игрунова С. В., Пусная О. П., Путивцева Н. П., Смородина Н. Н. Байесовская стратегия оценки достоверности выводов. Научные Ведомости БелГУ. Серия: История. Политология. Экономика. Информатика. — 2012 — № 13(132), выпуск 23/1. — С. 180−183.
Zajceva T.V., Nesterova E. V, Igrunova S.V., Pusnaja O.P., Putivceva N.P., Smorodina N.N. Bajesovskaja strategija ocenki dostovernosti vyvodov. Nauchnye vedomosti BelGU. Ser. Istorija. Politologija. Jekonomika. Informatika. — 2012 -№ 13(132), vypusk 23/1. — S. l80-l83.
3. Путивцева Н. П., Зайцева Т. В., Нестерова Е. В., Игрунова С. В., Гурьянова И. В. Эконометрика (базовый курс) НИУ «БелГУ» Учебное пособие Белгород: ООО «ГИК», 2013. — 203 с.
Putivceva N.P., Zajceva T.V., Nesterova E.V., Igrunova S.V., Gur'-janova I.V. Jekonometrika (bazovyj kurs) NIU «BelGU» Uchebnoe posoWe Belgorod: OOO «GIK», 2013. — 203 s.
4. Эконометрика Под редакцией И. И. Елисеевой, М: Финансы и статистика, -2003 г.
Jekonometrika Pod redakciej I. I. Eliseevoj, M: Finansy i statistika, -2003 g.
5. Delphi на примерах Пестриков В., Маслобоев А. СПб: БХВ-Петербург 2005 г., 496 с.
Delphi na primerah Pestrikov V., Maslotoev A. SP^ BHV-PeteAurg 2005 g., 496 s.
УДК 004. 891. 2, 004. 896
СТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ЭКСПЕРТНОЙ ОЦЕНКЕ СОЦИАЛЬНЫХ РИСКОВ
DECISION SUPPORT SYSTEM FOR EXPERT ASSESSMENT OF SOCIAL RISKS
М. В. Лифиренко, В. В. Ломакин M.V. Lifirenko, V.V. Lomakin
Белгородский государственный национальный исследовательский университет, Россия, 308 015, Белгород, ул. Победы, 85 Belgorod State National Research University, 85 Pobeda St, Belgorod, 308 015, Russia
Аннотация. Статья посвящена разработке системы поддержки принятия решений при экспертной оценке со-
циальных рисков. Определен перечень основных социальных рисков, подверженных влиянию техносферы и факторы, которые воздействуют на них. Подготовлена иерархия для принятия решений, отражающая взаимосвязь социальных рисков и факторов, влияющих на них. Обоснован выбор метода принятия решений для реализации системы поддержки принятия решений, и разработана схема взаимодействия экспертной группы с системой. Предложена доработка существующего метода оценки согласованности, которая позволит улучшить обоснованность рекомендаций для повышения согласованности матриц парных сравнений. Предложенные подходы позволят реализовать систему поддержки принятия решений при экспертной оценке социальных рисков.
Resume. The article is devoted to the development of decision support systems for the expert assessment of social risks. A list of major social risks was made. This risks are exposed by the technosphere and the factors that effect on them were determined. The hierarchy for decision making was constructed that represents the relationship of social risks and the factors influencing on them. The choice of the decision-making method was substantiated for the implementation of decision support systems. The scheme of interaction between expert group and the system was developed. A revision of the existing method of coherence valuation was proposed, which will improve the validity of recommendations for increasing of the pairwise comparisons matrix coherence. The proposed approaches will enable to implement a decision support system for the expert assessment of social risks.
Ключевые слова: система поддержки принятия решений, экспертная система, согласованность матриц парных сравнений, социальные технологии, социальные риски.
Keywords: decision support system, expert system, coherence matrix of pairwise comparisons, social technology, social risks.
В современных условиях оценка риска является важным элементом теоретической базы принятия решений в политике и экономике. Установление причинно-следственных связей между параметрами, характеризующими неоднородность техногенных факторов и возможными негативными социальными последствиями, а также количественная оценка вероятности наступления последних позволяют организовать прогнозирование социальных рисков.
До сих пор несогласованность позиций специалистов в отношении сущности данного процесса порождает разрозненность и противоречивость подходов к его регулированию и совершенствованию. Разрозненность теоретических позиций в данной отрасли научных знаний порождает соответствующие проблемы в социальной практике. Поэтому в данной ситуации необходимы инструментальные средства, позволяющие проводить оценку социальных рисков и взаимосвязей между факторами по широкому кругу критериев. Также такие средства актуальны по причине того, что каждый риск должен оцениваться применительно к определенной сфере обитания человека.
Нами предлагается применение метода анализа иерархий, позволяющего проводить независимые экспертные оценки как численные, так и качественные и получать итоговый результат, учитывающий мнение всей группы экспертов. На практике для применения данного метода необходимо создание информационного обеспечения для принятия решений в форме иерархий целей, критериев и альтернатив. Система поддержки принятия решений (СППР)[1] позволяет производить многокритериальную оценку альтернатив на основании экспертного оценивания, эмпирических данных и статистических данных. Такие функциональные возможности обеспечиваются за счет применения метода анализа иерархий и его модификаций. Основная особенность данной системы состоит в том, что выходные результаты рассчитываются не только по объективным показателям, но и по субъективным (предпочтениям людей). Таким образом, в условиях отсутствия точных математических средств описания предлагаемая нами система оценки социальных рисков и выработки антирисковых управляющих решений главным образом основывается на формальном представлении человеческого опыта и интуиции.
В ходе анализа особенностей практического применения МАИ [2,3] в социально-экономической сфере нами предложена следующая схема взаимодействия экспертов с СППР и ее отдельными модулями (см. рис. 1).
e-mail: lifirenko@bsu. edu. ru, lomakin@bsu. edu. ru
Рис. 1. Cхема взаимодействия экспертов с системой поддержки принятия решений Fig. 1. Scheme of interaction expert decision support system
На схеме (рис. 1) выделены отдельные блоки системы:
1) База данных — хранит накопленную информацию в ходе работы системы (оценки, утверждения, правила, взаимосвязи между сущностями и данными) —
2) Система сбора входных данных для анализа — позволяет собирать данные из трех источников: экспертные оценки, эмпирические данные и статистика-
3) Система обработки входных данных — подготавливает входные данные для расчетов и приводит их к унифицированному виду-
4) Ядро системы поддержки принятия решений — производит построение взаимосвязей располагаемой информации между собой и осуществляет расчет вероятности или приоритетности того или иного варианта.
В ходе проведенных исследований [5] был получен перечень основных социальных рисков, подверженных влиянию техносферы:
• ухудшение демографической ситуации-
• безработица-
• маргинализация населения-
• вынужденная миграция-
• дезадаптация-
• снижение качества жизни-
• рост преступности-
• рост социальной напряженности-
• рост протестной активности-
• рост терроризма.
Предложенная нами иерархия оценки социальных рисков согласно методу анализа иерархий выглядит следующим образом [1] (см. рис. 2).
Рис. 2. Иерархия оценки социальных рисков в СППР «Решение» Fig. 2. Hierarchy of social risks in the DSS & quot-Decision"-
При практическом применении метода анализа иерархий с большим количеством критериев и альтернатив, как в представленном нами случае, имеют место сложности в получении согласованных матриц парных сравнений (МПС), что может повлиять на точность вычисляемых весомостей.
Процедура принятия решений на основе МАИ подразумевает проведение достаточно большого числа парных сравнений. Количество парных сравнений зависит от числа выбранных лицом принимающим решение (ЛПР) критериев и альтернатив и числа участвующих в опросе экспертов. Общее количество парных сравнений N может достигать достаточно большого значения, и его можно рассчитать по формуле:
e ¦ к ¦ n ¦ (n — 1) + к ¦ (к — 1)
N =-
2
(1)
где е — общее количество экспертов, которое оценивает альтернативы решений по всем критериям, k — количество критериев, по которым производится сравнение альтернатив, п — количество альтернатив решений рассматриваемой проблемы.
Так как предлагаемая нами иерархия достаточно объемна (N & gt- 470), то целесообразно в процессе опроса применять новые методы оценки согласованности суждений эксперта и методы повышения степени согласованности.
В статье [4] были предложены алгоритмы, позволяющие осуществлять поддержку эксперта при повышении степени согласованности МПС. Практика использования данного подхода позволяет проводить оценку согласованности отдельных парных сравнений, но такой подход не всегда приводил к верным результатам. Анализ выявленных проблем показал, что вычисление матрицы косинусов углов по векторам, составленным только лишь из строк МПС, дает менее точный результат, так как имеют место парные сравнения. В связи с этим предлагается расчет среднего косинуса угла для пар векторов, составленных из строк и столбцов элементов МПС. Представим матрицу парных сравнений следующим образом:
A =
(2)
При расчете среднего косинуса угла для пар векторов предложенная в [4] формула расчета косинуса угла щ изменится:
п п
V ак ¦ ак Vа* ¦ак
Ya =
One column
y, а а 2

ё ai ёa а
k =1 k=1
V
Ё ak Ё ai
k=1 k=1
2
«(3)
Изменение формулы не повлияет на последовательность дальнейших вычислений, описанных в [4].
Проиллюстрируем применение предложенного подхода на примере конкретной МПС. Предположим, что при оценке альтернатив эксперт получил МПС А1. Здесь допущена ошибка: а13 = 1/8, хотя должно быть а13 = 8:
(1 4 1/8 2 ^ ¼ 1 2 ½ 8 ½ 1 ¼
,½ 2 4 1
/
где ОС=1,045.
Перед экспертом возникает задача корректировки матрицы, так как имеет место высокое ОС. Рассчитаем матрицы косинусов углов и сравним скорректированные МПС, получаемые с их помощью по описанному алгоритму автоматической корректировки [4]:
(1 0,52 0,287 0,52 ^ 0,52 1 0,248 1 0,287 0,248 1 0,248
Ai =
(4)
line _
(5)
column

xtfline. rjcolumn x^total _ y + y_
v 0,52 1 0,248 1 ,
(1 0,248 0,287 0,248^ 0,248 1 0,52 1
0,287 0,52 1 0,52 0,248 1 0,52 1
^ 1 0,384 0,287 0,384^
0,384 1 0,384 1 0,287 0,384 1 0,384
0,384 1 0,384 1
(6)
(7)
Получим на основе матриц косинусов углов Т1те, ТсЫитп,, соответствующие скорректи-
рованные МПС Alme, Acolumn, Atotal:
j^tine _
A
column
(1 21/3 1& quot-)
½ 1 1/9 1
3 9 15
1 11/5 1
(1 1/5 1/3 1/9^
5 1 1 1
3 1 1 ½
9 1 2 1
(8)
(9)
an ••• a1 j
a
a
a
a

a
a
a



/
k=1
k=1
+
(1 4 9 2 ^
A
total
¼ 1/9 ½
1
½ 2
½ 1/4 1
(10)
Сравнив полученные МПС A
line
column j^otal
мы убеждаемся в том, что подход оценки согла-
сованности на основе векторов из элементов строк МПС и векторов из элементов столбцов работает эффективнее, так как матрица Atotal исправляет ошибочное парное сравнение матрицы A • Таким образом, данный подход позволит экспертам контролировать процесс оценивания и повышать степень доверия к получаемым результатам.
Разрабатываемая СППР позволит проводить многокритериальный анализ социальных рисков, что предоставит возможность получить более точные результаты по сравнению с известными применяемыми в этой сфере декларативными методами. Предложенные информационные средства позволят автоматизировать процесс получения входной информации (экспертной, статистической и эмпирической), при этом участникам опроса доступны только свои данные. Кроме того, в системе используется оценка меры противоречивости введенных данных и возможно произвести численную оценку логической достоверности получаемого результата. СППР можно использовать через интернет, что позволяет значительно увеличить количество участников анализа социальных рисков, а также проводить опросы удаленно.
Исследование выполнено за счет гранта Российского научного фонда, проект № 14−3 800 047 «Прогнозирование и управление социальными рисками развития техногенных человекомер-ных систем в динамике процессов трансформации среды обитания человека»
Список литературы References
1. Ломакин, В. В. Система поддержки принятия решений с автоматизированными средствами корректировки суждений экспертов / В. В. Ломакин, М. В. Лифиренко // Научные ведомости БелГУ. Сер. Экономика. Информатика. — 2014. — № 1(172) выпуск 29/1. — С. 114−120.
Lomakin, V.V. Sistema podderzhki prinjatija reshenij s avtomatizirovannymi sredstvami korrektirovki suzhdenij jekspertov / V.V. Lomakin, M.V. Lifirenko // Nauchnye vedomosti BelGU. Ser. Jekonomika. Informatika — 2014. -№ 1(172) vypusk 29/1. — S. 114−120.
2. Саати, Т. Принятие решений. Метод анализа иерархий / Т. Саати. — Москва: Радио и связь, 1993.- 278
с.
Saati, T. Prinjatie reshenij. Metod analiza ierarhij / T. Saati. — Moskva: Radio i svjaz'-, 1993.-

Статистика по статье
  • 8
    читатели
  • 1
    скачивания
  • 0
    в избранном
  • 0
    соц. сети

Ключевые слова
  • ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ,
  • КОРРЕЛЯЦИОННО-РЕГРЕССИОННЫЙ АНАЛИЗ,
  • ПРОГНОЗИРОВАНИЕ,
  • ВЫБОР ОПТИМАЛЬНОЙ МОДЕЛИ,
  • КОМПЬЮТЕРНАЯ ПОДДЕРЖКА ВЫБОРА,
  • DECISION SUPPORT,
  • CORRELATION AND REGRESSION ANALYSIS,
  • FORECASTING,
  • SELECTION OF THE OPTIMAL MODEL,
  • COMPUTER SUPPORT OF THE PROCESS OF CHOICE

Аннотация
научной статьи
по кибернетике, автор научной работы & mdash- ПУТИВЦЕВА Н.П., ЗАЙЦЕВА Т.В., ИГРУНОВА С.В., НЕСТЕРОВА Е.В., ПУСНАЯ О.П.

В данной статье описан процесс разработки пакета компьютерной поддержки принятия решений для выбора корреляционно-регрессионных моделей. В результате анализа литературных источников был сделан вывод, что в существующих статистических и эконометрических пакетах отсутствуют возможности выдачи рекомендаций пользователю по целесообразности использования той или иной регрессионной модели и объяснения выбора оптимальной регрессионной модели, для конкретных данных. This article describes the process of elaboration of a package of computer decision support for the choice of correlation and regression models. According to analysis of the literature, it was concluded that the existing statistical and econometric packages don’t allow issuing recommendations to the user on whether to use a particular regression model and don’t explain the choice of the optimal regression model, for specific data.

ПоказатьСвернуть
Заполнить форму текущей работой