Виконання:

Запуск системи STATISTICA

1. Вихідні дані:

2. Стандартизація даних – приведення змінних до одного безрозмірного вигляду. Така процедура виражається формулою:

Cluster Analysis: Виділяємо масив вихідних даних, клацаємо правою кнопкою миші. Вибираємо Fill(Standardize Block →Standardize Columns);

2. Матриця коефіцієнтів парної кореляції:

.

Multiple Regression: Analysis Startup Panel→ вказуємо одну залежну зміну, а решта незалежних →Input File(Rave Date-OK)→ Multiple Regression Results(Correlation desc. stats)→Review Descriptive Statistics(Correlations)→матриця r

2. Матриці відстаней між об’єктами приватизації на основі метрик. Матриці схожості між об’єктами приватизації за побудованими матрицями відстаней:

Cluster Analysis: Analysis→Startup Panel→Clustering Method(Jaining(tree clustering) )→ Jaining (вказуємо метрику відстані)→ Jaining Results (Distance matrix).

А) Евклідова відстань – і відповідна метрика схожості;

Б) Квадрат евклідової норми – ; і відповідна метрика схожості

В) Лінійна відстань – ; і відповідна метрика схожості

Г) Степенева відстань і відповідна метрика схожості;

Д) Супремум – норма (Метрика Чебишова) – і відповідна метрика схожості;

Висновок:

На основі даних обчислень, можна визначити близькість (віддаленість) між об’єктами, встановити однорідність(неоднорідність) досліджуваної сукупності.

За допомогою матриць схожостей, можна сказати, що чим більше віддаленні об’єкти в багатовимірному просторі ознак, тим менше вони є схожими і навпаки.

Завдання 2

Здійснити оцінку латентного показника «Інвестиційна привабливість» об’єктів приватизації на базі метрик відстані та схожості, використовуючи ;

А) класичний алгоритм;

Б) модифікований алгоритм;

Здійснити ранжування об’єктів приватизації у відповідності зі знайденими оцінками за кожним методом, здійснити їх порівняльний аналіз. Виділити серед об’єктів досліджуваної сукупності групи лідерів, посередніх об’єктів, аутсайдерів і зробити короткі статистичні висновки.

Виконання:

1. Класичний алгоритм

1) Утворення матриці вихідних даних

2. Розділення ознак на:

x₁, x₂, x₇ – стимулятори;

x₃, x₄, x₅, x₆ – де стимулятори;

3. Зважування ознак-симптомів не проводиться.

4. Перехід до матриці стандартизованих ознак Z. Задання еталону( точка додається до матриці в якості 16 об’єкта (рядок 16)).

Серед x₁, x₂, x₇ визначається максимальне значення ознак, а серед x₃, x₄, x₅, x₆ - мінімальне.

z^٭(1,872; 2,364; -1,160; -1,632; -1,047; -1,792; 2,280) – точка еталону.

5. Вибір метрики відстані – Евклідова метрика.

6. Розрахунок міри схожості (в Excel) за формулою:

6. Результати

m – оцінки латентного показника;

Лідери (4, 14 підприємства) мають найближчу відстань до еталону.

Аутсайдери (8, 13 підприємства) мають мінімальну схожість з еталоном.

Середняки – підприємства, які займають проміжне значення.

Результати оцінки «Інвестиційна привабливість» об’єктів приватизації за класичним алгоритмом: