统计数据标准化.pdf

统统计计数数据据标标准准化化(总总 3 3 页页)本页仅作为文档封面，使用时可以删除 This document is for reference only-rar21year.March统计数据标准化07313112 李帅宇简介简介评价是现代社会各领域的一项经常性的工作，是科学做出管理决策的重要依据。随着人们研究领域的不断扩大，所面临的评价对象日趋复杂，如果仅依据单一指标对事物进行评价往往不尽合理，必须全面地从整体的角度考虑问题，多指标综合评价方法应运而生。所谓多指标综合评价方法，就是把描述评价对象不同方面的多个指标的信息综合起来，并得到一个综合指标，由此对评价对象做一个整体上的评判，并进行横向或纵向比较。而在多指标评价体系中，由于各评价指标的性质不同，通常具有不同的量纲和数量级。当各指标间的水平相差很大时，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证结果的可靠性，需要对原始指标数据进行标准化处理。目前数据标准化方法有多种，归结起来可以分为直线型方法(如极值法、标准差法)、折线型方法(如三折线法)、曲线型方法(如半正态性分布)。不同的标准化方法，对系统的评价结果会产生不同的影响，然而不幸的是，在数据标准化方法的选择上，还没有通用的法则可以遵循。方法方法在数据分析之前，我们通常需要先将数据标准化（normalization），利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。数据标准化的方法有很多种，常用的有“最小最大标准化”、“Z-score 标准化”和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。一、Min-max 标准化min-max 标准化方法是对原始数据进行线性变换。设minA 和 maxA 分别为属性 A 的最小值和最大值，将 A 的一个原始值 x 通过 min-max 标准化映射成在区间0,1中的值 x，其公式为：新数据=（原数据-最小值）/（最大值-最小值）二、z-score 标准化这种方法基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。将 A 的原始值 x 使用 z-score 标准化到 x。z-score 标准化方法适用于属性A 的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。新数据=（原数据-均值）/标准差spss 默认的标准化方法就是 z-score 标准化。用 Excel 进行 z-score 标准化的方法：在 Excel 中没有现成的函数，需要自己分步计算，其实标准化的公式很简单。步骤如下：1.求出各变量（指标）的算术平均值（数学期望）xi 和标准差 si；2.进行标准化处理：zij=（xijxi）/si其中：zij 为标准化后的变量值；xij 为实际变量值。3.将逆指标前的正负号对调。标准化后的变量值围绕0 上下波动，大于 0 说明高于平均水平，小于0 说明低于平均水平。三、Decimal scaling 小数定标标准化这种方法通过移动数据的小数点位置来进行标准化。小数点移动多少位取决于属性A的取值中的最大绝对值。将属性A 的原始值 x 使用 decimal scaling 标准化到 x的计算方法是：x=x/(10j)其中，j 是满足条件的最小整数。例如 假定 A 的值由-986 到 917，A 的最大绝对值为 986，为使用小数定标标准化，我们用每个值除以 1000（即，j=3），这样，-986 被规范化为。注意，标准化会对原始数据做出改变，因此需要保存所使用的标准化方法的参数，以便对后续的数据进行统一的标准化。除了上面提到的数据标准化外还有对数Logistic 模式、模糊量化模式等等：对数 Logistic 模式：新数据=1/（1+e(原数据)）模糊量化模式：新数据=1/2+1/2sin派（极大值-极小值）*（X-（极大值-极小值）/2）X 为原数据