模糊判断矩阵权重的一种确定方法

层次分析法判断矩阵求权值以及一致性检验程序

function [w,CR]=mycom(A,m,RI) [x,lumda]=eig(A); r=abs(sum(lumda)); n=find(r==max(r)); max_lumda_A=lumda(n,n); max_x_A=x(:,n); w=A/sum(A); CR=(max_lumda_A-m)/(m-1)/RI; end 本matlab程序用于层次分析法中计算判断矩阵给出的权值已经进行一致性检验。 其中A为判断矩阵，不同的标度和评定A将不同。 m为A的维数 RI为判断矩阵的平均随机一致性指标：根据m的不同值不同。 当CR<0.1时符合一致性检验，判断矩阵构造合理。 下面是层次分析法的简介，以及判断矩阵构造方法。

一.层次分析法的含义 层次分析法（The analytic hierarchy process）简称AHP，在20世纪70年代中期由美国运筹学家托马斯·塞蒂（T.L.Saaty）正式提出。它是一种定性和定量相结合的、系统化、层次化的分析方法。由于它在处理复杂的决策问题上的实用性和有效性，很快在世界范围得到重视。它的应用已遍及经济计划和管理、能源政策和分配、行为科学、军事指挥、运输、农业、教育、人才、医疗和环境等领域。 二.层次分析法的基本思路与人对一个复杂的决策问题的思维、判断过程大体上是一样的。 （1）层次分析法的原理 层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后得用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。这里所谓“优先权重”是一种相对的量度，它表明各备择方案在某一特点的评价准则或子目标，标下优越程度的相对量度，以及各子目标对上一层目标而言重要程度的相对量度。层次分析法比较适合于具有分层交错评价指标的目标系统，而且目标值又难于定量描述的决策问题。其用法是构造判断矩阵，求出其最大特征值。及其所对应的特征向量W，归一化后，即为某一层次指标对于上一层次某相关指标的相对重要性权值。 （2）层次分析法的步骤 a)建立系统的递阶层次结构； b)构造两两比较判断矩阵；（正互反矩阵） c)针对某一个标准，计算各备选元素的权重； d)计算当前一层元素关于总目标的排序权重。 e)进行一致性检验。 小结：层次分析法的思路与步骤如图

权重的确定方法汇总

一、指标权重的确定 1.综述 目前关于属性权重的确定方法很多，根据计算权重时原始数据的来源不同，可以将这些方法分为三类：主观赋权法、客观赋权法、组合赋权法。 主观赋权法是根据决策者（专家）主观上对各属性的重视程度来确定属性权重的方法，其原始数据由专家根据经验主观判断而得到。常用的主观赋权法有专家调查法（Delphi法）、层次分析法（AHP ）[106-108]、二项系数法、环比评分法、最小平方法等。本文选用的是利用人的经验知识的有序二元比较量化法。 主观赋权法是人们研究较早、较为成熟的方法，主观赋权法的优点是专家可以根据实际的决策问题和专家自身的知识经验合理地确定各属性权重的排序，不至于出现属性权重与属性实际重要程度相悖的情况。但决策或评价结果具有较强的主观随意性，客观性较差，同时增加了对决策分析者的负担，应用中有很大局限性。 鉴于主观赋权法的各种不足之处，人们又提出了客观赋权法，其原始数据由各属性在决策方案中的实际数据形成，其基本思想是：属性权重应当是各属性在属性集中的变异程度和对其它属性的影响程度的度量，赋权的原始信息应当直接来源于客观环境，处理信息的过程应当是深入探讨各属性间的相互联系及影响，再根据各属性的联系程度或各属性所提供的信息量大小来决定属性权重。如果某属性对所有决策方案而言均无差异（即各决策方案的该属性值相同），则该属性对方案的鉴别及排序不起作用，其权重应为0；若某属性对所有决策方案的属性值有较大差异，这样的属性对方案的鉴别及排序将起重要作用，应给予较大权重.总之，各属性权重的大小应根据该属性下各方案属性值差异的大小来确定，差异越大，则该属性的权重越大，反之则越小。 常用的客观赋权法[109-110]有：主成份分析法、熵值法[111-112]、离差及均方差法、多目标规划法等。其中熵值法用得较多，这种赋权法所使用的数据是决策矩阵，所确定的属性权重反映了属性值的离散程度。

利用STATA创建空间权重矩阵及空间杜宾模型计算命令

** 创建空间权重矩阵介绍 *设置默认路径 cd C:\Users\xiubo\Desktop\F182013.v4\F101994\sheng **创建新文件 *shp2dta:reads a shape (.shp) and dbase (.dbf) file from disk and converts them into Stata datasets. *shp2dta:读取CHN_adm1文件 *CHN_adm1：为已有的地图文件 *database (chinaprovince)：表示创建一个名称为“chinaprovince”的dBase数据集 *database(filename)：Specifies filename of new dBase dataset *coordinates(coord)：创建一个名称为“coord”的坐标系数据集 *coordinates(filename)：Specifies filename of new coordinates dataset *gencentroids(stub)：Creates centroid variables *genid(newvarname)：Creates unique id variable for database.dta shp2dta using CHN_adm1,database (chinaprovince) coordinates(coord) genid(id) gencentroids(c) **绘制2016年中國GDP分布圖 *spmap:Visualization of spatial data *clnumber(#):number of classes *id(idvar):base map polygon identifier(识别符，声明变量名，一般以字母或下划线开头，包含数字、字母、下划线) *_2016GDP：变量 *coord:之前创建的坐标系数据集 spmap _2016GDP using coord, id(id) clnumber(5) *更改变量名 rename x_c longitude rename y_c latitude **生成距离矩阵 *spmat:用于定义与管理空间权重矩阵 *Spatial-weighting matrices are stored in spatial-weighting matrix objects (spmat objects). *spmat objects contain additional information about the data used in constructing spatial-weighting matrices. *spmat objects are used in fitting spatial models; see spreg (if installed) and spivreg (if installed). *idistance:(产生距离矩阵)create an spmat object containing an inverse-distance matrix W *或contiguity:create an spmat object containing a contiguity matrix W *idistance_jingdu:命名名称为“idistance_jingdu”的距離矩陣 *longitude:使用经度 *latitude:使用纬度 *id(id):使用id

模糊层次分析法

模糊层次分析法理论基础 FAHP及计算过程层次分析法(AHP)是20世纪70年代美国运筹学家T.L. Saaty教授提出的一种定性与定量相结合的系统分析方法,该方法对于量化评价指标,选择最优方案提供了依据,并得到了广泛的应用。然而, AHP存在如下方面的缺陷:检验判断矩阵是否一致非常困难,且检验判断矩阵是否具有一致性的标准CR < 0. 1缺乏科学依据;判断矩阵的一致性与人类思维的一致性有显著差异。为此,本文结合模糊数学理论,首先介绍了模糊层次分析法(Fuzzy - AHP) FAHP ,然后用FAHP对公共场所安全性指标权重进行了处理。 1. 1 模糊一致矩阵及有关概念[4 ,5 ] 1. 1. 1 定义1. 1 设矩阵R = ( rij) n×n ,若满足: 0 ≤( rij) ≤ 1 , ( i = 1 ,2 , ……n , j = 1 ,2 , ……n)，则称R 为模糊矩阵 1. 1. 2 定义1. 2 若模糊矩阵R = ( rij) n×n ,若满足: Πi , j , k 有rij= rik - rij + 0. 5 ,则称模糊矩阵R 为模糊一致矩阵。 1. 1. 3 定理1. 1 设模糊矩阵R = ( rij) n×n是模糊一致矩阵,则有 (1) Πi ( i = 1 ,2 , …n) ,则rij = 0. 5 ; (2) Πi , j ( i = 1 ,2 , …n , j = 1 ,2 , …n) ,有rij + rji= 1 ; (3) R 的第i 行和第i 列元素之和为n ; (4)从R 中划掉任一行及其对应列所得的矩阵仍然是模糊一致矩阵; (5) R 满足中分传递性,即当λ≥0. 5 时,若rij≥λ, rjk ≥λ,则rij ≥λ;当λ≤0. 5 时,若rij ≤λ, rjk ≤λ,则rij ≤λ。(证明见文献1) 。 1. 1. 4 定理1. 2 模糊矩阵R = ( rij) n×n是模糊一致矩阵的充要条件是任意指定行和其余各行对应元素之差是一个常数。 1. 1. 5 定理1. 3 如果对模糊互补矩阵 F = ( f ij) n×n按行求和,记为ri = 6nk = 1f ik ( i = 1 ,2 , …, n) ,并施之如下数学变换:rij =ri - rj2 m + 0. 5 (1)，则由此建立的矩阵是模糊一致的。 1. 2 模糊一致判断矩阵的建立 模糊一致判断矩阵的建立R 表是针对上一层某元素,本层次与之有关元素之间相对重要性的比较,假定上一层次元素T 同下一层次元素a1 , a2 ,…, an 有关系,则模糊一致判断矩阵可表示为: rij的实际意义是:元素ai 和元素aj 相对于元素T 进行比较时, ai 和aj 具有模糊关系“…比…重要得多”的隶属度,表1采用0. 1～0. 9 数量标度来说明其模糊关系。

求判断矩阵权重以及最大特征值 MATLAB程序

求权重程序 A=[1,1/3,3,1;3,1,7,3;1/3,1/7,1,1/5;1,1/3,5,1]; %求得x为特征向量矩阵，y为特征值矩阵[x,y]=eig(A); %找到y中对应最大的特征值所在列m [maxy,m]=find(y==max(max(y))); %w即为矩阵A的权重！ w=x(:,m)/sum(x(:,m)) 结果： w= 0.1881 0.5347 0.0597 0.2175 求最大特征值 b=[1,1/3,3,1;3,1,7,3;1/3,1/7,1,1/5;1,1/3,5,1] [v,d]=eig(b) r=abs(sum(d)); n=find(r==max(r)); max_d_b=d(n,n)%最大特征根 max_v_b=v(:,n)%最大特征根所对应的特征向量 结果： b= 1.00000.3333 3.0000 1.0000

3.0000 1.00007.0000 3.0000 0.33330.1429 1.00000.2000 1.00000.3333 5.0000 1.0000 v= 0.3083-0.4859-0.1383-0.0804i-0.1383+0.0804i 0.87650.8503-0.8693-0.8693 0.09790.00000.0514+0.1126i0.0514-0.1126i 0.35650.20240.3162-0.3216i0.3162+0.3216i d= 4.0571000 0-0.000000 00-0.0285+0.4804i0 000-0.0285-0.4804i max_d_b=4.0571最大特征根 max_v_b=最大特征根所对应的特征向量 0.3083 0.8765 0.0979 0.3565

模糊层次分析法基本理论基础

模糊层次分析法基本理论基础 FAHP及计算过程层次分析法(AHP)是20世纪70年代美国运筹学家T.L.Saaty教授提出的一种定性与定量相结合的系统分析方法，该方法对于量化评价指标，选择最优方案提供了依据，并得到了广泛的应用。然而，AHP存在如下方面的缺陷：检验判断矩阵是否一致非常困难，且检验判断矩阵是否具有一致性的标准CR<0.1缺乏科学依据;判断矩阵的一致性与人类思维的一致性有显著差异。 为此，结合模糊数学理论，首先介绍了模糊层次分析法(Fuzzy-AHP)FAHP，然后用FAHP对公共场所安全性指标权重进行了处理。 1.1模糊一致矩阵及有关概念 1.1.1定义1.1 设矩阵R=(rij)n×n，若满足:0≤(rij)≤1，(i=1，2，……n，j=1，2，……n)，则称R为模糊矩阵 1.1.2定义1.2 若模糊矩阵R=(rij)n×n，若满足:Πi，j，k有rij=rik-rij+0.5，则称模糊矩阵R为模糊一致矩阵。 1.1.3定理1.1 设模糊矩阵R=(rij)n×n是模糊一致矩阵，则有 (1)Πi(i=1，2，…n)，则rij=0.5; (2)Πi，j(i=1，2，…n，j=1，2，…n)，有rij+rji=1;

(3)R的第i行和第i列元素之和为n; (4)从R中划掉任一行及其对应列所得的矩阵仍然是模糊一致矩阵; (5)R满足中分传递性，即当λ≥0.5时，若rij≥λ，rjk≥λ，则rij≥λ;当λ≤0.5时，若rij≤λ，rjk≤λ，则rij≤λ。(证明见文献1)。 1.1.4定理1.2 模糊矩阵R=(rij)n×n是模糊一致矩阵的充要条件是任意指定行和其余各行对应元素之差是一个常数。 1.1.5定理1.3 如果对模糊互补矩阵F=(fij)n×n按行求和，记为ri=6nk=1fik(i=1，2，…，n)，并施之如下数学变换:rij=ri-rj2m+0.5(1)，则由此建立的矩阵是模糊一致的。 1.2模糊一致判断矩阵的建立 模糊一致判断矩阵的建立R表是针对上一层某元素，本层次与之有关元素之间相对重要性的比较，假定上一层次元素T同下一层次元素a1，a2，…，an有关系，则模糊一致判断矩阵可表示为: rij的实际意义是:元素ai和元素aj相对于元素T进行比较时，ai

层次分析法判断矩阵求权值以及一致性检验程序

fun cti on [w,CR]=mycom(A,m,RI) [x,lumda]二eig(A); r=abs(sum(lumda)); n=fin d(r==max(r)); max_lumda_A=lumda( n,n); max_x_A=x(:,n); w=A/sum(A); CR=(max_lumda_A-m)/(m-1)/RI; end 本matlab程序用于层次分析法中计算判断矩阵给出的权值已经进行 致性检验。 其中A为判断矩阵，不同的标度和评定A将不同。 m为A的维数 RI为判断矩阵的平均随机一致性指标：根据m的不同值不同。 RI值 当CRV0.1时符合一致性检验，判断矩阵构造合理下面是层次分析法的简介，以及判断矩阵构造方法。

一?层次分析法的含义 层次分析法（The analytic hierarchy process ）简称AHP，在20 世纪70年代中期由美国运筹学家托马斯塞蒂（「L.Saaty ）正式提出。它是一种定性和定量相结合的、系统化、层次化的分析方法。由于它在处理复杂的决策问题上的实用性和有效性，很快在世界范围得到重视。它的应用已遍及经济计划和管理、能源政策和分配、行为科学、军事指挥、运输、农业、教育、人才、医疗和环境等领域。 二?层次分析法的基本思路与人对一个复杂的决策问题的思维、判断过程大体上是一样的。 （1）层次分析法的原理 层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后得用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。这里所谓优先权重”是一种相对的量度，它表明各备择方案在某一特点的评价准则或子目标，标下优越程度的相对量度，以及各子目标对上一层目标而言重要程度的相对量度。层次分析法比较适合于具有分层交错评价指标的目标系统，而且目标值又难于定量 描述的决策问题。其用法是构造判断矩阵，求出其最大特征值。及其所对应的特征向量W，归一化后，即为某一层次指标对于上一层次某相关指标的相对重要性权值。 （2）层次分析法的步骤 a）建立系统的递阶层次结构； b）构造两两比较判断矩阵；（正互反矩阵）

层次分析法判断矩阵求权值以及一致性检验程序(20210228092109)

function [w f CR]=mycom(A,m z RI) [x,lumda]=eig(A); r=abs(sum(lumda)); n=find(r==max(r)); max_lumda_A=1umda(n,n); max_x_A=x(:,n); w=A/sum(A); CR=(max_lumda_A-m)/(m-1)/RI; end 木matlab程序用于层次分析法中计算判断矩阵给岀的权值己经进行一致性检验。 其中A为判断矩阵，不同的标度和评定A将不同。 m为A的维数 RI为判断矩阵的平均随机一致性指标：根据m的不同值不同。 RI值 当CR<0.1时符合一致性检验，判断矩阵构造合理。 下而是层次分析法的简介，以及判断矩阵构造方法。

一.层次分析法的含义 层次分析法(The analytic hierarchy process)简称AHP,在20 世纪 70年代中期由美国运筹学家托马斯?塞蒂(T.L.Saaty)正式提出。它 是一种------------ 定性和定量相结合的、系统化、层次化的分析 方法。由于它在处理复朵的决策问题上的实用性和有效性，很快在世 界范围得到重视。它的应用——己遍及经济计划和管理、能源政策 和分配、行为科学、军事指挥、运输、 ----------- 农业、教育、人 才、医疗和环境等领域。 二.层次分析法的基木思路与人对一个复杂的决策问题的思维、判断过程大体上是一样的。 (1)层次分析法的原理 层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后得用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重, 最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。这里所谓“优先权重”是一种相对的量度，它表明各备择方案在某一特点的评价准则或子目标，标下优越程度的相对量度，以及各子目标对上一层目标而言重要程度的相对量度。层次分析法比较适合于具有分层交错评价指标的目标系统，而且目标值又难于定量描述的决策问题。其用法是构造判断矩阵，求出其最大

权重确定方法归纳

权重确定方法归纳 多指标综合评价是指人们根据不同的评价目的，选择相应的评价形式据此选择多个因素或指标，并通过一定的评价方法将多个评价因素或指标转化为能反映评价对象总体特征的信息，其中评价指标与权重系数确定将直接影响综合评价的结果。 按照权数产生方法的不同多指标综合评价方法可分为主观赋权评价法和客观赋权评价法两大类，其中主观赋权评价法采取定性的方法由专家根据经验进行主观判断而得到权数，然后再对指标进行综合评价，如层次分析法、综合评分法、模糊评价法、指数加权法和功效系数法等。客观赋权评价法则根据指标之间的相关关系或各项指标的变异系数来确定权数进行综合评价，如熵值法、神经网络分析法、TOPSIS法、灰色关联分析法、主成分分析法、变异系数法等。两种赋权方法特点不同，其中主观赋权评价法依据专家经验衡量各指标的相对重要性，有一定的主观随意性，受人为因素的干扰较大，在评价指标较多时难以得到准确的评价。客观赋权评价法综合考虑各指标间的相互关系，根据各指标所提供的初始信息量来确定权数，能够达到评价结果的精确但是当指标较多时，计算量非常大。下面就对当前应用较多的评价方法进行阐述。 一、变异系数法 （一）变异系数法简介 变异系数法是直接利用各项指标所包含的信息，通过计算得到指标的权重。是一种客观赋权的方法。此方法的基本做法是：在评价指标体系中，指标取值差异越大的指标，也就是越难以实现的指标，这样的指标更能反映被评价单位的差距。例如，在评价各个国家的经济发展状况时，选择人均国民生产总值(人均GNP)作为评价的标准指标之一，是因为人均GNP不仅能反映各个国家的经济发展水平，还能反映一个国家的现代化程度。如果各个国家的人均GNP没有多大的差别，则这个指标用来衡量现代化程度、经济发展水平就失去了意义。 由于评价指标体系中的各项指标的量纲不同，不宜直接比较其差别程度。为了消除各项评价指标的量纲不同的影响，需要用各项指标的变异系数来衡量各项指标取值的差异程度。各项指标的变异系数公式如下：

不同空间权重矩阵在疟疾空间分布模式分析中的探讨

不同空间权重矩阵在疟疾空间分布模式分析中的探讨苏茜1,冯子健2,蒋敏1,李晓松1,刘世安1,万华1 【摘要】　目的　探索不同空间权重矩阵在疟疾发病的空间自相关性以及空间分布模式中的适用性及其应用价值。方法　采用Queen权重、距离阈值权重、K最邻近点权重生成不同的空间权重矩阵,应用G eoDa和R软件对疟疾的全局和局域空间自相关模式进行分析。结果　3种权重矩阵均显示2005-2007年云南疟疾全局Moran’sⅠ系数有统计学意义,2006年聚集性最强;局域显示3年均存在滇西部的“正热点”区域,2007年新增西北部“正热点”,部分“负热点”随着发病扩散逐渐有高发病趋势;全局Moran’sⅠ系数在最小距离阈值和K=3时取最大值,探测热点时距离阈值权重更易使聚集区域扩大,K最邻近点权重不容易发现低值聚集。结论　应用不同的空间权重矩阵得到的热点区域存在一定差异,结合不同的空间权重矩阵进行分析,有助于加深对疟疾发病空间分布模式和流行蔓延趋势的认识。 【关键词】　疟疾;空间自相关;空间权重矩阵 【中图分类号】R181;R531.3 【文献标识码】A 【文章编号】167423679(2010)0520419202 An analysis of spatial distribution pattern of m alaria using different spatial w eight m atrixes　SU Qian1,FEN G Z i2jian2,J IAN G Min1,L I Xiao2song1,L IU Shi2an1,WAN Hua1.　1.Depart ment of Biostatistics,School of West China Public Health,Sichuan U niversity,Chengdu　610041,China; 2.Chinese Center f or Disease Cont rol and Prevention,Beijing　102206,China 【Abstract】　Objective　To analyze the spatial autocorrelation and to explore the spatial distribution pat2 tern of malaria using different spatial weight matrixes.Methods　Based on Queen weight matrix, threshold weight matrix and K2nearest neighbor weight matrix,the spatial autocorrelation was carried out by G eoDa0.9.52i and R2.7.2software.R esults　The three weight matrixes showed that the global Moran’sⅠcoefficient was the largest in2006,the statistic showed that there was a high2value cluster region in the west of Yunnan in the three continuous years,and a new high2value cluster region in the west2north,some low2value cluster regions had a trend of high incidence.The global Moran’sⅠcoeffi2 cient had the largest value while the smallest threshold and K=3.The threshold weight tended to detect more cluster regions,and K2nearest neighbor weight was not good at detecting low2value cluster regions. Conclusions　The cluster regions were different when using different weight https://www.360docs.net/doc/d410375057.html,bining dif2 ferent weight matrixes to do spatial autocorrelation analysis can explore the spatial distribution of malaria and provide theoretical basis for further prevention and control. 【K ey w ords】　Malaria;Spatial autocorrelation;Spatial weight matrixes (Chin J Dis Cont rol Prev2010,14(5):4192422) 疟疾是通过按蚊叮咬传播疟原虫引起的寄生虫病。云南省是我国疟疾主要流行区,多年来发病数和死亡数一直居全国之首(仅2005年次于安徽省),也是该省10种自然疫源性疾病中发病最重的一种 【基金项目】国家卫生公益性行业科研专项项目(200802133);教育部科学技术研究重点项目 (109135) 【作者单位】1四川大学华西公共卫生学院卫生统计学教研室,四川成都　610041 2中国疾病预防控制中心,北京　102206 【作者简介】苏茜(1984-),女,四川巴中人,在读硕士研究生。主要研究方向:统计方法在流行病学中的 应用。 【通讯作者】李晓松,E2mail:lixiaosong1101@https://www.360docs.net/doc/d410375057.html, (占1999-2008年间10种疾病发病总数的93.23%)[1]。云南作为旅游大省,共有12个国家一类口岸,流动人口数量众多,主要疟区普遍存在适宜媒介传播疟疾的自然条件,在有传染源输入的情况下极易发生疟疾疫情回升[2],全省16个州(市)129个县(市)呈现的发病程度不一的空间分布模式也可能发生相应变化。 空间自相关分析技术用于对同一变量在不同空间位点的值进行相关性分析,寻找出观察变量是否具有地域聚集性,而疾病的地域聚集性大小可反映出疾病的分布规律、流行趋势及其相关因素[3]。疟疾分布与气象、土壤以及当地的经济和社会因素(人

求判断矩阵权重以及最大特征值 MATLAB程序

求权重程序 A = [1,1/3,3,1;3,1,7,3;1/3,1/7,1,1/5;1,1/3,5,1]; % 求得x为特征向量矩阵，y为特征值矩阵 [x,y] = eig(A); % 找到y中对应最大的特征值所在列m [maxy, m] = find(y==max(max(y))); % w即为矩阵A的权重！ w = x(:,m)/sum(x(:,m)) 结果： w = 0.1881 0.5347 0.0597 0.2175 求最大特征值 b=[1,1/3,3,1;3,1,7,3;1/3,1/7,1,1/5;1,1/3,5,1] [v,d]=eig(b) r=abs(sum(d)); n=find(r==max(r)); max_d_b=d(n,n)%最大特征根 max_v_b=v(:,n)%最大特征根所对应的特征向量 结果： b = 1.0000 0.3333 3.0000 1.0000

3.0000 1.0000 7.0000 3.0000 0.3333 0.1429 1.0000 0.2000 1.0000 0.3333 5.0000 1.0000 v = 0.3083 -0.4859 -0.1383 - 0.0804i -0.1383 + 0.0804i 0.8765 0.8503 -0.8693 -0.8693 0.0979 0.0000 0.0514 + 0.1126i 0.0514 - 0.1126i 0.3565 0.2024 0.3162 - 0.3216i 0.3162 + 0.3216i d = 4.0571 0 0 0 0 -0.0000 0 0 0 0 -0.0285 + 0.4804i 0 0 0 0 -0.0285 - 0.4804i max_d_b = 4.0571最大特征根 max_v_b =最大特征根所对应的特征向量 0.3083 0.8765 0.0979 0.3565

利用STATA创建空间权重矩阵及空间杜宾模型计算命令0001

**创建空间权重矩阵介绍 气殳置默认路径 cd C:\Users\xiubo\Desktop\F182013.v4\F101994\sheng "创建新文件 *shp2dta:reads a shape (.shp) and dbase (.dbf) file from disk and converts them into Stata datasets ?*shp2dta:读取CHN_adml 文件 ?CHN^adml：为已有的地图文件 *database {chinaprovince)：表示创建一个需称为u chinaprovince °的dBase 数据集 *database(filename)： Specifies filename of new dBase dataset *coordinates(coord)：创建一个称为“coord”的坐标系数据集 *coordinates(file name)： Specifies file name of new coordi nates dataset *gencentroids(stub)： Creates centroid variables *genid(newvarname)： Creates unique id variable for database.dta shp2dta using CHN_adml z database (chinaprovince) coordinates(coord) genid(id) gencentroids(c) "绘制2016年中國GDP分布圖 *spmap:Visualization of spatial data *clnumber(#):number of classes *id(idvar):base map polygon identifierf识别符，声明变量名，一般以字母:或卞划线开头，包含数字、字母、下划线) ?_2016GDP：变量 *coord:之前创建的坐标系数据集 spmap _2016GDP using coord, id(id) clnumber(5) *更改变虽:名 rename x_c Iongitude rename y_c latitude