Сценарный подход в анализе инновационных проектов

При выполнении первого условия (4.12) делается вывод о том, что исходная выборка X характеризуется параметрической моделью (высказывания экспертов согласованы). При выполнении второго условия (4.4) делается вывод о том, что в исходной выборке X при­сутствуют " засоряющие" значения х ’, которые характеризуют степень рассогласованности экспертных высказываний. Данные значения не­обходимо выделить с целью приведения X к распределению ^(х).

2.      Для этого выполняется второй шаг итерационной процеду­ры, который заключается в том, что оценка Х выводится из рассмо­трения, задается пороговая точка, например £ = 0,1, и вычисляются усеченные оценки х_а1 = 0,1,х_а2,...,х_тед .

На данном шаге решающее правило классификации принимает вид

^Ха₁ ^{— Х}а₂ ^{- 5,}

^₀( х) ^{с К},

|^Х а1 ^{— Х}а₃| ^{- 5},

^Х а1 ^{— Х}теА ^{- 5;}

где Iе [1,2,...,п]. (⁴.5)

^Х а! ^{— Х}а2 > ⁵

Х а₁ — Х_а I > 5,

Если выполняется первое условие (4.5), то можно сделать вы­вод, что после усечения исходного вариационного ряда по уровню а = 0,1 оставшаяся часть значений примет вид искомой параметри­ческой модели ^(х). Выполнение второго условия (4.5) свидетельст­вует о том, что оценка х_а1 не справилась со всеми "засоряющими"

значениями х , а значит, их удельный вес больше, чем заданный точ­кой £₁ = а = 0,1 пороговый.

3.     В этом случае оценка х_а1 выводится из дальнейшего рассмот­рения и задается очередная пороговая точка, например £₂ = 0,2, вы­числяются оценки х_а2 = 0,2, х_а3, х_тес1 и решающее правило классифи­кации записывается в виде, аналогичном (4.4) и (4.5).

4.     Итерационная процедура заканчивается при достижении по­роговой точки £ = 0,5, при которой х . теряет свои свойства устой-

¹                                 тах ^{7 7 1                                      1}          теа ¹                                          ^

чивости и становится резко чувствительной оценкой по величине сме­щения. При дальнейшем увеличении £ (£ > 0,5) медиана опять вос­станавливает свои свойства устойчивости (см. рис.4.2), однако в этом случае "засоряющие" данные будут уже интерпретированы как од­нородные.

Необходимо отметить, что описанный подход позволяет рабо­тать не только с резко выделяющимися значениями данных, но и с данными, отличие которых от основной совокупности не может быть определено однозначно. Это позволяет получать не только несме­щенные, но и эффективные экспертные оценки.

Выделение однородных групп экспертных данных робастными оценками. Выбор статистических характеристик, используемых при обработке экспертных оценок, зависит от вида их распределения. С практической точки зрения очень важным является вопрос не про вид функции распределения экспертных оценок, а про достаточную согласованность экспертных оценок, полученных вследствие отве­тов экспертов на определенный вопрос.

Практика статистического анализа экспертных оценок позволяет утверждать, что согласованность экспертных оценок определяется унимодальностью функции плотности распределения, а также сте­пенью рассеивания (вариацией) оценок. Однако это утверждение, возможно, приблизительно, поскольку наличие унимодальности функции плотности распределения не есть доказательство строгого соответствия определенному закону. Это подтверждается тем, что достаточно часто унимодальные распределения могут характеризо­ваться наличием эксцесса, асимметрии, так называемых "хвостов". Выявление и анализ перечисленных явлений позволяет выделить группы экспертов, оценки которых были определены как согласо­ванные вследствие унимодальности полученных функций распреде­ления. Это, в свою очередь, дает возможность выделить однород­ные группы экспертов, оценки которых имеют высокую степень со­гласованности.

 

« Содержание

» следующая страница »
1  ... 15 16 17 18 19 2021 22 23 24 25  ... 30