灰色关联分析

所属分类：综合评价

这个方法是做什么的

灰色关联分析衡量的是几条序列的折线形状有多接近。你要指定一条母序列（参考序列，不指定时取各特征序列的逐时点均值），其余的是特征序列（比较序列）。序列先做无量纲化，再逐时点算关联系数 ξ(t) = (Δmin + ρ·Δmax)/(Δ(t) + ρ·Δmax)，各时点取算术平均即得邓氏关联度，取值域 (0, 1]，越大表示与母序列越贴合。

注意本模块排的是特征序列，不是评价对象——它回答“哪个指标与这条综合指数走得最近”，不回答“哪个地区综合表现最好”。除了邓氏关联度，第二张卡还给逐时点的关联系数矩阵（可以看出关联在哪些时点强、哪些时点弱），以及广义关联度三件套：绝对关联度看原始折线的几何相似度、相对关联度看变化速率、综合关联度取两者各半。第一张卡额外放了一张 Pearson r、Spearman ρ 与邓氏关联度的对照表——它们不是同一个概念，演示数据上“人均GDP”的 Pearson r 高达 0.985 却只排关联度第 2（0.686），“医护比”r=0.907 反而以 0.772 排第 1。

需要准备什么数据

• 放入特征序列 [定量] 变量（可选）：至少 2 个，定量变量（数值）
• 放入母序列 [定量] 变量（可选）：1 个，定量变量（数值）
• 放入索引项 [定类] 变量（可选）：1 个，定类变量（分组/标签）

数据要求

• 数据表至少 4 行。
• 单列缺失率不超过 30%。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 想知道一组指标里哪几个与某个总量／综合指数的走势最贴合，用来筛选后续建模要放哪些变量
• 样本量很小、时点很少，做不了需要抽样分布的推断方法
• 数据信息不完全、只想要一个可解释的相似度排序，不追求显著性结论
• 需要同时从“折线形状”和“变化速率”两个角度交叉验证同一个结论

前提是每条序列的首个观测值不得为 0（初值化与相对关联度以首值为基准），选“均值化”时还要求均值不为 0；序列长度建议不少于 4 个时点。第一张卡会把这两个条件逐条打勾核给你看。

什么时候不要用它

• 你要排的是评价对象而不是指标：用「优劣解距离法(TOPSIS)」「多准则妥协解排序法(VIKOR)」或「秩和比综合评价法(RSR)」，它们的输出才是对象名次。
• 你需要 p 值、置信区间或“显著相关”这样的结论：改用「Pearson相关性分析」或「Spearman相关分析」，本方法没有原假设，也没有抽样分布。
• 你要的是一套可用于加权求和的指标权重：用「熵值法」「CRITIC权重法」或「变异系数法」。
• 你想量化一个变量对另一个变量的影响大小并做检验：用「线性回归 (最小二乘法)」。
• 数据是等间隔时间序列，你要做的是外推预测：用「灰色预测模型GM(1,1)」或「时间序列分析(ARIMA)」。
• 你想按走势把序列分成几组，而不是排序：用「聚类分析(K-Means)」。

容易误读的地方

• 换一种无量纲化方式，第一名会换人。 同一份演示数据实测：均值化下“医护比”以 0.7717 居首；改成“不处理”后“人均GDP”以 0.9174 反超，医护比退到第 2。第四张卡的对照行也报了这次易位（Spearman ρ 掉到 0.5000）。三种方式的含义不同——初值化强调增长倍数、均值化强调相对水平、不处理保留原始量级——必须按研究问题选，并在文中写明，不能试到顺眼为止。
• 分辨系数 ρ 改的是数值刻度，不是次序。 演示数据上 ρ 从 0.5 降到 0.1，“科研经费”的关联度从 0.6536 掉到 0.2418，看着像“关联变弱了”，但五档 ρ 的排序 Spearman 全是 1.0000。ρ 越小各序列被拉得越开、越容易区分，这是尺度效应。所以关联度的绝对数值跨研究不可比，能拿去比较的只有同一份设定下的相对排序。
• 关联度高不等于相关系数高，反过来也一样。 灰色关联度比的是折线的逐点接近程度：一条与母序列完全平行、只是整体高出一截的序列，Pearson r 可以是 1，关联度却不会高。第一张卡把两套指标并排放在一起，就是为了让这种分歧显形；看到分歧不要挑对自己有利的那个报。
• 邓氏关联度与综合关联度的排序可能不一致。 演示数据上两者的 Spearman ρ 只有 0.5000。这不是算错：前者看逐点差异，后者看整体几何形状与变化速率。分歧说明序列之间“接近的方式”不同，应结合第二张卡的关联系数矩阵与曲线一起解读，而不是只报其中一个。
• 不指定母序列时，量级最大的那个指标几乎注定夺冠。 母序列区留空，系统会用各特征序列的逐时点均值合成一条“均值母序列”，而这条均值取自原始值、未做无量纲化：演示数据里“科研经费”的均值是 180，另两个是 9.5 和 0.95，合成序列基本就是科研经费本身——实测它与母序列的 Pearson r=1.000、关联度 0.9634 稳居第一。这不是发现，是算术。母序列必须由你按研究问题指定，并把选取依据写进方法部分。

报告里有什么

1. 输出结果一：数据概览与前提检验
2. 输出结果二：灰色关联度主结果表
3. 输出结果三：可视化（关联度排序图与关联系数曲线）
4. 输出结果四：分辨系数与无量纲化方式的敏感性分析
5. 输出结果五：结论与学术表述