QLab增加熵权-topsis模块
熵权TOPSIS 法是将熵权法的客观赋权与TOPSIS
法的多属性决策排序相结合，在TOPSIS
法构造加权规范化矩阵的过程中，利用熵权法得到的权重加以运算，如此一来，将客观的赋权方法与严谨的多维排序巧妙联系，帮助决策者进行科学评价。
熵权-Topsis的计算步骤主要分为两大步，首先是用熵权法得到指标权重，然后是用Topsis计算相对贴近度。
熵权法部分可以参考之前的推文，这里介绍Topsis部分：
1、对原始矩阵进行处理
如果有负向指标，取倒数，做趋同化处理，得到新的决策矩阵，然后使用如下公式得到规范化决策矩阵。
2、构造加权规范化矩阵，传统的topsis是利用人为给定的权重加以计算，主观因素会影响最后的排序结果，这里采用的是熵权法得到的权重，避免主观因素。具体操作是将规范化决策矩阵中的每一个向量与该向量对应的指标权重相乘，从而得到加权规范化矩阵。
3、确定正负理想解
其中，正理想解为正向指标的最大值和负向指标的最小值组成的集合；负理想解为正向指标的最小值和负向指标的最大值组成的集合。
4、计算欧氏距离
分别计算待评价对象到这两个标杆的欧氏距离， ...
R包安装时提示“退出状态的值不是0”
在安装R包的arulesViz包的时候，总是失败，最后的提示就是这个错误。当时没有截图，大家知道我说的是这个就好了。
总结一下我的解决之路：
1、把R和rstudio都卸载，换上最新版本
2、把之前安装下载的R包，找到那个缓存路径，就是C盘中的downloaded_packages，里面内容全部删除。
3、重新安装aruleViz包，中间有个弹窗，选择否！！！
安装完毕，可以愉快地使用了。
莫兰指数计算小工具
关于全局莫兰指数和局部莫兰指数，网上有很多介绍了，就不再赘述。
目前的教程，基本是基于R，stata，或者ArcGIS，操作不是很友好，大多数需要一个shp文件来，而且有些人又希望自定义空间权重矩阵，就不是很方便。
因此写了这个小工具，主要特点是，依然只需要用户准备好数据，打开小工具，就能得到莫兰指数散点图，以及对应的excel结果文件，包含全局莫兰指数及对应的Z值、P值；局部莫兰指数及对应的Z值、P值；画莫兰指数散点图用的数据，如果用户想进一步美化软件自动生成的散点图，可以根据数据自行画图。
特别地，不管是一年还是多年的数据，该工具都可以一次性计算出莫兰指数，并画出莫兰散点图。
部分结果如下图：
结果和stata的结果比对过，基本一致，可放心使用。
有需要联系微信canglang12002
如果您有DEA模型定制，数值计算，运筹优化等方面的需求，也欢迎联系！
往期推荐：
Panda_DEA增加至强有效前沿最近距离-MinDS模型
QLab增加耦合协调度模型
广义SBM模型的matlab代码
QLab1.4正式发布！增加全排列多边形图示指标法
大量数据时的 ...
Panda_DEA增加至强有效前沿最近距离-MinDS模型
Panda_DEA1.3版本正式发布，主要有以下变化：
1、增加了两阶段网络DEA模型；
2、增加了两种零和博弈ZSG模型，并根据文献常用做法，自动迭代到各DMU效率值为1；
3、增加了至强有效前沿最近距离-MinDS模型，并为此支持外接Gurobi和GLPK两种求解器，显著提高求解速度。
4、界面美化。
目前它的界面是这样的：
是这样的：
好看多了
下面主要介绍MinDS模型：
MinDS 模型在SBM 模型的基础上增加了一组混合整数线性约束，使得被评价DMU
的参考标杆位于同一个超平面内，进而通过求解混合整数线性规划来获得MinDS
模型的效率值。同SBM 模型相比，MinDS 模型的优势在于能够使无效DMU
实现以较小的平均改进比例即可达到完全有效状态。
根据Aparicio（2007）的做法，求解MinDS模型的效率，分为两步，第一步，求解SBM模型：
第二步，根据第一步，得到效率值为1的DMU，组成新的参考集，求解如下模型，得到MinDS模型的效率值：
其中,Q（即软件中的M值）是一个比较大的正数，对于不同的求解器，M的值可能 ...
VSCode中使用armadillo+openblas的详细步骤
armadillo是C++中非常好用的一个线性代数运算库，有着和matlab非常相似的语法，可以非常方便的将matlab代码转移到C++中。
但是单纯的armadillo库，运算性能比较有限，如果加上开源的openblas，会极大提高矩阵运算性能。百度了下，基本上都是在VS2019中使用armadillo和openblas的教程，我大多数时候写的都是一些小项目，用VS未免有些杀鸡用牛刀的感觉，还是VSCode，好看又好用。百度了下，还没有看到相关的VSCode配置armadillo+openblas的教程，摸索了一下，总结经验如下：
第一步：openblas官网下载编译好的版本，网址：https://github.com/xianyi/OpenBLAS/releases，解压到任意盘，最好不要有中文路径，避免出错。
根据自己的情况，下载64位或32位版本。
第二步：下载armadillo，只需要其中的include文件夹即可，然后放在项目文件夹下，用vscode打开该项目文件夹。
armadillo网址：https://arma.sourceforge.net/downl ...
QLab增加耦合协调度模型
QLab新版本增加了耦合协调度模型，同时对界面做了一定程度的更新，模型被分为经济模型和评价模型两个类别。
耦合模型是从物理学中演变而来，它所体现的是两个系统之间通过彼此的相互作用互相影响，耦合度是对不同系统耦合程度的定量描述。
其中，耦合协调度C的计算公式如下：
协调发展度D的计算公式如下:
软件界面如下：
QLab界面
可以计算二元及以上子系统的协调耦合度，在计算协调发展度D的时候，提供平均权重和自定义权重两种方式供用户选择，操作还是一如既往的简单，只需准备好数据即可。
有需要购买软件，请联系微信canglang12002
往期推荐：
广义SBM模型的matlab代码
QLab1.4正式发布！增加全排列多边形图示指标法
大量数据时的Dagum基尼系数分解工具
Panda-DEA_1.0正式发布！
含有非期望产出的ZSG-DEA模型
两阶段网络DEA模型及其计算
Panda-DEA，一款新的DEA模型软件
DKM_1.3更新---CCM收敛交叉映射
DKM_1.2:两阶段嵌套泰尔指数工具
DKM_1.1--新增熵值法功能
数量 ...
三行R代码搞定山脊图绘图
有时候我们对比几组数据的分布情形，需要把几组数据的分布叠加在一起，这就用到山脊图了。
今天带来一个最简单的山脊图绘图教程。所需要的数据是这样：
原始数据
非常简单，一列是数据，一列是年份。然后我们导入包ggridges和ggplot2，并读取数据：
123library("ggplot2")library("ggridges")df <- read.csv('G:/test1.csv')
然后使用ggplot和geom_density_ridges这两个函数来绘图：
123df %>% ggplot(aes(x = Score, y = year,group=year)) + geom_density_ridges()
效果如下：
这里的数据，其实是2006年到2019年，这里的刻度是默认的形式，已经很美观，如果想自定义，可以这样做：
1234567dd<-df %>% ggplot(aes(x = Score, y = year,group=year) ...
VAR模型的matlab代码
var模型的matlab代码，摘自：https://sites.google.com/site/jnakajimaweb/var
12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273747576777879808182838485868788899091929394959697989910010110210310410510610710810911011111211311411511611711811912012112212312412512612712812913013113213313413513613713813914014114214314414514614714814915015115215315415515615715815916016116216316416516616716816917017117217317417517617717817918018 ...
广义SBM模型的matlab代码
今天推出的依然是DEA模型---广义SBM模型。
该模型在对有效决策单元做进一步排序时参考集是保持不变的，通过移动因子的变化，可以有效
预测有效决策单元的下一步变化。
该模型的规划式如下：
模型1
其中的δ参数为0时为规模报酬不变情况，为1时表示规模报酬可变情况，d为移动因子。
当决策单元（x，y）不属于T（d）时，模型1没有可行解，为了进一步计算决策单元效率值，提出改进模型，其规划式如下：
模型2
这里使用matlab实现了模型2。论文结果与计算结果对比如下：
结果对比
有需要的联系我微信canglang12002
参考文献：
[1]孙娜,那日萨,马占新.基于样本评价的广义SBM的效率度量方法[J].系统工程,2019,37(06):107-118.
[2]孙娜,那日萨,马占新.基于样本评价的广义SBM方法及其有效性[J].系统工程,2019,37(03):132-140.
Panda_DEA增加RAM-DEA和BAM-DEA模型
今天要更新的是DEA模型中的RAM和BAM模型，这两个模型已经加入到新版本的Panda_DEA中，可以很方便地计算其效率值。
RAM-DEA是1998年由Aida和Cooper等提出的一种非径向DEA模型，由于该模型构建对投入产出指标的设计考虑了指标之间的相互影响效应，并对这些效应进行了定性分析，因此得到了广泛的研究与应用。
相比于传统DEA及衍生模型，RAM-DEA模型的长处在于可以涵盖多类投入产出指标，目标函数的设计考虑到指标数量与数据极差对结果的影响，使得测算出的效率值不会因指标数量变化产生偏差。决策单元的投入产出指标数不再影响最优方案选择，也不需要对原始数据进行预处理。
基本的RAM-DEA模型规划式如下：
经济效率为：1-RAMp，效率值在0到1之间。
上式中，Rnx表示决策单元K中第n种投入要素的最大值与最小值之差，Rmy表示决策单元K中第m种期望产出的最大值与最小值之差。
BAM模型
由于RAM模型中的参数是由投入和产出的极差构成，会出现无效率值过小，因此导致不同的决策单元效率极为接近，难以有效区分的情形，因此Cooper
et
al( ...
