请问一下，如何判断各个影响因素的影响程度的大小啊，用什么方法分析呢？
判断各个影响因素的影响程度，确实是很多分析工作的核心。这就像在厨房里做一道复杂的菜，你需要知道哪种调料放多一点，哪种少放一点，才能调出最好的味道。科学地衡量这些“影响程度”，背后有一套严谨的方法论。下面，我就尽量详细地为你梳理一下，怎么做这件事。
核心思想：量化影响，对比差异
说到底，判断影响程度就是要看：某个因素变化了，对我们关心的结果会产生多大的变化，而且这种变化是多大程度上归因于这个因素本身。
你可以想象一个场景：你想知道，为什么你的网店销售额时高时低？是广告投入、商品价格、用户评价，还是季节变化影响更大？这就需要我们去拆解。
分析方法概览：
根据你的具体情况，可以选择不同的分析方法。这里我列举几个常用的，并解释它们的适用场景和原理：
1. 描述性统计分析（最基础但很重要）
这是什么？ 就是用最直观的数字来描述你的数据，比如平均值、中位数、标准差、最大值、最小值等等。
怎么用？
分组对比： 如果你的影响因素是类别型的（比如“促销活动”是“有”或“无”，“用户来源”是“抖音”、“微信”、“百度”），你可以将你的结果（比如销售额）按照这些类别进行分组，然后计算每个组的平均值或中位数。哪个组的平均值/中位数显著高于其他组，就说明这个类别的影响更大。
相关性分析（简单版本）： 如果影响因素是数值型的（比如“广告投入金额”、“商品价格”），你可以看看这个因素的变化与你的结果（比如销售额）的变化是不是“一起动”。比如，广告投入越高，销售额是不是也越高？可以用散点图来初步观察，看看点是不是呈现出某种趋势。
如何判断程度？
差异大小： 直接比较不同组的平均值或中位数，数值差距越大，说明影响程度差异越大。
变化幅度： 对于数值型因素，观察散点图上的趋势线的斜率。斜率越大，意味着该因素变化一点点，结果变化就很大，影响程度就越高。
优点： 非常直观，容易理解，是后续复杂分析的基础。
缺点： 只能看出相关性，不能直接证明因果关系。而且对于多个因素同时作用的情况，效果有限。
2. 回归分析（最常用、最强大的工具之一）
这是什么？ 回归分析的核心是建立一个数学模型，用一个或多个自变量（影响因素）来预测因变量（你想分析的结果）。它能告诉你，在控制其他因素不变的情况下，某个因素每变化一个单位，结果会变化多少。
怎么用？
选择模型：
线性回归： 最常见的一种，假设自变量和因变量之间是线性的关系。比如，你想分析“广告投入”和“销售额”的关系。
多元线性回归： 当你有多个影响因素时，使用这个。例如，你的模型可能是：`销售额 = 系数1 广告投入 + 系数2 商品价格 + 系数3 用户评价得分 + 常数项`
关键输出——系数（Coefficients）： 回归模型会给你每个自变量一个“系数”。这个系数就是我们衡量影响程度的关键指标。
如何判断程度？
系数的大小（绝对值）： 系数的绝对值越大，说明该因素对结果的影响程度越大。例如，如果广告投入的系数是 2，而商品价格的系数是 100，但要注意单位！如果销售额单位是元，广告投入是元，价格是元，那么这个比较可能有点问题。
标准化系数（Beta系数）： 为了消除不同变量单位不同的影响，我们可以看“标准化系数”（Beta系数）。标准化系数是把所有变量都标准化（均值为0，标准差为1）后得到的回归系数。直接比较不同自变量的标准化系数的绝对值，就能判断其相对影响程度了。 标准化系数的绝对值越大，说明该因素的影响力越强。
P值（Significance）： 回归分析还会给你一个P值，它告诉你这个因素“是否真的有影响”。P值越小（通常小于0.05），说明该因素的影响是统计显著的，不是偶然的。只有统计显著的因素，我们才有意义去讨论其影响程度。
R方（Rsquared）和调整R方（Adjusted Rsquared）： 这两个值告诉我们你的整个模型能解释因变量多少比例的变异。R方越大，说明模型拟合得越好，这些因素的解释力越强。
优点： 非常强大，能量化每个因素的独立影响，还能控制其他因素，并判断影响的显著性。
缺点： 假设变量之间存在线性关系，如果关系很复杂（非线性），可能需要更复杂的回归模型。数据的质量非常重要。
3. 方差分析（ANOVA）
这是什么？ 方差分析主要用于比较两个或多个组（由类别型自变量定义）的均值是否存在显著差异。它能告诉我们，是哪些组之间的差异最大，以及这些差异在多大程度上是由自变量引起的。
怎么用？
假设你想比较不同广告渠道（抖音、微信、百度）对销售额的影响。你可以进行一个单因素方差分析。
ANOVA会计算总的变异（所有销售额数据的总方差），然后将其分解为：
组间方差（Betweengroup variance）： 不同广告渠道的销售额平均值之间差异产生的方差。
组内方差（Withingroup variance）： 每个广告渠道内部销售额的波动产生的方差。
如何判断程度？
F值（Fstatistic）： F值是组间方差与组内方差的比值。F值越大，说明组间差异相对于组内差异越大，表明该因素（广告渠道）对结果（销售额）的影响程度越大。
P值： 和回归分析一样，P值用来判断F值是否统计显著。
事后检验（Posthoc tests）： 如果ANOVA显示整体存在显著差异，事后检验（如Tukey HSD、Bonferroni等）可以告诉你具体是哪些组之间存在显著差异，以及差异的大小。
优点： 适合比较多个类别型影响因素对结果的影响。
缺点： 主要用于类别型自变量，且假设各组数据的方差相等（方差齐性）。
4. 决策树和随机森林
这是什么？ 这是一种机器学习方法。决策树通过一系列“如果那么”的规则来划分数据，最终达到预测结果的目的。随机森林则是由多棵决策树组成的集合，通过投票等方式进行预测，通常比单棵决策树更稳定和准确。
怎么用？
训练一个决策树或随机森林模型，将你的影响因素作为输入，结果作为输出。
如何判断程度？
特征重要性（Feature Importance）： 这是决策树和随机森林模型中最直接衡量影响程度的指标。模型在构建过程中，会衡量每个特征（影响因素）在进行分裂（划分数据）时对降低“不纯度”（比如 gini不纯度或熵）的贡献程度。贡献越大，说明这个特征越重要，影响程度越高。
分裂次数/深度： 在单棵决策树中，一个特征被用来分裂的次数越多，或者它出现在树的越浅层，通常意味着它越重要。
优点： 能处理非线性关系，能自动发现复杂的交互作用，不需要事先假设关系形式。
缺点： 模型解释性相对不如回归分析直观（虽然有特征重要性），尤其是随机森林。
5. Shapley值（更高级的归因方法）
这是什么？ Shapley值是一种源自博弈论的思想，用来公平地分配“收益”（模型预测值与基线值之间的差额）给各个“参与者”（影响因素）。它能告诉你，每个因素对模型预测结果的“贡献”是多少，并且考虑了所有可能的因素组合。
怎么用？
通常与机器学习模型（如梯度提升模型、随机森林等）结合使用。
计算每个样本点上，每个特征的Shapley值。Shapley值的正负表示该特征是提升还是降低了预测结果，其绝对值代表了该特征的贡献大小。
如何判断程度？
平均Shapley值（Mean Absolute Shapley Value）： 计算所有样本中，某个特征Shapley值的绝对值的平均值。这个平均值越大，说明该特征对结果的影响程度越强。
优点： 理论基础扎实，分配公平，能处理特征间的交互作用，解释性强（能说明具体贡献量）。
缺点： 计算量可能较大，尤其是在数据量大或模型复杂时。
选择方法的思考流程：
当你面对一个分析任务时，可以这样思考：
1. 明确你的分析目标和结果指标： 你到底想知道什么结果的变化？（比如：销售额、用户满意度、产品缺陷率等）。
2. 列出所有可能的、你认为会影响这个结果的因素： 尽量全面。
3. 梳理你的数据：
你的结果指标是什么类型的？（连续数值、分类、计数等）
你的影响因素是什么类型的？（连续数值、类别型等）
你的数据量有多大？
你是否有足够多的数据来支持复杂的模型？
4. 根据因素类型选择初步方法：
如果主要是类别型因素对比，可以从描述性统计和方差分析入手。
如果主要是数值型因素，或者想同时考虑多种因素，回归分析是首选。
如果数据关系复杂，或者你想探索潜在的交互作用，可以考虑决策树或随机森林。
5. 考虑模型的假设和局限性： 比如线性回归假设线性关系，ANOVA假设方差齐性。如果数据不满足假设，可能需要数据转换或者选择其他方法。
6. 进行分析并解释结果：
统计显著性是前提： 先看P值，确保影响是真实存在的，而不是巧合。
量化影响程度：
对于回归分析，看标准化系数的绝对值。
对于方差分析，看F值和事后检验的差异大小。
对于决策树/随机森林，看特征重要性。
对于Shapley值，看平均绝对Shapley值。
进行多角度验证： 如果可能，用不同方法进行分析，看结果是否一致。比如，先用回归分析，再用随机森林看看特征重要性是不是也指向同一批关键因素。
举个例子，更具体一点：
假设你想分析为什么一个电商平台的广告点击率（CTR）忽高忽低。
结果指标： CTR（一个百分比，可以看作连续数值）。
潜在影响因素：
广告素材类型： （图片、视频、图文混排） 类别型
投放渠道： （抖音、微信、今日头条） 类别型
广告投放时间段： （早晨、中午、晚上、深夜） 类别型
广告预算： （每天投入多少钱） 数值型
目标人群画像： （年龄段、性别、兴趣偏好） 可能需要编码为数值或类别型
关键词匹配度： （与用户搜索词的匹配程度） 数值型
分析步骤：
1. 描述性统计：
计算不同广告素材类型、投放渠道、时间段的平均CTR。哪个最高？
画出广告预算和CTR的散点图，看是否有趋势。
2. 多元线性回归：
将所有类别型因素进行独热编码（Onehot Encoding），如“素材类型”变成“素材_图片”、“素材_视频”等几个新变量。
建立模型：`CTR = b0 + b1预算 + b2素材_视频 + b3素材_图文 + b4渠道_微信 + b5渠道_今日头条 + b6时间段_中午 + ... + e`
查看每个系数的P值。如果P值都小于0.05，说明这些因素的统计上显著影响CTR。
重点看标准化系数（Beta系数）： 假设我们得到以下标准化系数：
预算：0.35
视频素材：0.48
微信渠道：0.20
深夜投放：0.30
从标准化系数来看，视频素材的影响力（绝对值0.48）最大，深夜投放（绝对值0.30）是负面影响（降低CTR）中比较大的一个。
3. 随机森林：
将数据输入随机森林模型，训练模型并提取特征重要性。
可能的结果是：广告素材类型、预算、投放时间段的“重要性”得分较高。
通过对比特征重要性的数值大小，可以初步判断哪个因素“最重要”。
4. Shapley值（可选，如果需要更精细的归因）：
用LIME或SHAP库来计算每个样本的Shapley值。
计算所有样本的平均绝对Shapley值，得到各因素对CTR贡献的量化排名。
总结一下判断影响程度的关键点：
回归分析： 标准化系数（Beta系数）的绝对值大小。
方差分析： F值和事后检验的差异量级。
决策树/随机森林： 特征重要性得分的大小。
Shapley值： 平均绝对Shapley值的大小。
最后，不要忘记业务理解！
统计分析的结果是工具，最终的判断还需要结合你的业务知识。即使一个因素的系数很大，但如果它在业务上没有意义，或者你无法通过改变它来影响结果，那么这个分析的实践价值就不大。所以，永远要将数据分析结果与你的实际业务场景结合起来看。
希望这些详细的解释能帮到你！这是一个需要不断实践和学习的过程，祝你分析顺利！
核心思想：量化影响，对比差异
说到底，判断影响程度就是要看：某个因素变化了，对我们关心的结果会产生多大的变化，而且这种变化是多大程度上归因于这个因素本身。
你可以想象一个场景：你想知道，为什么你的网店销售额时高时低？是广告投入、商品价格、用户评价，还是季节变化影响更大？这就需要我们去拆解。
分析方法概览：
根据你的具体情况，可以选择不同的分析方法。这里我列举几个常用的，并解释它们的适用场景和原理：
1. 描述性统计分析（最基础但很重要）
这是什么？ 就是用最直观的数字来描述你的数据，比如平均值、中位数、标准差、最大值、最小值等等。
怎么用？
分组对比： 如果你的影响因素是类别型的（比如“促销活动”是“有”或“无”，“用户来源”是“抖音”、“微信”、“百度”），你可以将你的结果（比如销售额）按照这些类别进行分组，然后计算每个组的平均值或中位数。哪个组的平均值/中位数显著高于其他组，就说明这个类别的影响更大。
相关性分析（简单版本）： 如果影响因素是数值型的（比如“广告投入金额”、“商品价格”），你可以看看这个因素的变化与你的结果（比如销售额）的变化是不是“一起动”。比如，广告投入越高，销售额是不是也越高？可以用散点图来初步观察，看看点是不是呈现出某种趋势。
如何判断程度？
差异大小： 直接比较不同组的平均值或中位数，数值差距越大，说明影响程度差异越大。
变化幅度： 对于数值型因素，观察散点图上的趋势线的斜率。斜率越大，意味着该因素变化一点点，结果变化就很大，影响程度就越高。
优点： 非常直观，容易理解，是后续复杂分析的基础。
缺点： 只能看出相关性，不能直接证明因果关系。而且对于多个因素同时作用的情况，效果有限。
2. 回归分析（最常用、最强大的工具之一）
这是什么？ 回归分析的核心是建立一个数学模型，用一个或多个自变量（影响因素）来预测因变量（你想分析的结果）。它能告诉你，在控制其他因素不变的情况下，某个因素每变化一个单位，结果会变化多少。
怎么用？
选择模型：
线性回归： 最常见的一种，假设自变量和因变量之间是线性的关系。比如，你想分析“广告投入”和“销售额”的关系。
多元线性回归： 当你有多个影响因素时，使用这个。例如，你的模型可能是：`销售额 = 系数1 广告投入 + 系数2 商品价格 + 系数3 用户评价得分 + 常数项`
关键输出——系数（Coefficients）： 回归模型会给你每个自变量一个“系数”。这个系数就是我们衡量影响程度的关键指标。
如何判断程度？
系数的大小（绝对值）： 系数的绝对值越大，说明该因素对结果的影响程度越大。例如，如果广告投入的系数是 2，而商品价格的系数是 100，但要注意单位！如果销售额单位是元，广告投入是元，价格是元，那么这个比较可能有点问题。
标准化系数（Beta系数）： 为了消除不同变量单位不同的影响，我们可以看“标准化系数”（Beta系数）。标准化系数是把所有变量都标准化（均值为0，标准差为1）后得到的回归系数。直接比较不同自变量的标准化系数的绝对值，就能判断其相对影响程度了。 标准化系数的绝对值越大，说明该因素的影响力越强。
P值（Significance）： 回归分析还会给你一个P值，它告诉你这个因素“是否真的有影响”。P值越小（通常小于0.05），说明该因素的影响是统计显著的，不是偶然的。只有统计显著的因素，我们才有意义去讨论其影响程度。
R方（Rsquared）和调整R方（Adjusted Rsquared）： 这两个值告诉我们你的整个模型能解释因变量多少比例的变异。R方越大，说明模型拟合得越好，这些因素的解释力越强。
优点： 非常强大，能量化每个因素的独立影响，还能控制其他因素，并判断影响的显著性。
缺点： 假设变量之间存在线性关系，如果关系很复杂（非线性），可能需要更复杂的回归模型。数据的质量非常重要。
3. 方差分析（ANOVA）
这是什么？ 方差分析主要用于比较两个或多个组（由类别型自变量定义）的均值是否存在显著差异。它能告诉我们，是哪些组之间的差异最大，以及这些差异在多大程度上是由自变量引起的。
怎么用？
假设你想比较不同广告渠道（抖音、微信、百度）对销售额的影响。你可以进行一个单因素方差分析。
ANOVA会计算总的变异（所有销售额数据的总方差），然后将其分解为：
组间方差（Betweengroup variance）： 不同广告渠道的销售额平均值之间差异产生的方差。
组内方差（Withingroup variance）： 每个广告渠道内部销售额的波动产生的方差。
如何判断程度？
F值（Fstatistic）： F值是组间方差与组内方差的比值。F值越大，说明组间差异相对于组内差异越大，表明该因素（广告渠道）对结果（销售额）的影响程度越大。
P值： 和回归分析一样，P值用来判断F值是否统计显著。
事后检验（Posthoc tests）： 如果ANOVA显示整体存在显著差异，事后检验（如Tukey HSD、Bonferroni等）可以告诉你具体是哪些组之间存在显著差异，以及差异的大小。
优点： 适合比较多个类别型影响因素对结果的影响。
缺点： 主要用于类别型自变量，且假设各组数据的方差相等（方差齐性）。
4. 决策树和随机森林
这是什么？ 这是一种机器学习方法。决策树通过一系列“如果那么”的规则来划分数据，最终达到预测结果的目的。随机森林则是由多棵决策树组成的集合，通过投票等方式进行预测，通常比单棵决策树更稳定和准确。
怎么用？
训练一个决策树或随机森林模型，将你的影响因素作为输入，结果作为输出。
如何判断程度？
特征重要性（Feature Importance）： 这是决策树和随机森林模型中最直接衡量影响程度的指标。模型在构建过程中，会衡量每个特征（影响因素）在进行分裂（划分数据）时对降低“不纯度”（比如 gini不纯度或熵）的贡献程度。贡献越大，说明这个特征越重要，影响程度越高。
分裂次数/深度： 在单棵决策树中，一个特征被用来分裂的次数越多，或者它出现在树的越浅层，通常意味着它越重要。
优点： 能处理非线性关系，能自动发现复杂的交互作用，不需要事先假设关系形式。
缺点： 模型解释性相对不如回归分析直观（虽然有特征重要性），尤其是随机森林。
5. Shapley值（更高级的归因方法）
这是什么？ Shapley值是一种源自博弈论的思想，用来公平地分配“收益”（模型预测值与基线值之间的差额）给各个“参与者”（影响因素）。它能告诉你，每个因素对模型预测结果的“贡献”是多少，并且考虑了所有可能的因素组合。
怎么用？
通常与机器学习模型（如梯度提升模型、随机森林等）结合使用。
计算每个样本点上，每个特征的Shapley值。Shapley值的正负表示该特征是提升还是降低了预测结果，其绝对值代表了该特征的贡献大小。
如何判断程度？
平均Shapley值（Mean Absolute Shapley Value）： 计算所有样本中，某个特征Shapley值的绝对值的平均值。这个平均值越大，说明该特征对结果的影响程度越强。
优点： 理论基础扎实，分配公平，能处理特征间的交互作用，解释性强（能说明具体贡献量）。
缺点： 计算量可能较大，尤其是在数据量大或模型复杂时。
选择方法的思考流程：
当你面对一个分析任务时，可以这样思考：
1. 明确你的分析目标和结果指标： 你到底想知道什么结果的变化？（比如：销售额、用户满意度、产品缺陷率等）。
2. 列出所有可能的、你认为会影响这个结果的因素： 尽量全面。
3. 梳理你的数据：
你的结果指标是什么类型的？（连续数值、分类、计数等）
你的影响因素是什么类型的？（连续数值、类别型等）
你的数据量有多大？
你是否有足够多的数据来支持复杂的模型？
4. 根据因素类型选择初步方法：
如果主要是类别型因素对比，可以从描述性统计和方差分析入手。
如果主要是数值型因素，或者想同时考虑多种因素，回归分析是首选。
如果数据关系复杂，或者你想探索潜在的交互作用，可以考虑决策树或随机森林。
5. 考虑模型的假设和局限性： 比如线性回归假设线性关系，ANOVA假设方差齐性。如果数据不满足假设，可能需要数据转换或者选择其他方法。
6. 进行分析并解释结果：
统计显著性是前提： 先看P值，确保影响是真实存在的，而不是巧合。
量化影响程度：
对于回归分析，看标准化系数的绝对值。
对于方差分析，看F值和事后检验的差异大小。
对于决策树/随机森林，看特征重要性。
对于Shapley值，看平均绝对Shapley值。
进行多角度验证： 如果可能，用不同方法进行分析，看结果是否一致。比如，先用回归分析，再用随机森林看看特征重要性是不是也指向同一批关键因素。
举个例子，更具体一点：
假设你想分析为什么一个电商平台的广告点击率（CTR）忽高忽低。
结果指标： CTR（一个百分比，可以看作连续数值）。
潜在影响因素：
广告素材类型： （图片、视频、图文混排） 类别型
投放渠道： （抖音、微信、今日头条） 类别型
广告投放时间段： （早晨、中午、晚上、深夜） 类别型
广告预算： （每天投入多少钱） 数值型
目标人群画像： （年龄段、性别、兴趣偏好） 可能需要编码为数值或类别型
关键词匹配度： （与用户搜索词的匹配程度） 数值型
分析步骤：
1. 描述性统计：
计算不同广告素材类型、投放渠道、时间段的平均CTR。哪个最高？
画出广告预算和CTR的散点图，看是否有趋势。
2. 多元线性回归：
将所有类别型因素进行独热编码（Onehot Encoding），如“素材类型”变成“素材_图片”、“素材_视频”等几个新变量。
建立模型：`CTR = b0 + b1预算 + b2素材_视频 + b3素材_图文 + b4渠道_微信 + b5渠道_今日头条 + b6时间段_中午 + ... + e`
查看每个系数的P值。如果P值都小于0.05，说明这些因素的统计上显著影响CTR。
重点看标准化系数（Beta系数）： 假设我们得到以下标准化系数：
预算：0.35
视频素材：0.48
微信渠道：0.20
深夜投放：0.30
从标准化系数来看，视频素材的影响力（绝对值0.48）最大，深夜投放（绝对值0.30）是负面影响（降低CTR）中比较大的一个。
3. 随机森林：
将数据输入随机森林模型，训练模型并提取特征重要性。
可能的结果是：广告素材类型、预算、投放时间段的“重要性”得分较高。
通过对比特征重要性的数值大小，可以初步判断哪个因素“最重要”。
4. Shapley值（可选，如果需要更精细的归因）：
用LIME或SHAP库来计算每个样本的Shapley值。
计算所有样本的平均绝对Shapley值，得到各因素对CTR贡献的量化排名。
总结一下判断影响程度的关键点：
回归分析： 标准化系数（Beta系数）的绝对值大小。
方差分析： F值和事后检验的差异量级。
决策树/随机森林： 特征重要性得分的大小。
Shapley值： 平均绝对Shapley值的大小。
最后，不要忘记业务理解！
统计分析的结果是工具，最终的判断还需要结合你的业务知识。即使一个因素的系数很大，但如果它在业务上没有意义，或者你无法通过改变它来影响结果，那么这个分析的实践价值就不大。所以，永远要将数据分析结果与你的实际业务场景结合起来看。
希望这些详细的解释能帮到你！这是一个需要不断实践和学习的过程，祝你分析顺利！
网友意见
这有一个复杂一点的方法。
叫基于场景的交叉影响分析与解释结构模型联用的方法。这玩意装逼特别好用。发文章特别容易。
上面是一般性介绍，超过来看看。
CIA是cross-impact analysis 的简称，它不是中央情报局的意思是交叉影响分析的简称。
CIA-ISM结合的最重要的一篇文章是Murray Turoff等写的叫
Turoff 提出的CIA有别于其他人提出的CIA，其原理与推导过程在Turoff写的一本关于Delphi方法的书的第五章有非常详细介绍与推导过程
关于老头的论文先说下感想。
一篇理工类的学术论文，尤其是顶级期刊的论文，刚开始的时候就先来一首诗。这是及其罕见的。
“Born, troubled, died.”
This was their history of Everyman.
“Give me next for my people,” spoke the head man,
“in one word the inside kernel of all you know,
the knowledge of your ten thousand books with a forecast of what will happen next— this for my people in one word.”
And again they sat into the peep of dawn
and the arguments raged
and the glass prisms of the chandeliers shook
and at last they came to a unanimous verdict
and brought the head man one word:
“Maybe.”
—from Poem 49 in “The People, Yes” by Carl Sandburg
而最后一部分的讨论。居然直接来一个philosophical issues（哲学问题）即方法论的问题。 能写让某个人在顶级期刊扯诗，讨论哲学问题,那么这个人一般来说是：
超级牛逼
关于CIA-ISM的相关文章并不多，就如下几篇，但是发表了的都是顶级期刊。
Murray Turoff等
Murray Turoff等
清华大学的一伙人
上面以Murray Turoff老头第一篇文章为例子说明一下怎么来弄。
具体见上面一文。
交叉影响分析很久来的了。老头70年代就做了这个方面的研究。
整个的公式就上面一个。
就是事件发生的概率，专门指初始事件发生的概率，比如白天发生地震的可能这个事件初始概率为0.5
这个非常重要，就是事件相互之间的影响。
N =10; %要素个数 R=xlsread('R.xlsx'); P=xlsread('P.xlsx'); for i = 1:1:N for j= 1:1:N C(i,j) = 1/(1-P(j)) * (log(R(i,j)/(1-R(i,j)))-log(P(i)/(1-P(i)))); end end for i=1:1:N for j=1:1:N if C(i,j)==-inf C(i,j)=0; end end end for i = 1:1:N D = 0; for k = 1:1:N if(i ~= k ) D = D + C(i,k)*P(k); end end G(i) = log (P(i)/ (1-P(i))) - D ; end 上面一段是 matlab的代码，
输入是一行 事件初始概率
然后输入一个矩阵。
接着代入公式求解即可：
总之，输入了 矩阵
就可以求出 C矩阵。
老头文章中就是 table2，红框中框住的就是CIA矩阵，检测交叉矩阵。C矩阵。
然后根据C矩阵取截距获得一个手性对称矩阵。
就是上面的table4。
老头有一个地方写错了，table2要转置一下，才成立。这个是影响与被影响定义问题。
上面是对老头数据的检查。
这个就是table2的数据。
一定要转置，此外是输入了0.8的截距。
上面是平移得到的手性对称矩阵。取截距后如下：
接着进行普通的ISM运算即可。
这个是取了一半的对抗层级拓扑图。
老头的文章如上。是算对的。
总之老头子这种文章还真特别好发。他是一种德尔菲方法。
但是用了严谨的数学去证明。而且全程都可以软件实现，关键是调整最开始的参数。
这种分析方法，只要笔头功夫可以，发篇好一点的期刊还是比较容易的。哪怕是有明显错误的都容易发，比如清华的那篇，就有明显的目测可见的错误。
类似的话题
-
判断各个影响因素的影响程度，确实是很多分析工作的核心。这就像在厨房里做一道复杂的菜，你需要知道哪种调料放多一点，哪种少放一点，才能调出最好的味道。科学地衡量这些“影响程度”，背后有一套严谨的方法论。下面，我就尽量详细地为你梳理一下，怎么做这件事。核心思想：量化影响，对比差异说到底，判断影响程度就是要............. -
这是一个非常常见但也确实有点复杂的问题，因为它涉及到动词的搭配和语法规则。简单来说，没有一个放之四海而皆准的规则可以一次性解决所有情况。你需要根据动词本身以及它后面的语境来判断。下面我将详细地为你讲解如何判断一个动词后是加 `to do`（不定式）还是加 `doing`（动名词）。核心原则：理解动词.............
-
这则新闻挺有意思的，从法律角度看，这位重庆男子掰手腕手被掰断却无法获得赔偿，判决的关键在于“自甘风险”这一法律概念。咱们就来好好掰扯掰扯这背后的逻辑。首先，我们要明确，这起事件的法律定性，核心在于判断行为人（受害者）和加害人（掰手腕的对方）在整个过程中各自承担的责任。法院判决“自甘风险”成立，意味着.............
-
这事儿，说起来可真让人跌破眼镜。一家公司花了大价钱，足足51万，请了陈小春和几个网红来直播带货，结果呢？销量惨淡，一共才卖了5000块钱。这简直就是钱打了水漂，还溅了一身。你说这公司，是得多看好陈小春的名气，还是对网红带货有多么盲目的自信？然后，这公司就把陈小春给告上了法庭，要求退钱。法院最后判了，.............
-
李四的行为，在法律上属于正当防卫。在中国法律体系中，正当防卫的目的是为了制止正在进行的不法侵害，而对不法侵害造成损害的，不负刑事责任。张三的行为，显然是严重的暴力犯罪，危及了大量无辜群众的生命安全，属于极端恶劣的“不法侵害”。李四在如此危急的情况下，为了制止张三的屠杀行为，采取了使用枪支将其击毙的手.............
-
好的，咱们来聊聊这个问题。这个结论在代数里其实是一个挺有意思的性质，尤其是在处理有限生成模的时候。简单来说，如果一个 R模 是有限生成的，并且存在一个从它自身到自身的“满”射（就是我们常说的满射态射或者满同态），那么这个满射不仅是满的，它还是个“一一”对应，也就是一个同构。这就像说，如果你把一个有限.............
-
好的，我们来一步步拆解这个积分，并确保过程清晰易懂，就像我们平时一起探讨数学问题一样。假设我们要计算的积分是：$$ int frac{x^2 + 1}{x^3 + x} dx $$看到这个积分，首先我们会想：“这个被积函数长什么样子？能化简吗？”第一步：审视被积函数，尝试化简我们的被积函数是 $fr.............
-
关于HD800S的搭配，这确实是个不少烧友都热衷探讨的课题，毕竟这“大耳”的潜力和要求摆在那儿。咱们就聊聊怎么把它喂饱喂好，让它真正唱出那种令人沉醉的声音。首先得明白，HD800S这耳机，用“精细”和“挑剔”来形容一点不为过。它本身的声音特点是极高的解析力、宽阔的声场、精准的定位，以及相对比较“直白.............
-
哈哈，这个问题问得好！想娶俄罗斯媳妇儿，这可不是一件容易的事，但也不是天方夜谭。这背后其实有很多道道，需要你有心、有准备，更重要的是，用真心去打动人家。第一步：打破隔阂，建立连接——认识俄罗斯的姑娘们你总得先认识人家姑娘，对吧？这年头，光靠偶遇真的太难了。 线上途径：国际婚恋网站/APP。 这是.............
-
.......
-
绩点不够，但又渴望留学深造，这确实是个让人头疼的问题。不过，这绝非绝境，只要策略得当，依然有希望敲开世界名校的大门。很多时候，我们看待绩点，就像看高考分数一样，似乎是唯一的通行证。但实际上，留学申请是一个综合评估的过程，绩点固然重要，却不是唯一决定因素。首先，我们需要冷静下来，理性分析自己的绩点情况.............
-
这个问题看似简单，实则蕴含着一些计算的技巧。咱们一块儿来拆解一下，看看这个积分到底该怎么算。首先，咱们得看清楚我们要处理的是哪个积分。假设你要问的是一个具体的积分表达式，比如 ∫ f(x) dx。如果还没有具体表达式，我先假设一个，这样我们就可以带着例子来分析。举个例子，我们来算算这个积分： ∫ (.............
-
想要攻克法硕刑法分则，这可不是一件简单的事，但只要方法得当，循序渐进，你绝对能把它拿下。别把它想象成枯燥的条文堆砌，其实它里面藏着许多精彩的案例和逻辑，一旦理清了，你会发现其中的奥妙。一、 打牢根基：刑法总则是什么？别偷懒！在我看来，刑法分则的学习绝对不能脱离总则。你总得知道什么是犯罪构成要件吧？什.............
-
各位音乐爱好者们，各位同样在为孩子钢琴之路操心的家长们，大家好！看到大家对孩子的手指基本功和提速问题如此关注，我深有体会，也想借此机会和大家分享一些我的看法和经验，希望能抛砖引玉，集思广益，共同帮助孩子们在音乐的道路上走得更稳、更快。首先，我们要明白一个非常重要的道理：钢琴演奏中的“基本功”和“速度.............
-
评价这四位帝王在各自治下所开创的盛世，我们需要细致地审视他们在政治、经济、军事、文化等方面的成就，并考察其影响的深远程度。这四位君主，尽管身处不同的文明体系，面对着迥异的挑战，但都以其卓越的才能和雄心壮志，将各自的国家推向了历史的巅峰。俄皇彼得大帝（Peter the Great, 16721725.............
-
没问题！很高兴能为你提供帮助。作文修改是学习写作过程中非常重要的一环，也是进步的关键。请把你的作文发过来，我会仔细阅读，并从以下几个方面，尽可能详细地帮你分析和提出修改建议，让你感觉就像在和一位经验丰富的老师或者知乎上的“大佬”交流一样。请你放心，我不会用任何生硬、机械的AI痕迹来回复你。 我的目标.............
-
.......
-
美国造船业的现状确实令人担忧，与巅峰时期相比，其造船能力和吨位都有所下降，尤其是在民用船舶领域。但要谈到军事造船，美国依然拥有全球最庞大、最先进的军用造船能力，即便与日本这样的造船强国相比，其海军建设的战略方向和侧重点也完全不同。不过，我们不妨从一个假设性的角度来探讨，如果美国在现有基础上，面对一场.............
-
想给男朋友挑一款好用的剃须刀，又要顾及到学生党的预算，确实需要好好琢磨一下。博朗、松下、飞利浦这几个牌子都是市面上比较主流的，各自都有自己的优势，要说谁的“性价比”最高，这事儿得分开看，也得看你男朋友具体的需求。咱们来掰开了揉碎了说一说，帮你把这事儿捋顺了。 博朗、松下、飞利浦：谁是性价比之选？要说.............
-
.......
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有