灰色关联分析包括两个重要功能。
第一项功能：灰色关联度，与correlation系数相似，如果要评估某些单位，在使用此功能之前转置数据。第二个功能：灰色聚类，如层次聚类。
灰色关联度
灰色关联度有两种用法。该算法用于测量两个变量的相似性，就像\`cor\`一样。如果要评估某些单位，可以转置数据集。
*一种是检查两个变量的相关性，数据类型如下：
| 参考| v1 | v2 | v3 |
| ----------- |||| ---- | ---- |
| 1.2 | 1.8 | 0.9 | 8.4 |
| 0.11 | 0.3 | 0.5 | 0.2 |
| 1.3 | 0.7 | 0.12 | 0.98 |
| 1.9 | 1.09 | 2.8 | 0.99 |
reference：参考变量，reference和v1之间的灰色关联度...近似地测量reference和v1的相似度。
*另一个是评估某些单位的好坏。
| 单位| v1 | v2 | v3 |
| ----------- |||| ---- | ---- |
| 江苏| 1.8 | 0.9 | 8.4 |
| 浙江| 0.3 | 0.5 | 0.2 |
| 安徽 0.7 | 0.12 | 0.98 |
| 福建| 1.09 | 2.8 | 0.99 |
示例
##生成数据 # # 异常控制 # if (any(is.na(df))) stop("'df' have NA" ) if (distingCoeff<0 | distingCoeff>1) stop("'distingCoeff' must be in range of \[0,1\]" ) diff = X #设置差学列矩阵空间 for (i in mx = max(diff) #计算关联系数# relations = (mi+distingCoeff\*mx) / (diff + distingCoeff\*mx) #计算关联度# # 暂时简单处理, 等权 relDegree = rep(NA, nc) for (i in 1:nc) { relDegree\[i\] = mean(relations\[,i\]) # 等权 } #排序: 按关联度大到小# X_order = X\[order(relDegree, relDes = rep(NA, nc) #分配空间 关联关系描述(说明谁和谁的关联度) X\_names = names(X\_o names(relationalDegree) = relDes if (cluster) { greyRelDegree = GRA(economyC # 得到差异率矩阵 # grey_diff = matrix(0 grey_diff\[i,j\] = abs(rel #得到距离矩阵# grey_dist = matrix(0, nrow iff\[i,j\]+grey_diff\[j,i\] } } # 得到灰色相关系数矩阵 # grey\_dist\_max = max(grey_dist) grey_correl = matrix(0, nrow = nc, ncol = nc) for (i in 1:nc) { for (j in 1:nc) { grey\_correl\[i,j\] = 1 - grey\_dist\[i,j\] / grey\_dist\_max } } d = as.dist(1-grey_correl) # 得到无对角线的下三角矩阵(数值意义反向了, 值越小表示越相关 ) # 主对角线其实表示了各个对象的相近程度, 画图的时候, 相近的对象放在一起 hc = hclust(d, method = clusterMethod) # 系统聚类(分层聚类)函数, single: 单一连接(最短距离法/最近邻) # hc$height, 是上面矩阵的对角元素升序 # hc$order, 层次树图上横轴个体序号 plot(hc,hang=-1) #hang: 设置标签悬挂位置 } #输出# if (cluster) { lst = list(relationalDegree=relationalDegree, return(lst) } ## 生成数据 rownames(economyCompare) = c("indGV", "indVA", "profit", "incomeTax") ## 灰色关联度 greyRelDegree = greya(economyCompare) greyRelDegree
灰色关联度
灰色聚类，如层次聚类
## 灰色聚类 greya(economyCompare, cluster = T)
