谁能告诉我灰色关联度法有什么缺点？ 需要对各项指标的最优值进行现行确定，主观性过强，同时部分指标最优值难以确定
谁能告诉我灰色关联度法有什么缺点？
灰色关联度法的定义 对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。
灰色关联度分析法和因子分析法，分析的结果总体上基本一致，但也有部分数据差别较大，可能的问题在哪里？ 不同的方法差别很大是非常正常的，不大就不正常了 灰色关联分析是根据因素之间发展趋势的相似或相异程度，即“灰色关联度”作为衡量因素间关联程度的一种方法。。
灰色关联分析计算的关联度应该在什么范围 一般高于70%为重要因素，处于50%-70%之间的为比较重要因素，其余的为不重要因素。详细可参考-《基于修正邓氏灰色关联度的设备费用影响因素分析_孙林凯》
灰色关联度和主成分分析哪个方法比较好 灰关联系数是作为灰关联程度的一种衡量尺度。关联系数（暂缺），式中Δmin，Δmax分别是母因素与子因素时间数列在各时刻绝对差值的最小和最大值，Δij(tk)是tk时刻的绝对。
灰色关联度分析法适用于什么数据 灰色关联度分析法是一种多因素统计分析方法，它是以各因素的样本数据为依据用灰色关联度来描述因素间关系的强弱、大小和次序，若样本数据反映出的两因素变化的态势(方向、大小和速度等)基本一致，则它们之间的关联度较大。反之，关联度较小。此方法的优点在于思路明晰，可以在很大程度上减少由于信息不对称带来的损失，并且对数据要求较低，工作量较少；其主要缺点在于要求需要对各项指标的最优值进行现行确定，主观性过强，同时部分指标最优值难以确定。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。扩展资料：灰色系统理论提出了对各子系统进行灰色关联度分析的概念，意图透过一定的方法，去寻求系统中各子系统（或因素）之间的数值关系。因此，灰色关联度分析对于一个系统发展变化态势提供了量化的度量，非常适合动态历程分析。因为关联系数是比较数列与参考数列在各个时刻（即曲线中的各点）的关联程度值，所以它的数不止一个，而信息过于分散不便于进行整体性比较。
灰色关联分析法的具体计算步骤 （1）确定反映系统行为特征的参考数列和影响系统行为的比较数列反映系统行为特征的数据序列，称为参考数列。影响系统行为的因素组成的数据序列，称比较数列。（2）对参考。
灰色关联度法的计算步骤
怎样用matlab做灰色关联度分析方法 function f=grayrelated(X，Y)这里X是标准化后的参考序列，Y是评价矩阵Y=71.8 90.1 0.57 0.45 051 40.2 0.38 0.55 10.552 25 0.22 0.52 1268 90 0.38 0.38 2128 40 0.32 0.3 18.551 45 0.15 0.3 576 95 0.7 0.55 1287 95 0.7 0.5 9.876 90 0.57 0.5 1150 35 0.32 0.35 2068 90 0.57 0.35 18.582 95 0.7 0.35 0100 200 1 1 097.5 180 0.94 0.95 1.395 160 0.88 0.9 2.586.3 105 0.68 0.75 6.382.5 90 0.6 0.7 7.578.8 75 0.53 0.65 8.875 60 0.45 0.7 7.568.8 52.5 0.41 0.55 13.862.5 45 0.38 0.5 17.556.3 37.5 0.34 0.45 21.343.8 26.3 0.28 0.35 50.650 30 0.3 0.4 2537.5 22.5 0.25 0.3 7531.3 18.8 0.23 0.25 10018.8 11.3 0.15 0.15 168.825 15 0.2 0.2 12512.5 7.5 0.1 0.1 212.56.3 0.8 0.05 0.05 256.3输入评价矩阵YX=[1 1 1 1 1]；X为参考序列，均为1，个数就是指标个数，情形不同要修改个数Len=size(Y，2)；取Y矩阵的列数，也就是指标的个数Wen=size(Y，1)；取行数，就是目标个数for i=1：LenY(：，i)=(Y(：，i)-mean(Y(：，i)))/sqrt(var(Y(：，i)))；将Y矩阵用统计方法标准化标准化，endfor i=1：Len-1S(：，i)=(Y(：，i)-min(Y(：，i)))./。
