عنوان پایان‌نامه
بررسی عوامل اثر گذار.....
- رشته تحصیلی
- مهندسی صنایع
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1477;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 40055
- تاریخ دفاع
- ۲۴ شهریور ۱۳۸۷
- دانشجو
- محمود قیاسی معاصر
- استاد راهنما
- محمدعلی آزاده
- چکیده
- در این پایان‌نامه عوامل تاثیرگذار بر روی همبستگی خروجی رتبه‌بندی دو مدل DEA و PCA مورد بررسی و تجزیه و تحلیل قرار می‌گیرد و با توجه به نتایج این بررسی‌ها و برخی مشاهدات صورت گرفته روشی جدید برای رتبه‌بندی واحدهای تصمیم‌گیری بر اساس روش PCA بسط داده می‌شود. هر کدام از مدلهای یاد شده برای رتبه‌بندی واحدهای تصمیم‌گیری کاربرد گسترده‌تری دارند. در گام نخست ابتدا عوامل تاثیرگذار بر روی همبستگی خروجی دو مدل معرفی می‌شوند و سپس تاثیر این عوامل با آزمونهای آماری شناخته شده مورد تایید قرار می‌گیرد. از آنجاییکه روش تحلیل پوششی داده‌ها به عنوان روشی مبتنی بر برنامه‌ریزی ریاضی عمدتا به عنوان مبنایی برای ارزیابی سایر روشهای رتبه‌بندی مورد استفاده قرار می‌گیرد، در این پایان‌نامه نیز سعی شده‌است تا در ابتدا محدوده‌ای برای پارامترهای تاثیرگذار بر روی همبستگی خروجی دو مدل تعیین گردد که در آن محدوده احتمال زیاد بودن میزان همبستگی افزایش یابد. در انتها نیز با استفاده از نتایج مشاهدات صورت گرفته و همچنین برخی خواص موجود در دو مدل، روشی مبتنی بر روش تحلیل مولفه‌های اصلی برای رتبه‌بندی واحدهای تصمیم‌گیری ارائه گردد، که تا اندازه‌ای بتواند کارکرد روش PCA را بهبود بخشد.
- Abstract
- This thesis investigates the effects of critical parameters on ranking correlation of Data Envelopment Analysis (DEA) and Principal Component Analysis (PCA). The critical parameters are effective unit’s percentage, number of decision making units (DMUs), difference between two existence approaches (Zhu and Premachandra) and the difference between two models of DEA for ranking DMUs (BCC or CCR). First section of this research considers number of DMUs, the difference between two existence approaches (Zhu and Premachandra) and also the difference between two models of DEA for ranking DMUs (BCC or CCR) in addition to efficient units’ percentage. The investigation of these effects which influence the correlation between DEA and PCA ranks can be useful in determining the usage restrictions of PCA as a substitution of DEA for ranking DMUs. In the present research, it is focused on determining and examining some of these effects statistically. The results of mentioned effects on correlation are presented by statistical experiments on some specific data-sets. In second section, a novel approach is developed based on principle component analysis (PCA) for ranking DMUs. The results of mentioned approach has a correlation value as high as the previous methods in some data-sets which they have a high correlation with DEA ranks; but whenever they have a less correlation in some certain data-sets, this new method has an acceptable correlation value, higher than previous ones.
