基于粗糙集屬性約簡(jiǎn)的統(tǒng)合結(jié)構(gòu)模型在期刊量化指標(biāo)分析中的應(yīng)用

溫學(xué)兵, 劉 洋, 王秋萍

(1. 沈陽(yáng)師范大學(xué) 學(xué)報(bào)編輯部, 沈陽(yáng) 110034;2. 鐵嶺市私立求實(shí)中學(xué) 數(shù)學(xué)組, 遼寧 鐵嶺 112000; 3. 沈陽(yáng)師范大學(xué) 國(guó)際教育學(xué)院, 沈陽(yáng) 110034)

0 引 言

期刊量化評(píng)價(jià)指標(biāo)有數(shù)十種,其中有些指標(biāo)對(duì)期刊的評(píng)價(jià)方面有重疊性,各個(gè)指標(biāo)間的相關(guān)性強(qiáng)弱差別也很大。本文目的是削減對(duì)期刊某一方面性質(zhì)的刻畫(huà)有重疊性和相關(guān)性很弱的指標(biāo),即去除冗余指標(biāo),而這恰巧是粗糙集屬性約簡(jiǎn)理論最擅長(zhǎng)的應(yīng)用。

粗糙集(rough sets,RS)是由Pawlak[1]于1982年提出的一種知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘的方法,主要對(duì)信息系統(tǒng)含有的不夠準(zhǔn)確的數(shù)據(jù)或數(shù)據(jù)缺損情況進(jìn)行研究。經(jīng)過(guò)近10年的研究發(fā)展,粗糙集理論開(kāi)始在數(shù)據(jù)挖掘、人工智能、模式識(shí)別等各個(gè)領(lǐng)域得到廣泛應(yīng)用。

本文先利用粗糙集理論將期刊評(píng)價(jià)指標(biāo)約簡(jiǎn),去除冗余指標(biāo),再根據(jù)指標(biāo)理論意義進(jìn)行分類(lèi),最后利用結(jié)構(gòu)方程模型原理進(jìn)行指標(biāo)間的相關(guān)性和因果關(guān)系認(rèn)定[1]。

1 指標(biāo)選取

《中文核心期刊要目總覽》是由近萬(wàn)名專(zhuān)家遴選出的學(xué)術(shù)影響力較高的期刊,本文選取2014版《中文核心期刊要目總覽》[2]和2017版《中國(guó)科技期刊引證報(bào)告(擴(kuò)刊版)》[3]中共有的工程技術(shù)類(lèi)347種期刊,采用2017版《中國(guó)科技期刊引證報(bào)告(擴(kuò)刊版)》的具體數(shù)據(jù)。

2 基于粗糙集屬性約簡(jiǎn)的統(tǒng)合結(jié)構(gòu)模型的具體過(guò)程

2.1 基于粗糙集屬性約簡(jiǎn)方法的期刊評(píng)價(jià)指標(biāo)的篩選

1) 數(shù)據(jù)離散化

經(jīng)典粗糙集[4]只能處理離散數(shù)據(jù),故分析前需將量化指標(biāo)數(shù)據(jù)進(jìn)行離散,這里采用等距離散化方法。

2) 粗糙集屬性約簡(jiǎn)

屬性約簡(jiǎn)是在保持?jǐn)?shù)據(jù)分類(lèi)能力不變的前提下, 對(duì)數(shù)據(jù)進(jìn)行約簡(jiǎn), 刪除冗余指標(biāo), 得到知識(shí)的最小表達(dá)。 決策表的屬性約簡(jiǎn)是通過(guò)定義屬性的重要度函數(shù)或差別函數(shù)的一類(lèi)啟發(fā)式算法, 通過(guò)該算法得到?jīng)Q策表的相對(duì)約簡(jiǎn), 比如, 基于屬性重要度的屬性約簡(jiǎn)算法、 基于差別矩陣的屬性約簡(jiǎn)算法、 基于差別函數(shù)的屬性約簡(jiǎn)算法、 基于互信息的屬性約簡(jiǎn)算法等。 本文選用基于差別函數(shù)的屬性約簡(jiǎn)算法。

2.2 結(jié)構(gòu)方程統(tǒng)合模型分析

統(tǒng)合結(jié)構(gòu)模型是包含測(cè)量模型和結(jié)構(gòu)模型在內(nèi)的結(jié)構(gòu)方程模型,可以說(shuō)是結(jié)構(gòu)方程模型各個(gè)基本模型的整合運(yùn)用,也可以說(shuō)是路徑分析和驗(yàn)證性因素分析的綜合分析,同時(shí)也稱(chēng)為結(jié)構(gòu)回歸模型[5-6]。

當(dāng)路徑分析與驗(yàn)證性因素分析的概念融合在結(jié)構(gòu)方程模型分析過(guò)程時(shí),驗(yàn)證性因素分析的潛變量分析技術(shù)恰好充實(shí)了被路徑分析縮減的非具體概念的測(cè)量以及相應(yīng)誤差項(xiàng)的解決問(wèn)題,同時(shí)也加強(qiáng)了路徑模型的測(cè)量理論。擅長(zhǎng)因果分析的路徑分析方法將因素分析的格局?jǐn)U大了。

利用知網(wǎng)和萬(wàn)方兩家數(shù)據(jù)各自的優(yōu)勢(shì),把二者的量化評(píng)價(jià)指標(biāo)結(jié)合在一起使用,基于結(jié)構(gòu)方程模型方法,利用AMOS 20.0軟件,首次獲得了滿(mǎn)足結(jié)構(gòu)方程模型方法所要求的所有擬合指標(biāo)滿(mǎn)意度的統(tǒng)合結(jié)構(gòu)模型。特別對(duì)粗糙集約簡(jiǎn)后的指標(biāo)進(jìn)行統(tǒng)合模型分析,并得到了相關(guān)關(guān)系。

3 實(shí)例研究

3.1 粗糙集約簡(jiǎn)的數(shù)據(jù)選擇

考慮到2017版《中國(guó)科技期刊引證報(bào)告(擴(kuò)刊版)》的量化評(píng)價(jià)指標(biāo)比較多,且把新出現(xiàn)的一些量化評(píng)價(jià)指標(biāo)納入了其報(bào)告中,故參照2014版《中文核心期刊要目總覽》所列期刊,并選擇2017版《中國(guó)科技期刊引證報(bào)告(擴(kuò)刊版)》中共同含有的工程技術(shù)類(lèi)期刊的相應(yīng)數(shù)據(jù)作為下一步約簡(jiǎn)選用的數(shù)據(jù)。

3.2 基于粗糙集屬性約簡(jiǎn)方法的期刊評(píng)價(jià)指標(biāo)的篩選

首先對(duì)這些數(shù)據(jù)進(jìn)行離散化,然后進(jìn)行粗糙集屬性約簡(jiǎn)[7]。粗糙集約簡(jiǎn)結(jié)果見(jiàn)表1,這些指標(biāo)就是下一步結(jié)構(gòu)方程模型方法所要用到的指標(biāo)。

表1 粗糙集約簡(jiǎn)結(jié)果Table 1 Rough set parsimony results

把約簡(jiǎn)結(jié)果的指標(biāo)作為一級(jí)指標(biāo)下設(shè)的二級(jí)指標(biāo),并將它們歸為3類(lèi)一級(jí)指標(biāo),即影響力、傳播力、期刊特征。影響力下屬的4個(gè)二級(jí)指標(biāo)與期刊總的量化指標(biāo)有關(guān),傳播力下屬的4個(gè)二級(jí)指標(biāo)反映了期刊在各個(gè)方面的影響程度和廣度,期刊特征下屬的4個(gè)二級(jí)指標(biāo)都是與時(shí)間相關(guān)的期刊量化指標(biāo)[8]。指標(biāo)分類(lèi)見(jiàn)表2。

注意粗糙集約簡(jiǎn)只是選擇了結(jié)構(gòu)方程模型要用的指標(biāo),指標(biāo)對(duì)應(yīng)的數(shù)據(jù)仍為原始數(shù)據(jù)。

3.3 數(shù)據(jù)預(yù)處理

此處數(shù)據(jù)規(guī)范化處理與驗(yàn)證性因素分析的數(shù)據(jù)規(guī)范處理方法相同[9]。

3.4 模型假設(shè)與識(shí)別

初始模型假設(shè)和最終初始模型[10-11]見(jiàn)文獻(xiàn)[12]。

3.5 模型擬合與修正

AMOS軟件不僅可以對(duì)測(cè)量模型進(jìn)行分析檢驗(yàn),也可以對(duì)結(jié)構(gòu)模型進(jìn)行分析驗(yàn)證。本文應(yīng)用AMOS 20.0軟件進(jìn)行擬合檢驗(yàn)[13],根據(jù)檢驗(yàn)結(jié)果發(fā)現(xiàn),盡管所有指標(biāo)都滿(mǎn)足顯著性p<0.05,但是各項(xiàng)配適度指標(biāo)并不滿(mǎn)足優(yōu)秀擬合結(jié)果。見(jiàn)表3。

由于配適度指標(biāo)并未達(dá)到優(yōu)秀,對(duì)照MI修正指標(biāo)對(duì)模型修正處理。修正后的配適度指標(biāo)見(jiàn)表4,基本上都滿(mǎn)足優(yōu)秀配適度,說(shuō)明修正合理[14]。

表4 修正后配適度檢驗(yàn)表Table 4 Revised accessories degree inspection table

根據(jù)標(biāo)準(zhǔn)化結(jié)果可以計(jì)算出潛在變量的組合信度[15],用來(lái)表示測(cè)量變量與潛在變量之間的結(jié)束程度。一般組合信度的檢驗(yàn)值為0.5,若其大于0.5,則認(rèn)為組合信度良好。計(jì)算結(jié)果見(jiàn)表5。

表5 修正模型擬合檢驗(yàn)Table 5 Modified model fitting test

3.6 結(jié)果分析

從模型的配適度檢驗(yàn)表以及估計(jì)值報(bào)表可以看出,EXT(傳播力)與擴(kuò)展引用刊數(shù)、地區(qū)分布數(shù)、機(jī)構(gòu)分布數(shù)之間存在結(jié)構(gòu)關(guān)系,因子載荷量分別為0.539,0.714,0.991,組合信度為0.805,表示其解釋能力較強(qiáng),可信度高;DIS(期刊指標(biāo))與其下設(shè)的3個(gè)二級(jí)指標(biāo)平均作者數(shù)、平均引文數(shù)、基金論文比之間也具有結(jié)構(gòu)關(guān)系,因子載荷量分別為0.545,0.970,0.584,組合信度為0.756;INF(影響力)與其下設(shè)的3個(gè)二級(jí)指標(biāo)擴(kuò)展總被引頻次、擴(kuò)展學(xué)科影響指標(biāo)、擴(kuò)展影響因子之間也存在結(jié)構(gòu)關(guān)系,因子載荷量分別為0.733,0.463,0.870,組合信度為0.742。

4 結(jié) 語(yǔ)

本文將粗糙集理論與結(jié)構(gòu)方程模型理論結(jié)合使用[16]。采用2017版《中國(guó)科技期刊引證報(bào)告(擴(kuò)展版)》工程技術(shù)類(lèi)期刊量化指標(biāo)數(shù)據(jù),首先運(yùn)用粗糙集方法對(duì)其進(jìn)行約簡(jiǎn),去除冗余指標(biāo),然后利用結(jié)構(gòu)方程模型方法對(duì)約簡(jiǎn)后的指標(biāo)數(shù)據(jù)進(jìn)行分析,最終得到了其中12個(gè)指標(biāo)間的結(jié)構(gòu)模型。