Noll Statistisches Matching mit Fuzzy Logic

Theorie und Anwendung in Sozial- und Wirtschaftswissenschaften
2009
ISBN: 978-3-8348-9586-8
Verlag: Vieweg & Teubner
Format: PDF
Kopierschutz: 1 - PDF Watermark

E-Book, Deutsch, 239 Seiten, eBook

Reihe: Entwicklung und Management von Informationssystemen und intelligenter Datenauswertung

Patrick Noll stellt eine alternative Methode des statistischen Matchings mit Fuzzy Logic vor, welche die Nachteile traditioneller Methoden durch die Fuzzyfizierung der Ausgangsdaten ausgleicht. Anhand zweier Anwendungsbeispiele demonstriert er die Vorgehensweise des statistischen Fuzzy-Matchings, entwickelt eine Möglichkeit zur Messung der Matching-Güte und vergleicht diese detailliert mit traditionellen Methoden. Darüber hinaus schlägt er mögliche Einsatzgebiete seines Ansatzes im Rahmen der Business Intelligence und dort insbesondere im Data Mining vor.


Dr. Patrick Noll promovierte bei Prof. Dr. Paul Alpar am Institut für Wirtschaftsinformatik der Philipps-Universität Marburg. Zur Zeit arbeitet er als Consultant für Business Intelligence bei einem mittelständischen IT-Dienstleister.

Zielgruppe

Professional/practitioner

Autoren/Hrsg.

Noll, Patrick

Inhaltsverzeichnis

1;Geleitwort;6
2;Vorwort;8
3;Inhaltsverzeichnis;10
4;Tabellenverzeichnis;13
5;Abbildungsverzeichnis;16
6;1 Einleitung;18
7;2 Statistisches Matching;25
7.1;2.1 Grundlagen des statistischen Matchings;26
7.2;2.2 Annahmen und Merkmale des traditionellenMatching-Prozesses;28
7.3;2.3 Propensity Score Matching;32
7.4;2.4 Constrained versus unconstrained Matching;35
7.5;2.5 Kritik am statistischen Matching;38
8;3 Grundlagen der Fuzzy Logic;41
8.1;3.1 Unscharfe Mengen;42
8.1.1;3.1.1 Das allgemeine Fuzzy Set;42
8.1.2;3.1.2 Unscharfe Zahlen;44
8.2;3.2 Operationen und Eigenschaften unscharferMengen;46
8.2.1;3.2.1 Elementaroperationen;47
8.2.2;3.2.2 Modellierte Operationen;47
8.2.2.1;3.2.2.1 t-Normen;48
8.2.2.2;3.2.2.2 s-Normen;49
8.2.2.3;3.2.2.3 Kompensatorische Operatoren;50
8.3;3.3 Linguistische Ausdrücke;53
8.4;3.4 Beschaffung von Zugehörigkeitsfunktionen;55
8.4.1;3.4.1 Subjektive Interpretation von Zugehörigkeitsfunktionen;56
8.4.2;3.4.2 Objektive Ermittlung von Zugehörigkeitsfunktionen;58
8.4.2.1;3.4.2.1 Clusteranalyse;58
8.4.2.2;3.4.2.2 Fuzzy-Clusteranalyse;60
8.5;3.5 Fuzzy-Regeln;65
9;4 Statistisches Fuzzy-Matching;69
9.1;4.1 Einleitung und Motivation;69
9.2;4.2 Festlegung der linguistischen Ausdrücke;71
9.2.1;4.2.1 Linguistische Variablen;71
9.2.2;4.2.2 Linguistische Terme;72
9.3;4.3 Bestimmung der Zugehörigkeitsfunktionen;74
9.4;4.4 Aufbau der Regelbasis;77
9.5;4.5 Zugehörigkeitsgrade der Datensätze zurRegelbasis;80
9.5.1;4.5.1 t-Normen;81
9.5.2;4.5.2 s-Normen;81
9.5.3;4.5.3 Kompensatorische Operatoren;82
9.6;4.6 Identifikation der statistischen Zwillinge;85
9.6.1;4.6.1 Allgemeiner Distanzbegriff;85
9.6.2;4.6.2 Ermittlung der Distanzen zwischen den Datensätzen;86
9.6.2.1;4.6.2.1 Absolute Distanz;88
9.6.2.2;4.6.2.2 Euklidische Distanz;89
9.6.3;4.6.3 Constrained und unconstrained Fuzzy-Matching;90
9.7;4.7 Transformationsfunktionen;91
10;5 Programmtechnische Umsetzung desstatistischen Fuzzy-Matchings;94
10.1;5.1 Programmierumgebung;94
10.2;5.2 Aufbau des Programms;94
10.2.1;5.2.1 Eingabe der Daten und Festlegung der Parameter;95
10.2.2;5.2.2 Bestimmung der Zugehörigkeitsfunktionen undFuzzyfizierung der Ausgangsdaten;98
10.2.3;5.2.3 Berechnung der Zugehörigkeitsgrade zur Regelbasis;101
10.2.4;5.2.4 Ermittlung der Distanzen zwischen Cases und Controls;103
10.2.5;5.2.5 Identifizierung der statistischen Zwillinge;103
10.2.6;5.2.6 Ausgabe der Ergebnisse;107
11;6 Anwendungsbeispiele des statistischenFuzzy-Matchings;108
11.1;6.1 Einstellungen von Arbeitslosen undErwerbstätigen zur deutschen Vereinigung;108
11.1.1;6.1.1 Allgemeine Bevölkerungsumfrage derSozialwissenschaften ALLBUS 2006;109
11.1.2;6.1.2 Auswahl der Arbeitslosen und Erwerbstätigen;110
11.1.3;6.1.3 Matching von Arbeitslosen mit Erwerbstätigen;112
11.1.3.1;6.1.3.1 Linguistische Terme und Zugehörigkeitsfunktionen;113
11.1.3.2;6.1.3.2 Matching-Güte;120
11.1.4;6.1.4 Ergebnisse;143
11.1.4.1;6.1.4.1 Einstellungen zur deutschen Vereinigung;147
11.1.4.2;6.1.4.2 Neue Erkenntnisse über Einstellungen zur deutschen Vereinigungdurch Fuzzy-Matching;148
11.1.4.3;6.1.4.3 Erkenntnisse über Einstellungen zur deutschen Vereinigung durcheinfaches Distanzmatching;151
11.1.5;6.1.5 Zusammenfassung;152
11.2;6.2 Nutzer sozialer Online-Netzwerke undEinstellungen gegenüber Weblogs;157
11.2.1;6.2.1 Beschreibung der verwendeten Daten;158
11.2.1.1;6.2.1.1 Mehrwert sozialer Online-Netzwerke aus Benutzersicht;158
11.2.1.2;6.2.1.2 Wie ich blogge?! Die Weblog-Umfrage 2005;158
11.2.2;6.2.2 Vergleichbarkeit der verwendeten Daten;159
11.2.3;6.2.3 Matching von Nutzern sozialer Online-Netzwerke mitAutoren und Lesern von Weblogs;162
11.2.3.1;6.2.3.1 Auswahl der Matchingvariablen;162
11.2.3.2;6.2.3.2 Festlegung der linguistischen Terme;164
11.2.3.3;6.2.3.3 Matching-Güte;167
11.2.4;6.2.4 Gewichtung der Matchingvariablen;176
11.2.5;6.2.5 Ergebnisse;181
11.2.5.1;6.2.5.1 Mitglieder sozialer Online-Netzwerke als Blogger;182
11.2.5.2;6.2.5.2 Verhalten von Blog-Autoren in sozialen Online-Netzwerken;185
11.2.5.3;6.2.5.3 Verhalten von Blog-Lesern in sozialen Online-Netzwerken;189
11.2.6;6.2.6 Zusammenfassung;192
12;7 Zusammenfassung, Fazit und Ausblick;194
12.1;7.1 Zusammenfassung;194
12.2;7.2 Fazit;196
12.3;7.3 Ausblick;199
13;Anhang;201
13.1;A Ridit-Werte und Ridit-Test;201
13.2;B Einstellungen zur deutschen Vereinigung vonArbeitslosen und ihren statistischen Zwillingen;202
13.3;C Quellcode des Programms zum statistischenFuzzy-Matching;210
14;Literaturverzeichnis;226
15;Sachverzeichnis;250

Statistisches Matching.- Grundlagen der Fuzzy Logic.- Statistisches Fuzzy-Matching.- Programmtechnische Umsetzung des statistischen Fuzzy-Matchings.- Anwendungsbeispiele des statistischen Fuzzy-Matchings.- Zusammenfassung, Fazit und Ausblick.

Über Autor(innen)

Dr. Patrick Noll promovierte bei Prof. Dr. Paul Alpar am Institut für Wirtschaftsinformatik der Philipps-Universität Marburg. Zur Zeit arbeitet er als Consultant für Business Intelligence bei einem mittelständischen IT-Dienstleister.