发布时间 : 星期一 文章信息检索与论文写作作业1更新完毕开始阅读13d655d85acfa1c7ab00cc3a
[496]黄利莹. 顺应低碳趋势的绿色供应链绩效评价研究[D].武汉科技大学,2010.
[497]吴孔达. 中小型工程项目人力资源绩效评价与薪酬管理问题研究[D].西南交通大学,2012.
[498]刘帅. 我国非营利组织绩效评价指标体系的设计与评价[D].太原理工大学,2012. [499]谢申申. 河南省土地整治项目绩效评价研究[D].河南大学,2012.
[500]李美君. 创新型中小企业绩效评价体系研究[D].哈尔滨理工大学,2015.
3、以如下研究方法中，选择两种，做一个简单的文献综述
AHP，模糊综合评价法，德尔菲法，主成份分析、因子分析法、回归分析法、流程再造法、仿真法、扎根理论、系统动力学方法、工作流、6西格玛、软件缺陷分析、Petri网； Arena仿真、平衡计分卡、精益生产、软件缺陷分析、蒙特卡罗仿真；价值流分析、QC小组、持续改善循环、解释结构模型、数据包络分析、因果分析图、全面风险管理、灰关联分析、用户感知理论、动态能力模型、ITIL、关键链法、Borda分析法；
结构方程文献综述
简介
结构方程模型（Structural·Equation·Modeling,SEM)融合了因素分析和路径分析的多元统计技术。“在社会科学以及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题”。20世纪80年代以来，结构方程模型迅速发展，弥补了传统统计方法的不足，成为多元数据分析的重要工具。
概念
Structural Equation Modeling, 简称SEM模型
结构方程模型（SEM）目的在于探索事物间的因果关系，并将这种关系用因果模型、路径图等形式加以表述，如图1所示。
在模型中包括两类变量：一类为观测变量，是可以通过访谈或其他方式调查得到的，用长方形表示；一类为结构变量，是无法直接观察的变量，又称为潜变量，用椭圆形表示。
各变量之间均存在一定的关系，这种关系是可以计算的。计算出来的值就叫参数，参数值的大小，意味着该指标对最终指标的影响的大小，都是直接决定某一事件是否发生的重要因素。如果能科学地测算出参数值，就可以找出具有关键影响的绩效因素。
图1 结构方程图形示例
结构方程的优点
（一）同时处理多个因变量
结构方程分析可同时考虑并处理多个因变量。在回归分析或路径分析中，就算统计结果的图表中展示多个因变量，其实在计算回归系数或路径系数时，仍是对每个因变量逐一计算。所以图表看似对多个因变量同时考虑，但在计算对某一个因变量的影响或关系时，都忽略了其他因变量的存在及其影响。
（二）容许自变量和因变量含测量误差
态度、行为等变量，往往含有误差，也不能简单地用单一指标测量。结构方程分析容许自变量和因变量均含测量误差。变量也可用多个指标测量。用传统方法计算的潜变量间相关系数，与用结构方程分析计算的潜变量间相关系数，可能相差很大。
（三）同时估计因子结构和因子关系
假设要了解潜变量之间的相关，每个潜变量者用多个指标或题目测量，一个常用的做法是对每个潜变量先用因子分析计算潜变量（即因子）与题目的关系（即因子负荷），进而得到因子得分，作为潜变量的观测值，然后再计算因子得分，作为潜变量之间的相关系数。这是两个独立的步骤。在结构方程中，这两步同时进行，即因子与题目之间的关系和因子与因子之间的关系同时考虑。
（四）容许更大弹性的测量模型
传统上，我们只容许每一题目（指标）从属于单一因子，但结构方程分析容许更加复杂的模型。例如，我们用英语书写的数学试题，去测量学生的数学能力，则测验得分（指标）既从属于数学因子，也从属于英语因子（因为得分也反映英语能力）。传统因子分析难以处理一个指标从属多个因子或者考虑高阶因子等有比较复杂的从属关系的模型。
（五）估计整个模型的拟合程度
在传统路径分析中，我们只估计每一路径（变量间关系）的强弱。在结构方程分析中，除了上述参数的估计外，我们还可以计算不同模型对同一个样本数据的整体拟合程度，从而判断哪一个模型更接近数据所呈现的关系。
结构方程模型的应用
SEM以研究因果关系为背景，是一种包罗万象的量化和理论检验的工具。在市场研究界可应用于多种研究，如：满意度研究、品牌研究、产品研究等。因此对品牌管理具有很好的帮助作用。
从宏观角度出发，SEM构建的模型有助于对品牌的宏观掌控。这种SEM模型一般都比较简洁，着重于宏观的、归纳性的目的，模型结构在较长的时间里不会发生变化。
从微观角度出发，SEM可以为品牌的微观管理建立详细的路径图，对品牌建设提供具体的操作指导。这种SEM模型的特点是模型一般都比较复杂，包含从抽象到具体的各类属性，着重全面、有层次性的目的，模型可能需要定期的进行调整。
结构方程软件AMOS简介
amos是analyse of moment structures，也就是对矩结构的分析，主要是用于对结构方程模型（SEM）的建立和检验，使用图形界面，使用者仅仅通过点击鼠标就可以建立和检验结构方程模型。
AMOS的界面如下：
主要功能：
（1）AMOS具有的方差分析、协方差，假设检验等一系列基本分析方法。 （2）AMOS的贝叶斯和自抽样的方法应用，这个AMOS最具特色的方法，这个也算是比较前沿的应用，在一定程度上克服了大样本条件的限制，当样本低于200甚至是低于100时，贝叶斯方法的结果仍然比较稳定，尤其是MCMC的结果，该方法也可以提供路径分析间接效应的标准误，这在中介效应的使用方面特别有用，还可以观察估计参数的先验概率分布和事后概率分布，并进行人为设定。另外bootstrap也提供类似模拟的标准误，而且提供bootstrap的ADF、ML、GLS、SLS、ULS等参数估计的方法。另外也为时间序列数据提供自相关图用于侦察序
列相关。
（3）AMOS提供方程检验的统计指标，不用说也是很丰富的，需要强调的是有些指标例如SRMR等需要自行设置才能提供，另外比较重要的指标如RMSEA的检验需要自己在figure caption里设置\\pclose才能看到，请详情见手册。
（4）指定搜索（specification search），不知翻译的对不对，这个功能在探索变量间的关系上很好用，关系太多，也没什么假设，使用这个功能看看数据本身是什么关系。一般如果关系很复杂，数据量也很大，使用逐步法能节省很多时间。
（5）AMOS可以实现曲线增长模型，这种模型主要用于追踪数据，研究随时间变化的规律，AMOS这方面的发展很好，包括高阶曲线增长及其衍生的模型。不过同样在基于多层线性模型的曲线增长模型上无法实现。
（6）其他的模型例如混合建模，非递归模型等在AMOS里均有实现。同时AMOS高版本提供程序的透明性、可扩展性，与VB、SAS等软件提供接口，使得其程序编写上带来很大的便利，也拓展了应用范围，而且至20版以后AMOS在程序方面也得到了加强，例如程序编写、程序的生成等，其应用前景更加明朗。
蒙特卡罗仿真文献综述
简介
蒙特·卡罗方法（Monte Carlo method），也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法。是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。与它对应的是确定性算法。蒙特·卡罗方法在金融工程学，宏观经济学，计算物理学（如粒子输运计算、量子热力学计算、空气动力学计算）等领域应用广泛。
基本思想
蒙特卡罗方法于20世纪40年代美国在第二次世界大战中研制原子弹的“曼哈顿计划”计划的成员S.M.乌拉姆和J.冯·诺伊曼首先提出。数学家冯·诺伊曼用驰名世界的赌城—摩纳哥的Monte Carlo—来命名这种方法，为它蒙上了一层神秘色彩。在这之前，蒙特卡罗方法就已经存在。1777年，法国数学家布丰（Georges Louis Leclere de Buffon，1707—1788）提出用投针实验的方法求圆周率π。这被认为是蒙特卡罗方法的起源。
当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。
工作过程
蒙特卡罗方法的解题过程可以归结为三个主要步骤：构造或描述概率过程；实现从已知概率分布抽样；建立各种估计量。
蒙特卡罗方法解题过程的三个主要步骤： （1）构造或描述概率过程
对于本身就具有随机性质的问题，如粒子输运问题，主要是正确描述和模拟这个概率过 程，对于本来不是随机性质的确定性问题，比如计算定积分，就必须事先构造一个人为的概率过程，它的某些参量正好是所要求问题的解。即要将不具有随机性质的问题转化为随机性质的问题。