Resumen

El modelo de regresin logstica se utiliza ampliamente en ecologa y en el anlisis de sistemas socioeconmicos, debido a su buena adaptabilidad. Para mejorar la precisin de medicin del modelo logstico, este artculo propone un nuevo mtodo. Se desarrolla un modelo logstico gris compuesto para llevar a cabo la transformacin gris de los datos originales. La prctica demuestra que los datos transformados en gris tienen una mayor precisin de simulacin; al mismo tiempo, la transformacin en gris puede reducir el ruido de observacin de los datos originales. El ndice de error porcentual absoluto medio se ha utilizado para evaluar la precisin del modelo de prediccin, y la entropa de la informacin puede utilizarse para evaluar el cambio de la entropa de la informacin de los datos de prediccin. En este artculo, se utilizan tres casos para verificar la aplicabilidad del modelo gris-logstico. Desde la perspectiva del tipo de datos originales, los tres casos representan tres condiciones de datos diferentes: datos suficientes, datos insuficientes y datos fragmentarios. Los casos representan diferentes campos relacionados: datos de cuota de mercado, datos de crecimiento econmico y datos de produccin de I+D. Los resultados muestran que el mtodo gris-logstico propuesto puede llevar a cabo eficazmente el anlisis del crecimiento de la poblacin.

• Materias:Algoritmos (Matemáticas) Matemáticas Lógica matemática Ingeniería Algebra
• Subjects:Agorithms (Math) mathematics Mathematical logic Engineering Algebra
• Palabras claves:modelo de regresión logística; ecología; sistemas socioeconómicos; precisión de la medición; modelo logístico gris compuesto; transformación de grises
• Keywords:logistic regression model; ecology; social economic systems; measurement accuracy; compound grey-logistic model; grey transformation