Математическое моделирование устойчивого развития туризма (1142419), страница 17

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 17)

Вычисление параметровмоделиРеализацияЭтап 4. Оптимизация моделиЭтап 5. Интерпретация и анализполученных результатовРеализацияИсследовательИсследовательПрограммный продуктПрограммный продуктРеализацияИсследовательРисунок Ж.1 - Этапы моделирования PLS-PM и их реализацияИсточник: разработано автором.124Приложение И(справочное)Программный код алгоритма моделирования PLS-PMoptions(stringsAsFactors = FALSE)# Указываем зеркало, с которого будем качать пакетыlocal({r <getOption("repos")r["CRAN"] = "http://cran.rstudio.com"options(repos = r)})# Подключаем пакеты, если их нет - скачиваемif(!require(excel.link)) {install.packages("excel.link")library(excel.link)}if(!require(plspm)) {install.packages("plspm")library(plspm)}# Путь к даннымsetwd("C:/Users/Даниэла/YandexDisk/Аспирантура/Статьи/Data-2")# Считываем данныеw = xl.read.file("Data.xlsx", top.left.cell="A1", xl.sheet = "InterpolatedData")str(w)# Присваиваем метки125labs = c(UR='Гос. доходы за коммунальные услуги, долл.',TIP='Фонд заработной платы туриндустрии, млн.

долл.',LTR='Налоговые поступления от туриндустрии, млн. долл.',HV='Стоимость жилья, долл.',TWU='Общий объем потребляемой воды, млн. галлонов',UER='Уровень безработицы, %',TIE='Количество рабочих мест в туриндустрии, тыс. чел.',FP='Количество бедных семей',ERT='Доля рабочих мест в туриндустрии, %',UE='Расходы коммунальных служб, долл.',EPD='Госрасходы на экономическое развитие, долл.',HSE='Госрасходы на социальные услуги для населения, долл.',PSE='Госрасходы на охрану общественной безопасности, долл.',EPE='Госрасходы на охрану окружающей среды, долл.',NSC='Количество детей, получающих субсидии на лечение, чел.')used_vars = c("UR","TIP","LTR","HV","TWU","UER","ASB","TIE","FP","ERT",126"UE","EPD","HSE","PSE","EPE","NSC")# Для накопления результатов"out<-" = function(x,value){x = c(x, value)x}all_res = list()time_axis = seq_len(nrow(w)) # порядковый номер наблюденияw_stationary = wfor (each in names(labs)){# из всех переменных вычитаем временной трендw_stationary[,each] = w[,each] - predict(lm(w[,each] ~ time_axis))}# Анализ главных компонентif(!require(plsdepot)) {install.packages("plsdepot")library(plsdepot)}127support_pca = nipals(w[, 1:16])plot(support_pca, main = "Support indicators (circle of correlations)",cex.main = 1)# Матрица зависимостейinner_model = rbind(Economy = c(0,0,0,0),Ecology = c(0,0,0,0),Social = c(0,0,0,0),Tourism = c(1,1,1,0))colnames(inner_model) = rownames(inner_model)innerplot(inner_model)# Задаем вектор модов для латентных переменных# "B" - формативная мода - вектор формирует наблюдаемые переменные# "A" - рефлективная мода - вектор формируется наблюдаемыми переменнымиlatent_modes = c("B", "B", "B", "B")# Наблюдаемые переменныеob_Economy = c("EPD", "UR", "UE", "TWU")ob_Ecology = c("EPE", "ERT", "FP", "PSE")ob_Social = c("UER", "HSE", "NSC")ob_Tourism = c("TIE", "TIP", "HV", "LTR")w_plspm = subset(w_stationary, select = -year) # удаляем из данных годindicators = list(which(colnames(w_plspm) %in% ob_Economy),which(colnames(w_plspm) %in% ob_Ecology),128which(colnames(w_plspm) %in% ob_Social),which(colnames(w_plspm) %in% ob_Tourism))# Результатыres = plspm (w_plspm, path_matrix = inner_model, blocks = indicators, modes =latent_modes)summary(res)plot(res)plot(res, what = "loadings")Источник: разработано автором..

Характеристики

Список файлов диссертации