dea效率分析为何都是1
DMU的数量和标准的数量是1。根据查询相关公开信息显示，出现DMU的数量和标准的数量是1的情况，导致dea效率分析都是1，效率评价指数是1。dea指数据包络分析，数据包络分析是运筹学和研究经济生产边界的一种方法。
如何用数据包络分析（DEA）进行效率评估？
一、什么是数据包络分析DEA
数据包络分析DEA是一种多指标投入和产出评价的研究方法，其应用数学规划模型计算比较决策单元（DMU）之间的相对效率，对评价对象做出评价。比如有10个学校(即10个决策单元DMU,Decision Making Units)，每个学校有投入指标（比如学生人均投入资金），也有产出指标（比如学生平均成绩，学生奥数比赛比例等），有的学校投入多，有的学校投入少，但是投入多或少，均会有对应的产出，那么具体哪个学校的投入产出更加优秀呢，诸如此类投入产出的优劣问题，则可使用数据包络DEA模型进行分析。
最常见的DEA模型为CCR和BBC，此两种模型的区别在于是否假定‘规模报酬可变’，其对比如下：
二、数据包络分析DEA案例
1
当前希望对天津市的城市可持续发展情况进行研究，共收集1990~1999共计10年的相关指标数据。具体说明如下表格：
原始数据如下图，从下图来看，从1990~1999年共计10年里面，人均GDP和城市环境质量指数均在逐步提高，单独从产出指标来看说明每年都在提升。但反过来看，3个投入指标却有高有低，那么到底哪些年的投入产出较好，而哪些年的投入产出还有改进空间并不知晓，这正是需要数据包络分析DEA分析寻找的答案。
2
数据包络分析DEA时，首先需要分析综合效益值θ，即首先判断DMU是否有DEA有效，如果有效，则说明该DMU较优，反之说明‘非DEA有效’，即相对来说还有提升空间，那么提升空间具体在哪里呢，比如提高还是减少规模呢，可以通过规模效益分析得到。与此同时，如果是‘非DEA有效’，那么具体问题是什么，投入冗余还是产出不足，则可以通过对应的投入冗余 或产出不足分析表格得出，具体数字直接查看松驰变量即可。如下表所示：
3
本例子操作截图如下：
分别将3个投入指标和2个产出指标放在对应的框中，与此同时，本案例中年份为决策单元DMU，因此放入对应的框中，当然也可以不放入DMU（如果不放入，SPSSAU默认输出为比如第1项，第2项等）。另外，本案例使用默认的BBC(VRS)模型进行分析。
4
如果是BBC模型时，SPSSAU共输出6个表格和1个图。分别如下：
如果是CCR模型时，SPSSAU共输出4个表格【无规模报酬相关的表格】和1个图。分别如下：
5
有效性分析是指决策单元DMU的总体有效性情况，本案例使用BBC模型进行分析。从上表可以看出：1997，1998和1999这三年的数据均为‘DEA强有效’，即相对于其它年份（DMU）来讲，此3年的投入产出达到相对最有效率。
关于有效性的判断规则说明如下：
如果综合效益值等于1且松驰变量S-和松驰变量均为0，那么为DEA强有效，说明相对来讲某DMU单元达到最有效率；如果综合效益值等于1并且2个松驰变量任意中任意1个大于0，那么为DEA弱有效，说明某DMU单元已经相对有效率但还有一定提升空间；如果说综合效益值小于1（此时不论松驰变量为多少），那么为非DEA有效，即说明相对来讲投入产出比效率较差。
以及关于上表格中各指标的意义说明如下表：
从本案例分析来看，除1997，1998和1999共3个决策单元外，其余年份（决策单元DMU）均为非DEA有效，即还有较大的提升空间，下述中还会进一步对规模效益系数进行分析。
上图为有效性分析的图示化，人上图可以看到，从1990到1999年变迁过程中，综合效益值在不断的提升，也即说明政府的投入产出效率在不断提升。包括规模效益和技术效益均在不断提升，进一步说明投入产出效率的提升，也即说明政府的效率在不断提高。
针对BBC模型即规模报酬可变模型来看，上述分析可知，1997,1998和1999这3年均为DEA强有效，自然其规模报酬达到最优即规模报酬固定。而1997年之前，规模报酬系数值均小于1，也即说明规模报酬递增，加大规模更加速提高投入产出比。可能这也正是政府在逐年提升投入的原因。关于规模报酬系数的判断规则说明如下表:
针对非DEA有效的决策单元DMU，可进一步分析其‘投入冗余’情况。当然DEA强有效的决策单元（本案例中的1997，1998和1999共3年），相对意义上其并没有投入冗余问题，因此松驰变量S-值均为0。
松驰变量S-意义为“减少多少投入时达目标效率”，简单来说就是得到基于当前的产出，投入要减少多少才能达到高效率。该值越小越好，最小值为0（即最优状态），从上表可知：从1990~1996年间，政府财政收入占GDP比例对应的松驰变量S-值一直都大于0，意味着财政收入相对GDP过高（收税相对过多）。与此同时，在1994~1996年这3年里，每千人科技人员数的松驰变量S-值较高，意味着科技人员占比相对过高，可适量减少科技人员投入。
至于投入冗余率，其是一个相对的数字，即‘过多投入’除以‘已投入’，分析时可直接对比该数字，如果该值越大意味着需要减少的比例越大。
针对非DEA有效的决策单元DMU，可进一步分析其‘产出不足’情况。当然DEA强有效的决策单元（本案例中的1997，1998和1999共3年），相对意义上其并没有产出不足问题，因此松驰变量S+值均为0。
松驰变量S+意义为“增加多少产出时达目标效率”，简单来说就是得到基于当前的投入，产出要增加多少才能达到高效率。该值越小越好，最小值为0（即最优状态），从上表可知：人均GDP这一产出变量仅在1995年出现松驰变量S+值大于0，意味着1995年时人均GDP相对产出较低。与此同时，1990~1993共4年时间里，松驰变量S+值大于0，说明此4年里面相对于投入，产出效率还有提升空间（即产出不够）。
至于产出不足率，其是一个相对的数字，即‘产出不足’除以‘已产出’，分析时可直接对比该数字，如果该值越大意味着需要产出增加的比例越大。
描述统计分析表格为各研究指标的平均值和标准差值等，用于查阅数据中是否有缺失或异常情况等，并无其它意义。
6
涉及以下几个关键点，分别如下：
数据包络分析DEA从数学原理上并不要求数据进行量纲化处理，如果需要处理，可使用SPSSAU数据处理里面的生成变量功能进行处理。与此同时，如果数据有负向（逆向）指标，则需要对其进行逆向化处理，让其指标意义变为正向。处理方式为：SPSSAU数据处理里面的生成变量功能中的逆向化处理。
如果指标中有负向（逆向）指标，那么需要对负向（逆向）指标进行逆向化处理，使其意义变为正向。处理方式为：SPSSAU数据处理里面的生成变量功能中的逆向化处理。
数据包络DEA分析有很多模型，BBC和CCR最为经典，如果考虑规模报酬可变则使用BBC，反之如果认为规模报酬不变则应使用CCR，通常情况下使用BBC较多。
数据包络DEA分析进行分析时，其是一个相对对比的过程，即基于所分析数据里面对比相对的优劣，比如不同城市的DEA分析，有的分析发现北京DEA有效，但指标更改后（或对比的DMU更换），可能就会出现北京为非DEA有效。
数据包络分析-DEA（Data Envelopment Analysis）-DEA的简单原理
数据包络分析 （Data envelopment analysis，DEA）是 运筹学 和研究经济生产边界的一种方法。该方法一般被用来测量一些决策部门的 生产效率 。
（1）效率=产出/投入，反映单要素生产率问题，例如：劳动生产率、资本生产率等。
（2）例子：需衡量A-H八个门店的效率
①投入指标：Employee（雇员劳动力）
②产出指标：Sale（销售收入）
③效率：Sale/Employee（销售收入/雇员劳动力）
④分析：根据Sale/Employee比值结果来看，其他门店比值小于1，而B门店比值为1，所以B门店效率最高
⑤前沿线与回归线：
前沿线（Efficient Frontier）：把所有点包络起来，最有效的点位于前沿线上
回归线（Regression Line）：从原点出发，穿过所有点中间，解释的是投入对产出在 平均 意义上产生多大影响，不能衡量效率
⑥A的改进方式：
①投入指标：Employee（雇员劳动力） 、Floor Area（门店面积）
②产出指标：Sale（销售收入）
③生产前沿图：
④A的改进途径：
①投入指标：Employee（雇员劳动力）
②产出指标：Customers（顾客数量）、Sale（销售收入）
③生产前沿图：
④D的效率：
dea 分析结果的 技术效率 纯技术效率 规模效率到底应该如何定义呢？
纯技术效率反映的是DMU（决策单元） 在一定( 最优规模时) 投入要素的生产效率。
规模效率反映的是实际规模与最优生产规模的差距。
一般认为：综合技术效率=纯技术效率×规模效率。
综合技术效率是对决策单元的资源配置能力、资源使用效道率等多方面能力的综合衡量与评价;
纯技术效率是企业由于管理和技术等因素影响的生产效率，
规模效率是由于企业规模因素影响的生产效率。
综合技术效率=1，表示该决策单元的投入产出是综合有效的，即同时技术有效和规模有效。
纯技术效率=1，表示在目前的技术水平上，其投入资源的使用是有效率的，未能达到综合有效的根本原因在于其规模无效，因此其改革的重点在于如何更好地发挥其答规模效益。
数据挖掘-DEA（探索性数据分析）
探索性数据分析是指：对已经有的数据在尽量少的先验假定下进行数据探索，可以通过绘图、制表、数学拟合、计算特征量等手段探索数据的结构和规律。特别对于现在所面临的大数据时代，各种杂乱的“脏数据”，通常使我们不知从何下手去了解手上的数据集，这个时候探索性分析就很有效了。
离散型：离散型数据相当于分类数据，如班上学生的人数、扔骰子的结果、性别、种族等。
连续型：也即是在值域里面是连续取值，这种变量一般是有序的，如身高（可以是在人类的身高范围内的任意值）、叶子的长度、狗的体重等。
1、让你最大程度得到数据的直觉
2、发掘潜在的结构
3、提取重要的变量
4、删除异常值
5、检验潜在的假设
6、建立初步的模型
7、决定最优的因子设置
1、数据的典型值是多少（均值、中位数）？
2、典型值的不确定性是什么？
3、一组数据的良好分布拟合是什么？
4、数据的分位数是多少？
5、一个工程上的修改是否有作用？
6、一个因子是否有影响？
7、最重要的因素是什么？
8、来自不同实验室的测量结果是否相等？
9、将响应变量与一组因子变量相关联的最佳函数是什么？
10、什么是最好的因子设置？
11、我们可以将时间相关数据中的信号与噪声分离吗？
12、我们可以从多变量数据中提取任何结构吗？
13、数据是否有离群值？
参考：
写在学习后的话：第一次接触数据挖掘的知识，第一次写网络文章，排版有点乱（尴尬），希望自己在这次datawhale组织的数据挖掘课程中能学到知识，结交优秀的朋友。
股票中DEA是什么意思
DEA：data envelopment analysis的缩写，即数据包络分析。
DEA有效性与相应的多目标规划问题的pareto有效解（或非支配解）是等价的。数据包络分析(即DEA)可以看作是一种统计分析的新方法。它是根据一组关于输入－输出的观察值来估计有效生产前沿面的。
在经济学和计量经济学中，估计有效生产前沿面，通常使用统计回归以及其它的一些统计方法，这些方法估计出的生产函数并没有表现出实际的前沿面，得出的函数实际上是非有效的。
扩展资料
股市的市场特点有以下：
1 有一定的市场流动性，但主要取决于当日交易量（交易量取决于投资人心理预期）。
2股票市场只在纽约时间早上的9：30到下午4：00（中国市场为下午三点）开放，收市后的场外交易有限。
3成本和佣金并不是太高适合一般投资人。
4 卖空股票受到政策（需要开办融资融券业务）和资本（约50万）的限制，很多交易者都为此感到沮丧。
5 完成交易的步骤较多，增加了执行误差和错误。
参考资料来源：百度百科--dea
参考资料来源：百度百科--股票市场
以上文章内容就是对dea分析和dea分析法可以用来分析什么的介绍到此就结束了，希望能够帮助到大家？如果你还想了解更多这方面的信息，记得收藏关注本站。
标签： dea分析