灰色统计的基本思想，从灰色主成分分析和灰色因子分析两方面进行了理论和实证的探讨与分析。 1 灰色统计方法的基本思想 由包含现实信息的少数据序列所表现的规律，称为现实规律。灰色系统理论通过序列的生成和开发，致力于现实规律的探讨，而数理统计则致力于统计历史规律的研究。 两者研究的数据对象虽然不同，但殊途同归，两者都是通过数据的表面特征去寻找数据所蓄含的内在规律。 对于“灰”性较大的数据，显然是首选灰色系统的方法，但用灰色方法处理后的结果，如灰色关联度、灰色关联度矩阵等，可以看作是统计范畴内的相关系数、相关阵的满意解或近似解，仍具有统计范畴内的相关系数、相关阵的内涵。因此我们可以仍然沿用相应的统计方法继续处理这些结果，从而可以求得目标的满意解、近似解。 2 灰色主成分分析的基本理论及灰色主成分景气指数 我们所研究的灰色主成分分析是指灰色关联主成分分析，其基本思想是根据序列曲线形状的相似程度来判断其联系是否紧密。 设ε_(ij)为X_i与X_j的灰色绝对关联度，简称绝对关联度。 ε_(ij)满足：(1)0＜ε_(ij)≤1；(2)ε_(ij)=ε_(ji)；(3)ε_(ii)=1。 记X=(X_1，X_2，…，X_P)′，X_1，X_2，…，X_P的灰色绝对关联度矩阵为V=(ε_(ij))_(p×p)，即 显然，V是对称正定阵，且V是原序列组的统计范畴内的相关阵的满意解或近似解。 令u=(u_1，u_2，…，u_P)′，v=(v_1，v_2，…，v_P)′，x=u′X，y=v′X u′Vv定义为x=u′X与y=v′X的灰协方差，记为Gcov(x，y)。因Gcov(x，y)是x=u′X与y=v′X的统计范畴内的协方差的满意解，故原有的线性的运算性质仍适用。 同理，我们可定义x的灰方差，记为Gvar(x)，Gvar(x)=Gvar(u′X)=u′Vu。

灰色方差
针对概率本身的灰色不确定性 ,基于概率论和灰色系统理论方法 ,定义了灰色概率、灰色概率的灰度、灰色概率分布、灰色概率密度、灰色期望及灰色方差等基本概念 ,介绍了可以用于灰色概率分布参数估计的D S理论及其参数统计推断的Dempster方法和Shafer方法

3# m201000000
我说的不是灰方差 而是global var叫全局自回归向量 其他的我就不知道了

global var