站长指定：备赛MCM/ICM攻略

Summer苏苏

怎样阅读论文：

论文，实际上是别人解决某个问题的过程和相应的结果，而这个问题显然你不会再碰到了。

所以，你记住里面的结论，知道他是建了个什么名字的模型然后解决了一个叫什么的方法，显然是没有用的，这种浅层次的记忆只会让你抱着侥幸心理去想：下次能不能够碰到一个背景类似的问题直接套用？很遗憾，这种浮于表面的想法无法深入到文章的思想，这样的生搬硬套就会像布包刺猬一样，总还是会扎人的，评委看起来也会刺眼。其实，读论文最能帮助大家提高的办法是：从作者解决这个问题的方法出发，还原回去：他是怎么想到这么做的？换了我能够形成这样正确而可行的思路

吗？

比方说，2012年A题葡萄酒评价模型，有篇文章用了回归分析和灰色关联方法对葡萄酒进行了评级，然后比较二者的结果，得出灰色关联的方法更加能够反映理化成分对葡萄酒质量的影响的结论。这就是论文表面上给我们呈现的样子，但是我们就可以多想想以下几个问题：

1. 葡萄酒的理化成分数据是怎么一个结构？作者用了哪些数据处理方法，缺失、异常数据怎么处理的？他为什么要这么处理？如果以后遇到类似的问题，数据分析的时候，有没有好的步骤？

简要来说，这道题的理化指标是一个多变量多对象的二维数据表，存在异常数据用spss验证数据功能予以去除，缺失值用插值方法补充，然后用主成分分析法进行了降维，目的是能够减小变量个数。这样一来，数据分析的一套流程就比较清楚了。

2. 他为什么选取了回归分析和灰色关联方法来建模？遇到这类评价某事物的问题，一共有哪些建模方法？分别能够在什么条件下使用？各有什么特点？

回归分析能够忽略问题机理，只从数据上分析出变量之间的相关关系，进而得出结论；而灰色关联方法能够在机理没有完全摸清的情况下，部分挖掘变量间更深层次的联系，更能够准确地评价葡萄酒的好坏。在评价类问题上，我们还有TOPSIS方法，模糊综合评判等等，各有各的特点和优势，处理的问题类型有较小的差别，大家可以自行学习。

3. 在做模型检验时，他是用什么标准来得到判断灰色关联方法比回归分析要好的结论的？他怎么想法到这一点的？我遇到这种比较时能不能够想到这一点上？

该文章直接用了评价误差率指标来判别评价好坏，并且从模型的假设、简化等建立过程中分析出灰色关联方法更加优越的结论，于是我们在对两个模型进行优劣比较的时候，也应该从结果和建立过程分析，进而比较优劣。

从这个思路中间大家应该基本能知道，下次再遇到西瓜酒，葡萄汁，或者电脑的评价问题数据应该怎样进行处理了，我们要类比的是数学结构，而不是表面上这个东西是葡萄酒还是白酒，也许这篇论文读透了，以此为线索，整个评价问题你都解决了。而只有平时思考问题的思维达到这个层次了，不浮于表面，你的举一反三，联想能力才能够真正发挥作用，能够知道遇到一个新问题，怎么找到学过的知识予以分析。

Summer苏苏

偶素小编。偶会经常发一些备战美赛帖子。

森之张卫东

站长，受益颇深呀！！！