Using the best common set of weights for discriminating efficient candidates with ranked voting data
محل انتشار: دومین کنفرانس بین المللی تحقیق در عملیات ایران
سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,415
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICIORS02_204
تاریخ نمایه سازی: 11 اسفند 1387
چکیده مقاله:
Ranked voting data arise when voters select and rank more than one candidate with order of preference. Cook and Kress [W.D. Cook, M. Kress, A data envelopment model for aggregating preference rankings, Management Science 36 (11) (1990) 1302–1310], using a DEA/AR model, proposed to assess each candidate with the most favorable scoring vector for him/her. However, the use of this procedure often causes several candidates to be efficient, i.e., they achieve the maximum score. For this reason, several methods to discriminate among efficient candidates have been proposed. In this paper we aim to search one common set of weights by using a voting model, to create the best efficiency score of one group composed of efficient candidates. Then, we use this common set of weights to evaluate the absolute efficiency of each efficient candidate in order to rank them.
کلیدواژه ها:
نویسندگان
M Soltanifar
Islamic Azad University, Semnan B ranch, Semnan, Iran_Department of Mathematics, Islamic Azad University, Science & Research Branch, Tehran, Iran
A Ebrahimnejad
Islamic Azad University, Ghaemshahr Branch, Ghaemshahr, Iran_ Young Researchers Club, Ghaemshahr Branch
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :