基于非连续自组织的职业轨迹分析

如果我们注意到（如【16】所示），则扩展=XxXk∈V（c（x））| V（c（x））| | | x- mk | |，（7）-202468-202468-202468-202468-202468                     （a）-202468-202468-202468-202468-202468                     （b）-2.-2.-2.-2.-2.                    （c） 图3：（a）SOM映射（经典网格邻域）codebo ok r表示，（b）D-SOM映射码本表示，（c）SOS映射码本表示。对于每个码本，其在特征空间中的坐标用表1所示的特征顺序进行描述。对于每个子批次，我们在横坐标中找到特征编号，在纵坐标中找到码本特征的标准值。其中V（c（x））是c（x）的邻域集，由图的邻接矩阵定义，我们可以计算相对扩展的量化误差：RQEext=SCextendedSCtotal。（8） RQEEmiversion的一个小值表示组织良好，因为它意味着映射上的相邻码向量在模式空间中很接近。为了进行比较，将三种可能的解决方案，即SOM、D-SOM和SOS，用相同的程序和参数（线性递减学习率和Gaussianneighborhood函数，每种方法运行一次）拟合到PSID数据中，相关结果如表3所示。表3显示，D-SOM在单位级别上比其他方法获得更好的量化。这是因为map约束较少，所以自适应算法为RQE找到了更好的最小值。对于相对扩展的量化误差，D-SOM和SOS的结果接近并优于SOM情形的结果。此外，D-SOM和SOS使我们能够得到良好的对比，并易于解释宏观分类。

由于我们的主要目标是构建健壮的宏类，因此我们决定只考虑这两种拓扑。RQE RQEextSOM 22.23%40.37%D-SOM 12.79%22.01%SOS 16.79%22.36%表3：三种拓扑的相对量化误差和相对扩展量化误差，单位为%。因此，在单元级，D-SOM拓扑在该特定数据集上实现了最佳结果，因此这种拓扑似乎更适合这种情况。同样类型的质量度量可以作为第三个指标在宏观类级别上计算。为此，我们定义：SCmacro=Xxkx- Mb（x）k，（9），其中b（x）给出x的宏类数，例如b（x）=s，s∈ {1，…，S}，其中S是映射中宏观类的数量，Msis是宏观类S成员的经验平均值。通过平方和的总和对该数量进行归一化，可以得到一个标准化的质量度量：RQEmacro=SCMACROCTOL。（10） 对于D-SOM拓扑和SOS拓扑，如果恒星的每一条射线都与一个宏类加上一个宏类相关联，则可以很容易地计算出该数量。由于基于矩形网格的经典SOM拓扑没有定义此类宏类，因此必须使用额外的步骤，使用K-means（15）或层次升序聚类（HAC）来构建宏类。我们在这里使用后者来构建经典SO M映射中的宏类。使用这种方法，可以计算RQEmacrowith的演化与SOM映射的宏类数量的对应关系，如图4所示。

因此，我们能够在宏类级别上比较具有5个宏类的三个贴图的相对量化误差。结果如表4所示。RQEmacroSOM+HAC 60.4%D-SOM47.5%SOS 55.7%。0 5 10 15 20 25 30 35 400.10.20.30.40.50.60.70.80.91 HAC集群数量图4：RQEMACRO相对于SOM+HAC宏类数量的演变。该质量度量得出的结论与之前的相同，D-SOM在PSID数据集上表现更好，与其他两种方法的差异更为明显。正如预期的那样，由于数据描述较粗糙，因此结果比单位级别的结果差。所有这些因素促使我们选择具有五个类别的D-SOM拓扑作为参考，以研究本文研究的PSID数据集。即使D-SOM似乎是最佳选择，我们也可以从经济角度分析SOM和D-SOM之间的比较。最好的方法是在近二十年的时间里，在不断变化的经济政策和经济环境的影响下，对特定的劳动力市场做出最清晰的解释。潜在的全球解释是，这个劳动力市场不是一个同质市场，而是一组在活动水平、工资和资历方面差异很大的子市场；它们之间的联系，例如工人从一个部门转移到另一个部门的能力，是理解经济体系的重要点。4.1. D-SOM算法产生的宏观类别分析如果基本假设“劳动力市场由5个不同于观察期的细分市场组成”成立，则该拓扑结构适用于整个样本。

如果这是错误的，我们可以看到一些宏类对应于第一个周期，其他的对应于第二个周期：这不是我们所发现的。见表5。