如何测量新经济指数？

由于新经济指数由多维度的多个指标构成，因此要利用合适的多指标综合评判方法进行系统性判断和评价。

横纵向拉开档次法考虑了动态面板数据在截面和时间上的双重差距，一般来说差异之处与相似之处相比包含着更多的信息，这种赋权方法通过最大程度上的差异化减少了指标合成造成的信息损耗，而且特别适用于动态面板数据，弥补了截面因子分析法等赋权方法只能应用于截面数据的不足，也规避了动态因子分析法估计参数过多不适用于短面板的局限。神经网络分析法利用机器强大的计算能力学习和探索事物内部机理，通过空间转换进行非线性拟合，以模拟复杂和多层次的逻辑，从内在机理的角度出发对事物进行模拟、分类、预测和改进，从而客观地、科学地达到偏误纠正和数据改进的目的。横纵向拉开档次法和神经网络分析法都是客观赋权方法，避免了因对新经济认识不足而导致的主观误判。因此，首先采用横纵向拉开档次法利用指标数据的信息进行赋权，然后利用神经网络分析法对初始赋权值进行模拟和改进，以得到更优的综合评价结果。将横纵向拉开档次法与神经网络分析法结合，在发挥横纵向拉开档次法优点的基础上，通过神经网络分析法对测算结果进行偏差纠正和数据改进，从而得到更加合理和准确的测算结果。

横纵向拉开档次法的原理是选取使总离差平方和最大的权重指数以放大横向（不同评价对象之间）和纵向（不同时间点之间）的差异，数学表现形式如下，其中，ωj表示权重，Xij表示对象，si第j个评价指标，tk表示时刻，yi（tk）表示对象si在tk时刻的综合评价值，表示yi（tk）的平均值。神经网络分析法是以一种类似于人的大脑神经突触连接的结构进行信息处理的数学模型，通过多层的神经元结构对输入特征向量进行空间转换，从而对事物中复杂的机制和关系进行拟合，如图2所示。(www.xing528.com)

图2　神经网络示意图

神经网络的参数设定在神经网络模型的构建中起着至关重要的作用，神经网络参数选取的合理与否直接决定了神经网络进行学习和预测的准确性。神经网络模型最重要的三个参数分别是神经网络隐藏层的个数、每个隐藏层神经元的个数和正则化强弱。为保证参数选取的合理性，利用交叉验证法（将样本随机平均分成N份，轮流选取其中N-1份训练，剩余的一份做验证，计算预测误差平方和，最后把N次预测误差平方和求和再做平均，并以此作为判断模型最优结构的依据）对模型的性能进行检验以得到最优的参数。