发布时间：
论文文献研究方法部分怎么写
论文文献研究方法部分怎么写，毕业论文对大学生是很重要的一项内容，如果毕业论文不通过就可能毕不了业了，论文的研究方法是很重要的，下面我和大家分享论文文献研究方法部分怎么写，一起来了解一下吧。
1、调查法
调查法是最为常用的方法之一，是指有目的、计划的搜集与论文主题有关的现实状况以及历史状况的资料，并对搜集过来的资料进行分析、比较与归纳。调查法会用到问卷调查法，分发给有关人员，然后加以回收整理出对论文有用的信息。
2、观察法
观察法是指研究者用自己的感官或者其他的辅助工具，直接观察被研究的对象，可以让人们的观察的过程中，可以拥有新的发现，还可以更好的启发人们的思维。
3、文献研究法
以一定的目标，来调查文献，从而获得关于论文的更加全面、正确地了解。文献研究法有助于形成对研究对象的一般印象，可以对相关资料进行分析与比较，从而获得事物的全貌。
论文研究方法最为典型的有调查法、观察法以及文献研究法，都是值得大家采用的方法。
论文写作中的研究方法与研究步骤
一、研究的循环思维方式
二、研究的路径
三、研究的分析方法
四、研究过程的设计与步骤
五、对传统研究思维模式的再思考
在我们指导研究生写论文的过程中，甚至于我们自己从事课题研究时，不禁让我们思考一系列有关研究的基本问题。例如，我们为什么要写论文?我们为什么要做研究?在我们探讨论文写作的过程中，我们是为了完成论文本身的写作，还是完成一个研究过程?写论文与做研究之间有什么联系与区别?如果论文写作应该反映一个研究过程，那么研究过程应该是什么样的?我们用什么样的方法进行研究?我们发现这些问题的解决，对指导研究生的论文写作有非常大的帮助。因此，本文就以我个人在从事教学课题研究和指导研究生完成论文中总结的一些有关研究方法与研究步骤的问题与大家交流共享。欢迎大家参与讨论。
世界上无论哪个领域都存在许多未知的事物，也存在着许多未知的规律。我们研究者的主要任务就是要不断地从大量的事实中总结规律，将之上升到可以指导实践的理论。然而理论也并不是绝对的真理，它也要在实践中不断地被修正，因此，就会有人对理论的前提和内容进行质疑，并提出新的猜想和新的思维。新的猜想和新的思维又要在实践中进行验证，从而发展和完善理论体系。我们探求未知事物及其规律就需要有研究的过程。这个过程，我们称之为研究的循环思维方式(Research Cycle)。用概念模型来表述就是[1]：
Facts —Theory—Speculation
事实——理论——猜想
上述从“事实”到“理论”，再进行“猜想”就构成了一般研究的思路。从事科学研究的人员既要侧重从事实到理论的研究过程，也同时在研究中要有质疑和猜想的勇气。而这一思路并不是一个终极过程，而是循环往复的过程。当猜想和质疑得到了事实的证明后，理论就会得到进一步的修正。
上述研究的循环思维方式就是我们通常说的理论与实践关系中理论来源于实践的过程。这个过程需要严密的逻辑思维过程(Thought Process)。通常被认为符合科学规律，而且是合理有效的逻辑思维方法为演绎法(Deduction)和归纳法(Induction)。这两种逻辑思维方式应该贯穿研究过程的始终。
另外，从知识管理角度看研究的过程，在某种意义上，研究的过程也可以被理解为，将实践中的带有经验性的隐性知识转化为可以让更多的人共享的系统规律性的显性知识。而显性知识的共享才能对具体的实践产生普遍的影响。研究者除了承担研究的过程和得出研究的结论之外，还要将这一研究的过程和结论用恰当的方式表述出来，让大家去分享。不能进行传播和与人分享的任何研究成果，对社会进步都是没有意义的。
我们认为，研究人员(包括研究生)撰写论文就是要反映上述研究过程，不断探索和总结未知事物及其规律，对实践产生影响。我们强调，论文的写作不是想法(idea)的说明，也不仅是过程的表述。论文的写作要遵循一定的研究方法和步骤，在一定的假设和前提下，去推理和/或验证某事物的一般规律。因此，对研究方法的掌握是写好论文的前提条件。
研究的路径(Approaches)是我们对某事物的规律进行研究的出发点或者角度。研究通常有两个路径(Approaches)：实证研究和规范研究。
实证研究(Empirical Study)一般使用标准的度量方法，或者通过观察对现象进行描述，主要用来总结是什么情况(what is the case)。通常研究者用这种研究路径去提出理论假设，并验证理论。规范研究(Normative Study)：是解决应该是什么(what should be)的问题。研究者通常是建立概念模型(Conceptual Model)和/或定量模型(Quantitative Model)来推论事物的发展规律。研究者也会用这种路径去建立理论规范。
我们认为，上述两种研究的路径不是彼此可以替代的关系。二者之间存在着彼此依存和相辅相成的关系。对于反映事物发展规律的理论而言，实证研究与规范研究二者缺一不可，前者为理论的创建提供支持和依据;后者为理论的创建提供了可以遵循的研究框架和研究思路。
针对上述两个路径，研究过程中都存在着分析(Analytical)过程，也就是解释为什么是这样的情况(Explaining why the case is as it is)，而分析过程就需要具体的研究分析方法来支持。
[2]。然而，更多的学者倾向认为，定量与定性的方法问题更多的是从分析技术上来区别的[3]。因为，任何的研究过程都要涉及数据的收集，而数据有可能是定性的，也有可能是定量的。我们不能将定量分析与定性分析对立起来。在社会科学和商务的研究过程中既需要定量的研究分析方法，也需要定性的研究分析方法。针对不同的研究问题，以及研究过程的不同阶段，不同的分析方法各有优势。两者之间不存在孰优孰劣的问题。对于如何发挥各自优势，国外的一些学者也在探索将两者之间的有机结合[4]。
因此，定性分析方法是对用文字所表述的内容，或者其他非数量形式的数据进行分析和处理的方法。而定量分析方法则是对用数量所描述的内容，或者其他可以转化为数量形式的数据进行分析和处理的方法。一项研究中，往往要同时涉及到这两种分析方法[5]。定性分析是用来定义表述事物的基本特征或本质特点(the what)，而定量分析是用来衡量程度或多少(the how much)。定性分析往往从定义、类推、模型或者比喻等角度来概括事物的特点;定量分析则假定概念的成立，并对其进行数值上衡量[6]。
定量分析的主要工具是统计方法，用以揭示所研究的问题的数量关系。基本描述性的统计方法包括：频数分布、百分比、方差分析、离散情况等。探索变量之间关系的方法包括交叉分析、相关度分析、多变量之间的多因素分析，以及统计检验等。定量研究之所以被研究者所强调，是因为定量分析的过程和定量结果具有某种程度的系统性(Systematic)和可控性(Controlled)，不受研究者主观因素所影响。定量分析被认为是实证研究的主要方法。其优势是对理论进行验证(Theory Testing)，而不是创建理论(Theory Generation)。当然，相对自然科学的研究，社会科学和商务研究由于人的因素存在，其各种变量的可控性被遭到质疑，因此，定量分析被认为是准试验法(Quasi-experimental approach)
定性研究有其吸引人的一面。因为文字作为最常见的定性研究数据是人类特有的，文字的.描述被认为具有“丰富”、“全面”和“真实”的特点。定性数据的收集也最直接的。因此，定性分析与人有最大的亲和力。恰恰也就是这一点，定性分析也具有了很大的主观性。如果用系统性和可控性来衡量研究过程的科学性。定性分析方法比定量分析方法更被遭到质疑[7]。然而，定性数据被认为在辅助和说明定量数据方面具有重要价值[8]。实际上，定性分析方法往往贯穿在研究过程的始终，包括在数据的收集之前，有关研究问题的形成、理论的假设形成，以及描述性分析框架的建立等都需要定性的分析过程，即对数据进行解释和描述等。如果遵循系统性和可控性的原则，那么定性分析方法在数据的收集过程中也有一些可利用的辅助工具，例如，摘要法、卡片法、聚类编码法等。在研究结论的做出和结论的描述方面，像矩阵图、概念模型图表、流程图、组织结构图、网络关系图等都是非常流行的定性分析工具。另外，从定性的数据中也可以通过简单的计算、规类等统计手段将定性分析与定量分析方法结合起来。
这里要指出的是，科学研究不能用想法(idea)本身来代替。科学研究需要有一个过程，而这个过程是用一定的方法来证明有价值的想法，并使之上升为理论;或者通过一定的方法来证明、创建或改进理论，从而对实践和决策产生影响。研究过程的科学性决定了研究成果是否会对实践和决策产生积极的影响效果[9]。
第五步、进行数据的处理和分析
数据的处理主要是保证数据的准确性，并将原始的数据进行分类，以便转化成可以进行进一步分析的形式。数据处理主要包括数据编辑、数据编码和数据录入三个步骤。数据编辑(Data Editing)就是要识别出数据的错误和遗漏，尽可能改正过来，以保证数据的准确性、一致性、完整性，便于进一步的编码和录入。数据编码(Data Coding)就是对所收集的第一手数据(例如对问卷开放式问题的回答)进行有限的分类，并赋予一个数字或其他符号。数据编码的主要目的是将许多的不同回答减少到对以后分析有意义的有限的分类。数据录入(Data Entry)是将所收集的第一手或者第二手数据录入到可以对数据进行观察和处理的计算机中，录入的设备包括计算机键盘、光电扫描仪、条形码识别器等。研究者可以用统计分析软件，例如SPSS等对所形成的数据库进行数据分析。对于少量的数据，也可以使用工作表(Spreadsheet)来录入和处理。
数据的分析就是运用上述所提到的定性或定量的分析方法来对数据进行分析。研究者要根据回答不同性质的问题，采取不同的统计方法和验证方法。对于有些研究，仅需要描述性的统计方法，对于另一些研究可能就需要对假设进行验证。在统计学中，假设的验证需要推论的统计方法(Inferential Statistics)。对于社会科学和商务的研究，一些研究是针对所获取的样本进行统计差异(Statistical Significance)的验证，最终得出结论是拒绝(Reject)还是不拒绝(Fail to Reject)所设定的假设条件。另一些研究则是进行关联度分析(Measures of Association)，通常涉及相关分析(Correlation)和回归分析(Regression)。相关分析是通过计算来测度变量之间的关系程度;而回归分析则是为预测某一因变量的数值而创建一个数学公式。
值得注意的是，随着我们研究和分析的`问题越来越复杂，计算机和统计软件的发展使得多变量统计工具应用越来越广泛。如果多变量之间是从属关系，我们就需要从属关系的分析技巧(Dependency Techniques)，如多元回归分析(Multiple Regression)、判别分析(Discriminant Analysis)、方差的多元分析(MANOVA，Multivariate Analysis of Variance)、典型相关分析(Canonical Analysis)、线性结构关系分析(LISREL，Linear Structural Relationships)、结合分析(Conjoint Analysis)等。如果多变量之间是相互依赖关系，我们就需要相互依赖关系的分析技巧(Interdependency Techniques)，如因子分析(Factor Analysis)、聚类分析(Cluster Analysis)、多维尺度分析(Multidimensional Scaling)等。如果收集的数据有明显的时间顺序，我们不考虑变量之间的因果关系，而是重点考察变量在时间方面的发展变化规律，我们就需要时间序列分析(Time Series Analysis)。目前流行的统计软件，如SPSS对上述各种分析方法都提供非常好的支持。
第六步、得出结论，并完成论文
论文的撰写要结构合理、文字表达清楚确定，容易让人理解。形式上要尽量采取可视化的效果，例如多用图表来表现研究过程和研究结果。具体论文的撰写要考虑包含如下内容：摘要、研究介绍(包括背景、研究的问题、研究的目的)、研究的方法和步骤(样本选择、研究设计、数据收集、数据分析、研究的局限性)、研究的发现、结论(简要结论、建议、启示意义)、附录、参考文献。
针对社会科学和商务领域的问题研究，我们传统上所遵循的研究思维模式是：“提出问题、分析问题和解决问题”。我们承认这是一种创造性的思维过程。遵循这种思维方式可以帮助决策者快速找到问题，并解决问题。然而，用这一思维模式来指导研究的过程，容易使我们混淆研究者与决策者的地位，找不准研究者的定位。首先，这一研究思路和模式将问题的解决和问题的研究混在一起了。其次，没有突出，或者说掩盖了对研究方法的探讨和遵循。这种传统的思维方式是结果导向的思维方式。它忽略了问题的识别过程和研究方法的遵循过程。而从科学研究的角度看，问题的识别过程和研究方法的遵循过程是一项研究中非常重要的两个前提。问题的识别过程可以保证所研究的问题有很强的针对性，与理论和实践紧密联系，防止出现只做表面文章的情况，解决不了根本问题。研究方法的遵循过程可以保证研究结果的可靠性，使研究结果有说服力。当然，在此，我们并不是说明“提出问题、分析问题和解决问题”这一传统模式是错误的，也不否认研究的目的是指导实践。然而，我们觉得，这一传统研究思维模式太笼统，太注重结果导向，不足以说明科学的研究的一般方法和研究步骤。
在社会科学和商务研究中，运用这一传统的研究思路和模式来指导学生撰写论文，容易出现两个不良的倾向。一是使我们过于重视论文本身的写作过程，而忽略了论文写作背后的研究过程和研究方法。也就是只强调结果，不重视过程。在此情况下，论文的写作多半是进行资料的拼凑和整合。当然我们并不能低估资料的拼凑和整合的价值。可是，如果一味将论文的写作定位在这样的过程，显然有就事论事的嫌疑，无助于问题的澄清和问题的解决，也有悖于知识创造的初衷。特别是，既没有识别问题的过程，也没有形成研究问题和研究假设，甚至没有用任何可以遵循的研究分析方法，就泛泛对一个问题进行一般描述，进而提出感觉上的解决方案。这种研究结果是很难被接受的。第二个不良的倾向是上述传统的研究思路和模式使我们辨别不清我们是在做研究，还是在做决策。研究通常是在限定的一个范围内，在一定的假设前提下进行证明或推理，从而得出一定的结论。我们希望这个结论对决策者能产生影响。然而，决策者毕竟与研究者所处的地位是不一样的，考虑的问题与研究者或许一致，或许会很不一致。有价值的研究是要给处在不同地位的决策者(或者实践者)给予启示，并促其做出多赢的选择。因此，传统的研究思维模式缺乏研究的质量判定标准，缺乏系统性和可控性，也不具备可操作性，容易让研究者急功近利，盲目追求片面的终极的解决方案。
在指导对外经济贸易大学研究生的实践中，我们曾试图改变以往的传统思维模式，尝试让我们的研究生将论文的写作与研究过程结合起来，特别注重研究的过程和研究方法，并且要求在论文的写作中反映这些研究的方法与步骤。例如，2002届研究生万莲莲所写的《电子采购系统实施中的管理因素-摩托罗拉公司电子采购系统实施案例研究》硕士论文就是在这方面所做的最初探索。此论文的结构就分为综述、指导理论、方法论、数据分析，以及研究结论和启示等五个主要部分，运用了问卷调查和深度访谈等定性和定量的各种具体方法。其研究结论具有非常强的说服力，因为研究者并不限于第二手资料的收集、整理和加工，而是借鉴前人的理论研究框架，运用问卷定量调查等手段，遵循案例研究的方法，对第一手资料进行收集、处理和分析之后得出的结论，对实践具有较强的指导意义。相同的研究方法，我们又应用在其他研究生的论文写作过程中，例如2002届龚托所写的《对影响保险企业信息技术实施的主要因素的研究》、2003届王惟所写的《对中国铜套期保值现状的研究》，以及2003届马鸣锦所写的《中国银行业知识管理程度与网络银行发展程度的关系研究》等。通过论文写作，这些研究生的确掌握了一般研究的方法和研究的步骤。以上的研究结论对教学和实践直接有借鉴的意义。在教学和咨询过程中，其方法和结论都得到了肯定。据多方反馈，效果还是非常好的。
【注释】：
[1]这是笔者在美国芝加哥自然博物馆看恐龙展览时了解的美国科学家的基本研究思路而得到的启示。
[2] Robson, Colin (1993), Real World Research: A Resource for Social Scientists and Practitioner-Researcher. Blackwell Publishers, P303。
[3] Bryman, A. (1988), Quality and Quantity in Social Research. London: Unwin Hyman.我们发现许多文献资料将定量与定性分析方法称为定量与定性技术(techniques)
[4] Cook, . and Reichardt, . (1979) Qualitative and Quantitative Methods in Evaluation Research. Newbury Park and London: Sage. Ragin, C. C. (1987) The Comparative Method: moving beyond qualitative and quantitative strategies. Berkeley, Cal.: University of California Press.
[5]Robson, Colin (1993), Real World Research: A Resource for Social Scientists and Practitioner-Researcher. Blackwell Publishers, P307。
[6] John Van Maanen, James M. Dabbs, Jr., and Robert R. Faulkner, Varieties of Qualitative Research (Beverly Hills: Calif.: Sage Publications, 1982), P32
[7] 这是因为社会科学和商务研究中包括了人的因素，而人本身作为分析者具有自身的缺陷。例如：数据的有限性、先入为主的印象、信息的可获得性、推论的倾向性、思维的连续性、数据来源可靠性、信息的不完善性、对信息价值判断误差、对比的倾向性、过度自信、并发事件与相关度的判断，以及统计数据的不一致性等。上述缺陷的总结与分析来源于Sadler, D. R. (1981) Intuitive Data Processing as a Potential Source of Bias in Educational Evaluation. Educational Evaluation and Policy Analysis, 3, P25-31。
[8] Robson, Colin (1993), Real World Research: A Resource for Social Scientists and Practitioner-Researcher. Blackwell Publishers, P371。
[9] Ronald R. Cooper, C. William Emory (1995, 5th ed) Business Research Methods, IRWIN, P352
文献研究法，是指在搜集与整理研究领域相关文献的基础上，对文献进行研究之后形成新的认识的一种研究方法，要求研究者做到全面且客观。
该研究方法的使用方式主要是在确定研究课题以后，搜索、整理文献并进行研究，最终完成文献综述来陈述个人观点，以便支撑后续的整体研究工作——它有助于研究者系统全面地了解研究有关领域的情况，从而解释研究内容，形成研究结果。
文献研究的具体方法：
1. 确定课题内容
这是最重要的一个步骤，如果课题内容与方向都还没有敲定的话，其实就很难进行相关研究的研究工作哦。
在这方面，我们首先需要通过一定的调研确定研究课题，再大致列出文献研究时所需要参考的什么方面的书籍，如此一来，我们就能在检索时有个总体的方向，课题内容与文献资料息息相关哟。
2. 搜索文献资料
按存在形式划分，文献可以分为纸质版文献与电子版文献。
纸质版文献，其搜索渠道一般来说都是图书馆与档案馆。
疲劳断门分析对研究疲劳失效机理、分析疲劳失效事故的起因具有重要作用．长期以来，疲劳断口分析上要是通过对断口形貌特征的观察来进行疲劳断裂机理和疲劳失效起因的研究，大多为定性解释”‘’．文献〔叉6）利用图像处理技术研究讨论了金属断回表面微小尺寸的i！算方法，为实现疲劳断口的定量分析提供f一种途径疲劳断日图像含有复杂而丰富的、能反映与疲劳断裂密切相关的各种特征信息，如何从中提取有用的特征信息是实现疲劳断口定量分析的最根本的问题．单纯从疲劳断口的空间域上往往难以获取表征断口图像的重要特征信息．
论文的类型有很多种，论文研究内容怎么写无非是分为三个部分前言、主题、结尾。
论文是一个汉语词语，古典文学常见论文一词，谓交谈辞章或交流思想。2020年12月24日，《本科毕业论文(设计)抽检办法(试行)》提出，本科毕业论文抽检每年进行一次，抽检比例原则上应不低于2% 。
当代，论文常用来指进行各个学术领域的研究和描述学术研究成果的文章，简称之为论文。它既是探讨问题进行学术研究的一种手段，又是描述学术研究成果进行学术交流的一种工具。它包括学年论文、毕业论文、学位论文、科技论文、成果论文等。
前言也就是论文的开头主要有三种写法，查重软件第一种根据调查的环境问题及答案，从中心问题的基本观点；第二种是写明调查对象的历史背景、事情经过、主要问题等基本情况，进而提出中心问题或主要观点来;第三种，直接说明调差的结果，语言精练概括，有画龙点睛的作用。
主体就是调查报告的主要组成部分，根据调查详述调查研究的基本情况、做法、经验，以及分析调查研究所得材料中得出的各种具体认识、观点和基本结论。结尾的写法比较多，但是建议同学们写出论文中不足和需要继续研究指出，从不同的观点说明问题，加深的论文的可读性。
学术论文四大特点:
学术性：学术论文的学术性，要求作者在立论上不得带有个人好恶的偏见，不得主观臆造，必须切实地从客观实际出发，从中引出符合实际的结论。在论据上，应尽可能多地占有资料，以最充分的、确凿有力的论据作为立论的依据。在论证时，必须经过周密的思考，进行严谨的论证。
科学性：学术论文在形式上是属于议论文的，但它与一般议论文不同，它必须是有自己的理论系统的，不能只是材料的罗列，应对大量的事实、材料进行分析、研究，使感性认识上升到理性认识。一般来说，学术论文具有论证色彩，或具有论辩色彩。论文的内容必须符合历史唯物主义和唯物辩证法，符合"实事求是"、"有的放矢"、"既分析又综合"的科学研究方法。
创造性：科学研究是对新知识的探求。创造性是科学研究的生命。学术论文的创造性在于作者要有自己独到的见解，能提出新的观点、新的理论。这是因为科学的本性就是"革命的和非正统的"，"科学方法主要是发现新现象、制定新理论的一种手段，旧的科学理论就必然会不断地为新理论推翻。"(斯蒂芬·梅森)因此，没有创造性，学术论文就没有科学价值。
理论性：指的是要用通俗易懂的语言表述科学道理，不仅要做到文从字顺，而且要准确、鲜明、和谐、力求生动。
毕业论文特色简介怎么写 就是你的论文突出的地方 比如你采用的方法 有什么特别的效果 或者说你的方法是改进的 优于原来的方法 如何写毕业论文的特色和创新点 1、选题新颖性。目前大部分的研究都是探讨有关全体上市公司股权激励与公司业绩之间的关系，单独研究国有上市公司的很少。但随着“两大办法”的相继出台，股权激励己经走进了国有控股上市公司的视野，国有企业的特殊性将决定其研究的特殊性。因此，本文将在国有控股上市公司这一特定的微观背景下，研究股权激励性的有效性。以此丰富相关方面的研究。 2、衡量股权激励有效性指标的新颖性。之前的研究几乎全部选用公司的业绩作为股权激励有效性的衡量指标，但股权激励的对象是公司的管理层，评价激励的有效性时应该衡量管理层的业绩。目前国内大部分的研究都不区分公司业绩与管理层业绩，考虑到国有企业的特殊性，本文选取管理层业绩作为股权激励有效性的衡量指标，剔除市场环境、市场结构与企业资源对企业经济业绩的影响后，观察国有企业股权激励的真实效果。为我国国有企业建立长期有效的激励制度提供实证依据。 3、引入相对业绩评价理论。系统阐述了相对业绩评价理论，并基于相对业绩评价理论结合我国国有企业的特点从会计回报、公司发展、股票回报三个不同的角度确定国有上市公司的相对业绩。4、运用新的模型。在对我国国有上市公司股权激励有效性实证分析时，本文并没有直接运用前人已有的模型，而是将各种模型进行回归比较，探寻最佳模型，以使回归结果更真实准确的反应股权激励比例与管理层业绩之间的关系，对我国国有上市公司具有直接的借鉴意义。 在对国有上市公司股权激励的研究中，笔者深深的感受到了这一研究课题的奥秒无穷。虽然笔者己经做了大量的研究与努力，但由于个人对股权激励的认识还不够深入，加之个人的精力能力有限，本文还是存在着以下不足: 1、研究对象的局限性。本文的管理层股权激励只是针对国有上市公司做了相关的研究，但是管理层激励问题并非只存在国有上市公司，国有非上市公司中也大量存在。由于国有非上市公司的相关数据难以收集整理，因此本文的研究结论可能只适用于国有上市公司，对国有非上市公司的适用性有待于研究，这导致研究成果的推广缺乏应用基础。 2、数据选取的局限性。由于本文选取股权分置改革后的数据为研究样本，我国分置改革时间很短，相关的法律法规也并不完善，所以实施股权激励的国有上市公司并不是很多，从而导致了研究样本容量相对较少。 3、指标选择的局限性。本文选择相对业绩作为被解释变量，由于非财务指标难以量化以及我国国有企业业绩评价的特殊性，本文在衡量相对业绩时只选择了单一的财务指标，并没有构建全面的相对业绩评价体系。其次，影响股权激励有效性的因素十分广泛，由于笔者知识储备的局限，本文研究只选取了部分控制变量，可能考虑不尽详全，这些都将影响研究结果的准确性。 4、研究方法的局限性。本文选择相对业绩作为股权激励有限性的替代变量，但相对业绩评价理论的发展时间尚短。国外有关于相对业绩评价理论的研究很多，但我国的研究还处于初始阶段。而且大多用于研究管理层薪酬问题，几乎没有涉足过股权激励。那么相对业绩评价理论对股权激励的适用性有待于进一步检验。 5、缺少验证。由于数据收集的局限性以及时间关系，在进行描述性分析时，国有上市股权激励前后公司绩效是否有所变化本文没有实施验证，这是本文的又一不足之处。 毕业论文特色简介怎么写 毕业论文是高等教育自学考试本科专业应考者完成本科阶段学业的最后一个环节，它是应考者的总结性独立作业，目的在于总结学习专业的成果，培养综合运用所学知识解决实际问题的能力。从文体而言，它也是对某一专业领域的现实问题或理论问题进行科学研究探索的具有一定意义的论说文。完成毕业论文的撰写可以分两个步骤，即选择课题和研究课题。 首先是选择课题。选题是论文撰写成败的关键。因为，选题是毕业论文撰写的第一步，它实际上就是确定“写什么”的问题，亦即确定科学研究的方向。如果“写什么”不明确，“怎么写”就无从谈起。 教育部自学考试办公室有关对毕业论文选题的途径和要求是“为鼓励理论与工作实践结合，应考者可结合本单位或本人从事的工作提出论文题目，报主考学校审查同意后确立。也可由主考学校公布论文题目，由应考者选择。毕业论文的总体要求应与普通全日制高等学校相一致，做到通过论文写作和答辩考核，检验应考者综合运用专业知识的能力”。但不管考生是自己任意选择课题，还是在主考院校公布的指定课题中选择课题，都要坚持选择有科学价值和现实意义的、切实可行的课题。选好课题是毕业论文成功的一半。 第一、要坚持选择有科学价值和现实意义的课题。科学研究的目的是为了更好地认识世界、改造世界，以推动社会的不断进步和发展。因此，毕业论文的选题，必须紧密结合社会主义物质文明和精神文明建设的需要，以促进科学事业发展和解决现实存在问题作为出发点和落脚点。选题要符合科学研究的正确方向，要具有新颖性，有创新、有理论价值和现实的指导意义或推动作用，一项毫无意义的研究，即使花很大的精力，表达再完善，也将没有丝毫价值。具体地说，考生可从以下三个方面来选题。首先，要从现实的弊端中选题，学习了专业知识，不能仅停留在书本上和理论上，还要下一番功夫，理论联系实际，用已掌握的专业知识，去寻找和解决工作实践中急待解决的问题。其次，要从寻找科学研究的空白处和边缘领域中选题，科学研究 还有许多没有被开垦的处女地，还有许多缺陷和空白，这些都需要填补。应考者应有独特的眼光和超前的意识去思索，去发现，去研究。最后，要从寻找前人研究的不足处和错误处选题，在前人已提出来的研究课题中，许多虽已有初步的研究成果，但随着社会的不断发展，还有待于丰富、完整和发展，这种补充性或纠正性的研究课题，也是有科学价值和现实指导意义的。
2013年注：下面这篇写关于“特征值和特征向量”的理解，是在本人（紫松同学）考研期间复习线性代数时思考好些天写的（考研数一分数144，大一线代分数100，文章写的很细微，但我觉得值得读）。之前只觉得对以后的学弟学妹比较有用，本人这段时间研究回归分析，发现也需要大量线性代数知识，就拿出来跟更多人分享。文章并未改动，现在读来是有不少疑问的。下面是当时写的文章。
和很多大学生朋友一样，我也一直被线性代数中的矩阵的特征值和特征向量的意义所困。它似乎是先有公式，而后才有定义。就像有人告诉你女人就是那个样子，抽象的你无法探究为什么是这个样子。自己思索了一段时间，又在网上查了哈相关的博客文章，特征值与特征向量的意义渐渐清晰起来。不揣冒昧，权且对特征值和特征向量内涵探索的小打小闹。
也许我需要先提出几个问题。
这是几个大问题，还有一些小问题是在搞懂这些大问题之后产生并需要搞懂的。我们从公式 A·x = cx 入手。A是个矩阵，x也是个矩阵（我们需要把x看作向量更有助于理解，写成矩阵是为了 矩阵乘法运算规则的需要），c是常数系数。我们寻找他们的意义，不可回避的问题是从什么角度上找它的意义。物理，化学，哲学，都可以有意义，但是那是在其他学科中运用后的意义。其实，我们还是应该用数学角度的意义去解释他们，才能更好的运用到其他学科。那么，什么是数学角度呢？我的理解是空间，一个n维空间，一维时已经可以解释所有实数了，二维时可以解释所有复数了，或者一个平面图形了。以此类推，数学就是放在n维空间的基础上去解释问题。那好，先说n维空间本身又具有什么特征呢？必须是n个相互正交的维度。每个维度可以想像成一个坐标轴，有正方向和负方向。向量是什么意义呢?容易想象n维向量就是n维空间中的特定的方向。一个向量就是一个方向。把A乘到x上，得到一个方向未变但在长度上有伸缩改变的向量（方向未变不准确，有可能变反向）。这是让A乘以他的特征向量表现出来的性质。如果让A乘以一个非特征向量y，显然会得到一个跟y方向不同的向量（也许长度也会有伸缩）。这是将矩阵乘到向量上向量所发生的改变。那么，乘以一个矩阵似乎就对应一种变换。我们暂时理解矩阵本质上就是n维空间上的一种变换。显然还不够过瘾，你也许想矩阵怎么不对应空间上一个实物，像向量那样？对，一定对应，只是我们还需要将他找寻。我们喜欢用已知探索未知，也许我可以假设你具备将某种未知先当作一个特殊的已知的思维方式。我们把矩阵先当作一种特殊的向量。我又要提问了，向量a点乘向量b是个什么东西呢？是a在b上的投影（为了方便理解，我们把投影约束为大小，而不具备方向）。我们还需要约束一个重要的概念，我们把方向在其所在维度上归一，也就是一个单位向量。那好，方向就是单位向量。 A·x = cx ，左式即可理解为大小等于A在方向x上的投影并且方向与x相同的向量。c此时就是投影。重复一边，特征值就是投影。矩阵有n个特征值（先假定各不相同），那么就对应n的正交的特征向量，矩阵在各特征向量上都有投影，大小等于特征值。现在可以回答矩阵的实物意义了，那就是它的各特征向量在n维空间上的组合，组合系数就是对应各线性值。细心的朋友可能发现这个定义是在各特征向量皆归一化的基础上的，也发现特征值一定唯一，但特征向量因为标准定义规定的原因可以不唯一，即可在归一化特征向量前面添加任意不为零的系数。我苟且给出一「松式」：n个不同的特征向量的方向 + 特征值大小的投影 = 矩阵。到目前为止，我都假设的是矩阵A有n个不同的特征值。上面的问题，前三个问题基本有了答案，还差第4个问题。
暂没法解答，接着提出几个问题了：
我们都发现这个现象，不关是什么样的矩阵，不同的特征值对应的都是互相线性无关的特征向量。而重根有可能对应线性无关的特征向量，也可能都对应一个方向。这只是对上面问题的解释。现在我们再来审视矩阵的几何意义。特征值只是代表某特征方向上的投影（大小），这样想来他们相不相等没有任何直接关系，完全可以各自对应不同的特征方向，这只是矩阵在他的某几个特征方向上的投影大小相等而已。而重根对应同一个特征方向，又该如何解释了？这个问题，暂时保留探讨。
关于特征值为0时，为什么有特征方向？我们能说（0,y,z）就是（y,z）吗？显然不能，前者说明在三个方向上定义某物，尽管其中一个方向上没有作用，后者却只探讨某物在两个方向的作用。定义的基础都不一样，自然不能完全一样。矩阵的定义也是如此，可以看出方向较之投影是先行特征，方向是与投影无关的一种特性。
到这里了，大部分问题已经解决了。也许，聪慧的朋友们可以用上面的理解来解释问题或者做题了。或者跟着我继续看看这些理解能怎么做题。
前提：Ci是A的特征值，Xi是对应的特征向量。
最后，我来总结一下。简单点： 线性无关的方向 + 相应的投影 = 矩阵 = 变换 如果将人生各阶段当作不同的维度 ： n个不同人生阶段 + 相应的能量 = 人生
本文写于2011-11-11 紫松
date: 2013-11-18 14:42:27 author:
挺有用的。谢了
date: 2014-06-02 23:57:11 author:
A*x应该是在A坐标系下对应各行向量为坐标轴的投影为x吧，同是考研党，还望指正
date: 2014-09-13 14:04:35 author: 何求
理解很多性质都很有用，谢啦！
date: 2015-04-06 16:22:26 author: 当代
作者很强大，佩服你的高见。能将矩阵A分两个不同的层面（变换和特殊矩阵）进行解释特征向量和特征值，很有新意。全文都是为了解释何为特征向量和特征值，却通过从不同的侧片来看矩阵A自然地引出特征向量和特征值，又没让人觉得太突然，很好的博文。
date: 2015-04-06 16:49:51 author: zisong
@何求 我当初靠着这些理解，解题的确快和准了很多。
这么专业的问题还是自己解决，最好能找个英语老师指导下。 翻译下第一句 Research And Application Of Eigenvalue And Eigenvector Problem Of Matrices
上节课主要介绍了线性方程组的两种迭代求解算法，一个是Jacobi迭代（同步更新），一个是高斯塞德尔迭代（异步更新）。对于特殊的三对角系统，一种更简单快捷的Thomas算法也可以用来求解。之后介绍了向量范数与矩阵范数的概念，线性系统数值解的相对误差可以通过条件数来判定。本节课主要介绍矩阵的特征值，特征向量，以及其中涉及到的几种数值算法。
给定 维矩阵 ，满足下式的数 称作矩阵 的一个特征值： 而对应的向量 称作对应特征值 的一个特征向量。上述运算可以推广到更一般的形式，而不仅仅是针对矩阵运算。假设 是一个关于 的连续函数， 表示微分运算，则 就可以表示为： 这是特征值问题的一种更广泛的表现形式。 特征值与特征向量在工程与科学中有着非常重要的作用。例如，在振动研究中，特征值表示系统或组件的固有频率，而特征向量表示这些振动的模式。 为了求解一个矩阵的特征值与特征向量，根据定义，可以得到： 假设 是非奇异矩阵，则上式只有零解，不满足求解要求，因此，想要求解特征值，需要 ， 该式称作特征方程，特征方程的根即为矩阵 的特征值。 例： 其特征方程为 求解可得特征值为 然而，对于阶数比较高的矩阵，特征值的求解不会这么简单，需要使用数值求解方法。
这节主要介绍如何使用幂法和反幂法分别求解一个矩阵所有特征值中模最大和模最小的值。给定矩阵 ，假设其有 个实特征值 其对应的特征向量为 。幂法是通过迭代法来计算最大特征值 ，首先随机选取初始向量 ， 迭代计算 ， 进一步计算 , 可以看到，其迭代公式为: 注意到 是最大的特征值，因此 ，当 充分大时，有 。具体实现时，并没有 和 的值，因此，迭代计算 后，规范化 即可（有待进一步验证，采用向量范数并不合理）。注意：最大特征值是指模最大的那个特征值 MATLAB实现：
给定矩阵 ，假设其有 个实特征值 其对应的特征向量为 。 是最小特征值，首先注意到如果 ，则 , 即 ，因此有 。可以看到，当 为矩阵 的最小特征值时， 将是 的最大特征值，此时运用幂法求解 的最大特征值，取倒数，即为 的最小特征值。反幂法中，需要注意的是，当最小特征值为0时，其倒数是没有定义的，反幂法求解的是第二小的特征值，且需要采用移位反幂法。 MATLAB实现
幂法与反幂法是用来求解矩阵的最大特征值与最小特征值，想要求解矩阵所有特征值，可以使用QR分解法。假设 是一个 的矩阵，有 个互不相同的实特征值。QR分解的理论保证是， 如果对矩阵 做如下相似变换： ，则特征值保持不变。 这是因为如果 ，则取 ，就有 ，进一步有 ，因此 也是 的特征值。对 进行QR分解的算法流程：
MATLAB实现
在每次迭代中，对矩阵进行QR分解的操作是通过使用一种特殊的矩阵Householder矩阵来实现的，其形式为 其中 ， 与 为列向量， 为向量的2范数。 矩阵是对称的，是正交的。 这就意味着 与 是相似的。下面详细说明，如何通过 矩阵将 分解为一个正交阵和一个上三角阵的乘积。
MATLAB实现：
这节课主要介绍了矩阵特征值与特征向量的概念，对于低阶矩阵，可以通过特征方程求解出矩阵特征值；对于高阶矩阵，可以使用幂法与反幂法求解出矩阵的最大特征值与最小特征值，要求出矩阵的所有特征值，则可以对矩阵进行QR分解，将矩阵 相似化为一个上三角矩阵，上三角矩阵的对角线元素即为矩阵 的特征值。
对于目标检测方向并不是特别熟悉，本文记录一下RCNN, fast-RCNN, faster-RCNN, mask-RCNN这4篇有关目标检测的论文笔记和学习心得。
R-CNN的意思就是Region based，主要思路就是根据一张图像，提取多个region，再将每个Region输入CNN来进行特征的提取。因此RCNN就可以分为 Region proposals , Feature extraction 两个主要部分，提取的特征就可以输入任意一个分类器来进行分类。 模型的流程图如下：
在训练的时候，首先使用的是已经训练好的CNN网络作为特征提取器，但是由于预训练是在分类数据集上，因此在应用到检测之前要做finetune。也就是说，为了将用ImageNet数据集训练的网络应用到新的任务（检测），新的数据集（region）上，作者将原来的CNN最后的1000类的fc层，更改为了 层， 代表待检测的物体的类别数。然后，对于所有的region，如果它和ground truth的重叠率大于，就认为是正类。 对于分类器的训练，作者发现选择多大的IoU来区分正类和负类非常关键。并且，对于每一类，都会训练一个分类器。
框的回归非常重要，在对每一个region proposal使用分类器进行打分评价之后，作者使用一个回归器来预测一个新的框作为结果。这个回归器使用的特征是从CNN中提取的特征。回归器的训练中，输入是 region proposal 的 和ground truth的 ，目标是学习一种变换，使得region proposal通过该变换能够接近ground truth。同时，希望这种变换拥有尺度不变性，也就是说尺度变化的话，变换不会改变。 如下图所示，每一个regressor会学习一组参数，特征输入是pool 5的特征输出，拟合的目标是 。
Fast-RCNN 主要解决的问题是在RCNN中对于每一个region proposal都进行特征提取，会产生非常多的冗余计算，因此可以先对一张图像进行特征提取，再根据region proposal在相应的特征上进行划分得到对应region的特征（映射关系）。 这样便可以实现共享计算提高速度，但是与SPPnets不同，SPPnets在一副图像得到对应的特征后，从这张图像的特征上proposal对应的部分，采用空间金字塔池化，如下图：
RoI pooling的方法很简单，类似于空间金字塔pooling，它将proposal部分对应卷积层输出的特征（称之为RoI，因为用于做pooling的特征是 region of interest，也就是我们感兴趣的区域）划分成 块，然后对每一块求最大值，最终得到了一个 的特征图。可以看出，它只是空间金字塔pooling的一部分。 但是SPP-nets的空间金字塔也是可以求导的，那么它到底不好在哪里呢？因为当每一个RoI都可能来源于不同的图像的时候（R-CNN和SPPnets的训练策略是从一个batch的不同图像中，分别挑选一个proposal region），SPPNets的训练非常地低效，这种低效来源于在SPPnets的训练中，每个RoI的感受野都非常地大，很可能对应了原图的整个图像，因此，得到的特征也几乎对应了整张图像，所以输入的图像也就很大。 为了提高效率，Fast-RCNN首先选取 个图像，再从每个图像上选择 个RoI，这样的效率就比从每个图像提取一个RoI提高了 倍。
为了将分类和框回归结合起来，作者采用了多任务的loss，来进行联合的训练。具体来说就是将分类的loss和框回归的loss结合起来。网络的设计上非常直接，就是将RoI得到的特征接几个FC层后，分别接不同的输出层。对应于分类部分，特征会接一个softmax输出，用于分类，对于框回归部分，会接一个输出4维特征的输出层，然后分别计算loss，用于反向传播。loss的公式如下：
回归的target可以参考前面的R-CNN部分。
notes
为什么比fast还fast呢？主要原因是在这篇论文中提出了一个新的层：RPN（region proposal networks）用于替代之前的selective search。这个层还可以在GPU上运算来提高速度。 RPN的目的：
为了能够进行region proposal，作者使用了一个小的网络，在基础的卷积层输出的特征上进行滑动，这个网络输入大小为 ，输入后会映射（用 的卷积）为一个固定长度的特征向量，然后接两个并联的fc层（用 的卷积层代替），这两个fc层，一个为box-regressoin，一个为box-classification。如下图：
在每一个滑动窗口（可以参考 ），为了考虑到尽可能多的框的情况，作者设计了anchors来作为region proposal。anchors就是对于每一个滑动窗口的中心位置，在该位置对应的原图位置的基础上，按照不同的尺度，长宽比例框出 个不同的区域。然后根据这些anchors对应的原始图像位置以及区域，和ground truth，就可以给每一个滑动窗口的每一个anchor进行标记，也就是赋予label，满足一定条件标记为正类（比如和ground truth重叠大于一个值），一定条件为负类。对于正类，就可以根据ground truth和该anchor对应的原图的区域之间的变换关系（参考前面的R-CNN的框回归），得到回归器中的目标，用于训练。也就是论文中的loss function部分：
自然地，也就要求RPN的两个并联的FC层一个输出2k个值用于表示这k个anchor对应的区域的正类，负类的概率，另一个输出4k个值，用于表示框回归的变换的预测值。
对于整个网络的训练，作者采用了一种叫做 4-step Alternating Training 的方法。具体可以参考论文。
与之前的检测任务稍有不同，mask r-cnn的任务是做instance segmentation。因此，它需要对每一个像素点进行分类。 与Faster R-CNN不同，Faster R-CNN对每一个候选框产生两个输出，一个是类别，一个是bounding box的offset。Mask R-CNN新增加了一个输出，作为物体的mask。这个mask类似于ps中的蒙版。
与Faster R-CNN类似的是，Mask R-CNN同样采用RPN来进行Region Proposal。但是在之后，对于每一个RoI，mask r-cnn还输出了一个二值化的mask。
不像类别，框回归，输出都可以是一个向量，mask必须保持一定的空间信息。因此，作者采用FCN来从每个RoI中预测一个 的mask。
由于属于像素级别的预测问题，就需要RoI能够在进行特征提取的时候保持住空间信息，至少在像素级别上能够对应起来。因此，传统的取最大值的方法就显得不合适。 RoI Pooling，经历了两个量化的过程： 第一个：从roi proposal到feature map的映射过程。 第二个：从feature map划分成7*7的bin，每个bin使用max pooling。
为此，作者使用了RoIAlign。如下图
为了避免上面提到的量化过程
可以参考
作者使用ResNet作为基础的特征提取的网络。 对于预测类别，回归框，mask的网络使用如下图结构：
整体看完这几篇大佬的论文，虽说没有弄清楚每一个实现细节，但是大体上了解了算法的思路。可以看出，出发点都源于深度神经网络在特征提取上的卓越能力，因此一众大神试图将这种能力应用在检测问题中。从R-CNN中简单地用于特征提取，到为了提高速度减少计算的Fast R-CNN，再到为了将region proposal集成进入整个模型中，并且利用GPU加速的RPN，也就是Faster R-CNN。再到为了应用于instance segmentation任务中，设计的RoIAlign和mask。包括bounding box regression，pooling层的设计，训练方法的选择，loss的设计等等细节，无一不体现了大师们的思考和创造力。 可能在我们这些“拿来”者的眼中，这些方法都显得“理所应当”和巧妙，好用，但是，它们背后隐藏的选择和这些选择的思考却更值得我们学习。 以及，对待每一个问题，如何设计出合理的解决方案，以及方案的效率，通用性，更是应该我们努力的方向。
这个你可以上中国期刊库网站查找一下。
求矩阵特征值的方法如下：
任意一个矩阵A可以分解成如下两个矩阵表达的形式：
其中矩阵Q为正交矩阵，矩阵R为上三角矩阵，至于QR分解到底是怎么回事，矩阵Q和矩阵R是怎么得到的，你们还是看矩阵论吧，如果我把这些都介绍了，感觉这篇文章要写崩，或者你可以先认可我是正确的，然后往下看。
首先我们有A1=A=QR，则令A2=RQ,则有：
由式（22）可知，A1和A2相似，相似矩阵具有相同的特征值，说明A1和A2的特征值相同，我们就可以通过求取A2的特征值来间接求取A1的特征值。
扩展资料：
矩阵特征值性质
若λ是可逆阵A的一个特征根，x为对应的特征向量，则1/λ 是A的逆的一个特征根，x仍为对应的特征向量。
若 λ是方阵A的一个特征根，x为对应的特征向量，则λ 的m次方是A的m次方的一个特征根，x仍为对应的特征向量。
设λ1，λ2，…,λm是方阵A的互不相同的特征值。xj是属于λi的特征向量( i=1，2，…，m)，则x1，x2，…，xm线性无关，即不相同特征值的特征向量线性无关 。
参考资料来源：百度百科-矩阵特征值
把特征值代入特征方程，运用初等行变换法，将矩阵化到最简，然后可得到基础解系。求矩阵的全部特征值和特征向量的方法如下：
第一步：计算的特征多项式；
第二步：求出特征方程的全部根，即为的全部特征值；
第三步：对于的每一个特征值，求出齐次线性方程组：的一个基础解系，则可求出属于特征值的全部特征向量。
求特征向量：
设A为n阶矩阵，根据关系式Ax=λx，可写出(λE-A)x=0，继而写出特征多项式|λE-A|=0，可求出矩阵A有n个特征值（包括重特征值）。将求出的特征值λi代入原特征多项式，求解方程(λiE-A)x=0，所求解向量x就是对应的特征值λi的特征向量。
判断矩阵可对角化的充要条件：
矩阵可对角化有两个充要条件：
1、矩阵有n个不同的特征向量；
2、特征向量重根的重数等于基础解系的个数。对于第二个充要条件，则需要出现二重以上的重特征值可验证（一重相当于没有重根）。
若矩阵A可对角化，则其对角矩阵Λ的主对角线元素全部为A的特征值，其余元素全部为0。（一个矩阵的对角阵不唯一，其特征值可以换序，但都存在由对应特征向量顺序组成的可逆矩阵P使P⁻¹AP=Λ）。
参考资料来源：百度百科-矩阵特征值
根据|xE-A|=0 求出特征值 x1，x2，x3 把xi分别带入 (xiE-A)x=0 就出基础解系就是特征向量
数学领域中的一些著名悖论及其产生背景