- UID
- 576730
- 在线时间
- 小时
- 注册时间
- 2010-10-24
- 最后登录
- 1970-1-1
- 主题
- 帖子
- 性别
- 保密
|
之前用DCF法 做过一个关于本科出国值不值的量化分析 http://forum.chasedream.com/Master/thread-498898-1-1.html
本人比较偏向于把选择量化,在有限的资源内得出最优以及次优选择。
今天突发奇想,想用统计学的方法做一个定位模型,原因如下: 很多同学在版上求定位,各种GPA GMAT 论文 实习 牛推等等条件抛上来,跟帖的同学都很好心的给予意见。 意见大多来源于他们的经验 也就是差不多别人申什么 就给推荐什么。 这的确是定位的一种不错方法。但我觉得其有一定弊端,就是极大程度的推热了一批学校 使得其标准水涨船高。
我的想法如下: 1)每个学校的招生标准都是不同的,例如有的学校相对同档次的别家,更偏好高GMAT,有的则偏向GPA,本科学校等等; 2)利用CD等论坛资源,统计出被录取人员的背景信息,统计记录其硬指标和软指标;以此,学校招生偏好的轮廓已经出来了; 3)统计被拒学生的背景信息,与(2)中数据交叉分析,以此基本可以得出各个分数和文书以及其他指标的权重(weights); 4)将被录取同学的数据计算,即 (他们的Gmat/800总分)*GMAT权重%+(他们的GPA)/4*GPA权重%+所有其他,得出一个分布,其正太分布,就是该学校录取偏好值的范围了,例如可能会得出该学校分布集中在70-75。 5)将你自己的背景按照同样公式计算,若在分布范围内,则基本可以保证录取。
6)关于一些建模难点: 有一些东西很难量化,例如文书和工作经验。我的想法是通过前期统计 越是偏好分数的学校,同学用该模型定位越准确。 关于文书,这个只有你自己清楚你下了多少功夫,假设通过前期交叉分析 得出好的推荐信占的权重是10%左右,而你的推荐信实在一般可能连一般人都比不上,那你在这项的值或许就是2-5,这点很主观,大致可以估算出来。 关于W/E,这个估值比文书简单些,去看class profile, 公式:if 你的w/e 小于class profile's w/e, then(你的years/average years)* weight; Other wise it's just the weight.
范例: 假定按照我的模型,Princeton University 的录取偏好范围在90-95之间,GMAT占20% GPA-20% 工作经验25% 本科学校10% 推荐信10% 其他占15%
李刚同学的GMAT 780分,GPA 3.9,牛推,10年工作经验(超过P大平均W/E),本科河大,有CPA+CFA 于是他的分数为:780/800*0.2+3.9/4*0.2+25%+1/10*0.1+0.1+15% = 0.9,即90 所以,李刚同学在P大正太分布的范围内,很有可能被录取。
======== 以上是本人一个技术设想,把W/E和文书等几个难点合理的量化后,相信会具有一定参考价值。 该模型可以被更好的完善,其核心的背景换算技术,excel足够了,其他软件或许可以把他做的更人性化大众化。
欢迎讨论~ |
|