多指標綜合評價中權重系數(shù)的確定方法

三類方法:

  • 主觀賦權法
  • 客觀賦權法
  • 組合賦權法

一. 常用的主觀賦權法

  1. 專家法(德爾菲法)
    W_{i}=\frac{\sum_{j=1}^{n} E_{ij}}{n}
    其中,W_{i}:指標i的權重
    ???E_{ij}:專家j對指標i的打分
    ???n:專家總數(shù)

  2. 強制比較法(因素成對比較法)
    假設:A,B,C三個指標,虛擬指標D(防止某指標權重為零)
    A \leftrightarrow B1 \leftrightarrow 0
    A \leftrightarrow C1 \leftrightarrow 0???B \leftrightarrow C1 \leftrightarrow 0
    A \leftrightarrow D1 \leftrightarrow 0???B \leftrightarrow D1 \leftrightarrow 0???C \leftrightarrow D1 \leftrightarrow 0
    A:3(0.5)?????B:2(0.33)????C:1(0.17)

  3. 層次分析法(AHP)
    旅游城市綜合評價

二. 常用的客觀賦權法(不同時間切片可能不穩(wěn)定)

  1. 均方差法
    W_{j}=\frac{ s_{j}}{\sum_{k=1}^{m} s_{k}}
    其中,W_{j}:指標j的權重
    ???s_{j}:指標j的標準差
    ???m:指標總數(shù)
    注:越離散,權重越大,但未考慮均值

  2. 變異系數(shù)法
    W_{j}=\frac{v_{j}}{\sum_{k=1}^{m} v_{k}}
    其中,W_{j}:指標j的權重
    ???v_{j}:指標j的變異系數(shù),v_{j}=\frac{s_{j}}{x_{j}},變異系數(shù)=標注差/均值,用來衡量樣本的離散程度
    ???m:指標總數(shù)
    注:越離散,權重越大

  3. 獨立性權重(CRITIC 法--Criteria Importance Though Intercrieria Correlation)
    C_{j}=\sigma_{j} \sum_{i=1}^{n} (1-r_{ij})
    其中,C_{j}:指標j的權重
    ???\sigma_{j}:指標j的標準差
    ???r_{ij}:指標i和指標j的相關系數(shù)
    W_{j}=\frac{C_{j}}{\sum_{k=1}^{n} C_{k}}
    注:越獨立,權重越大

    image.png

image.png
  1. 主成分分析(因子分析)法
    pca降維:將n維特征映射到k維上(k<n),這k維是全新的正交特征,這k維特征稱為主成分
    最好的k維特征是將n維樣本點轉換為k維后,每一維上的樣本方差都很大(最大方差理論)
    注:業(yè)務解釋困難

5、熵值法(EVM)
信息熵的公式

E_{j}=\frac{1}{ln(m)}\sum_{i=1}^{m} p_{ij}ln(\frac{1}{p_{ij}})
d_{j}=1-E_{j}
W_{j}=\frac{d_{j}}{\sum_{j=1}^{n} d_{j}}
其中,E_{j}:指標j的不確定度(熵值)
???m:評價方案的個數(shù)
???d_{j}:指標j的確定度
???W_{j}:指標j的權重

購買轎車-熵值法
注:指標的信息熵越小(信息量越小,確定度越高)權重越大

二. 常用的組合賦權法

  1. 乘法加成
    step1:使用主觀和客觀賦權法,對多個指標賦權
    step2:把多個指標所得的權數(shù)相乘,再歸一化,就得到多個指標的權重
    W_{j}=\frac{p_{j}q_{j}}{\sum_{i=1}^{m} p_{j}q_{j}}
    其中,p_{j}:主觀賦權法確定的權重
    ???q_{j}:客觀賦權法確定的權重

2、線性加權合成
W_{j}=\lambda p_{j}+(1-\lambda )q_{j}

  1. 以 層次分析法(AHP) 和 熵值法 為基礎的綜合評估模型


    image.png
最后編輯于
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發(fā)布,文章內容僅代表作者本人觀點,簡書系信息發(fā)布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 227,797評論 6 531
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 98,179評論 3 414
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 175,628評論 0 373
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 62,642評論 1 309
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 71,444評論 6 405
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 54,948評論 1 321
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 43,040評論 3 440
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 42,185評論 0 287
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經...
    沈念sama閱讀 48,717評論 1 333
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 40,602評論 3 354
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 42,794評論 1 369
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 38,316評論 5 358
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發(fā)生泄漏。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 44,045評論 3 347
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 34,418評論 0 26
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 35,671評論 1 281
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 51,414評論 3 390
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 47,750評論 2 370

推薦閱讀更多精彩內容

  • 多元分析,又稱多變量分析,是用于研究多個變量數(shù)據(jù)之間的關系,包括了多重回歸分析、判別分析、聚類分析、主成分分析、對...
    spssau閱讀 2,245評論 0 2
  • 數(shù)據(jù)挖掘之評價模型 層次分析法(AHP) 基本思想: 是定性與定量相結合的多準則決策、評價方法。將決策的有關元素分...
    HeartGo閱讀 11,937評論 1 15
  • 一、構建指標體系 指標體系包含三個要素:需要一定的構成元素(即指標),相應的結構層次,以及反映指標間關系的量或指標...
    bdu2閱讀 14,630評論 0 6
  • 簡書公式支持不太好,歡迎跳轉到機器學習深度學習面試題總結GitHub看完整的總結,GitHub總結比較全,大多數(shù)是...
    MrMiaow閱讀 3,876評論 1 8
  • Xavier A, Muir WM, Craig B, Rainey KM (2016) Walking thro...
    董八七閱讀 2,328評論 0 3