数模中的评价模型

前言

• 本文总结了评价类模型
• 涉及方法：层次分析法、TOPSIS法、熵权法等
• 由于无例子，仅可作为初学者的数模评价模型学习提纲

层次分析法

简介与概念

1. 模型框架：目标层、准则层、方案层
2. 数量级问题：归一化处理
3. 重要性问题：根据重要性赋予权重

适用赛题

1. 评选/排名

• 目标层很明确
• 一般题目会提供准则层和相应数据

2. 决策分析

• 面临多种方案，需要依据一定的标准选择某一种方案
• 方案层可能要自己查资料确定
• 方案层和准则层较为复杂
• 不同评价模型会得出不同结果

思路

1. 要保证对数据处理之后，单项排名依旧不变
2. 归一化处理

• 对每个指标的数组归一化，该项/指标所有项之和
• 归一化后，不同指标数量级一致，在每一个指标里排名不变

3. 区分重要性

• 指标数值乘以权重再相加
• 权重是人为主观设定的，这也是层次分析法的缺点

4. 如何较为科学的设定权重

• 对指标的重要性进行两两比较，构造判断矩阵，从而求出权重
• a_ij是第i个指标相对于第j个指标的重要程度
• 不一致原因：每次两两比较的过程中暂时忽略了其他因素，导致最后结果可能出现矛盾。理想情况（一致矩阵）：a_ij=a_ik*a_kj且各行（列）成倍数关系。只需要和一致矩阵差异不大即可，求出并检验差异的过程称为一致性检验。
• 一致性检验：计算一致性比例CR，查表，还要调用最大特征值函数
• 算数平均法求权重：按列归一化，行求和除以n

代码重要点

1. eig(A)求特征值
2. matlab导入excel表格，注意指标的多项要有统一数量级

TOPSIS法

简介与概念

1. 正理想解：集合了所有指标的最优解（负理想解相反）
2. 确定方法：通过作图看离理想的远近（两点之间距离公式）

适用赛题

1. 客观评估类型题目

• 题目提供了足够的评价指标和数据
• 数据已知，评价指标的类型差异较大

2. 特点

• 充分利用原始数据
• 评价指标较多时，避免了主观性造成的复杂过程
• 无需数据检验

思路

1. 数据预处理

• 并非数据都是越大越好，分为：效益型（大好）、成本型（小好）、区间型（范围好）
• 区间型：根据数据和最优区间的差异处理，翻译成效益型样式越大越好（同时消除了数量级的差异）
• 向量规范化（成本和区间）：消除了数量级的差异，大小排序不变

2. 加权处理

• 直接给每个指标加上权重（查文献）

3. 求理想解

• 成本型：求正理想解取最小值，负取最大值
• 效益型：相反

4. 求距离
5. 求各方案的综合评价指数

代码重要点

1. 函数句柄的定义
2. 加权的计算
3. sort函数进行排序

熵权法

简介与概念

1. 熵值：判断某个指标的离散程度，指标离散程度越大，该指标对综合评价的影响越大
2. 混乱程度低，熵值接近1，赋予低权重

适用赛题

1. 数据全面，缺少文献或主管依据
2. 根据数据本身建立评价体系
3. 追求公平公正

思路

1. 数据标准化

• 原因1：正向指标和负向指标
• 原因2：数量级问题
• 原因3：公式有对数函数，不允许有负值（0在编码时处理）
• 正负标准化公式不同

2. 求比重
3. 求熵值
4. 求变异系数

• 熵值越大，变异系数越小，信息量越小

5. 求权重

代码重要点

1. readmatrix调用excel文件，要确定需要的范围
2. 标准化为0时要赋予非0极小值（对数函数不允许有0）