权重生成与评价模型(待更新）

• 一、层次分析法
  • 流程：
    • （1）选择指标，构建层次模型。
      • 查阅资料或者自己去构建，不查阅文献就得发放调查问卷或者使用德尔菲法征求专家意见
      • 指标按照一定的层级结构组织起来就构成了一个指标体系。
    • （2）对目标层到准则层之间和准则层到方案层之间构建比较矩阵。
      • 模型大致分为目标层、准则层和方案层
        • 目标层是评价目标，准则层是评价指标体系，方案层是多个对比方案

• • • （3）对每个比较矩阵计算CR值检验是否通过CR检验，如果没有通过检验需要调整比较矩阵。
      • 两个相邻的层次之间需要构建成对比较矩阵，矩阵的每一项表示因素i和因素j的相对重要程度
      • 

• • • • 通常来说，对重要性的取值都是取奇数
      • RI值（随机一致性指标）
      • 
      • 计算CI和RI的比值也就是CR，通常来说，当CR值超过0.1时，就可以认为这个矩阵是不合理的，需要被修改、被调整

• • • （4）求出每个矩阵最大的特征值对应的归一化权重向量。
      • 

• • • （5）根据不同矩阵的归一化权向量计算出不同方案的得分进行比较。
    • python进行矩阵分解的时候是在复数域内进行分解，所得到的向量也是复数向量，虚部为0的情况下想要单独分析实部，通过Q.real即可达成取实部的效果
• 二、熵权分析法
  • 熵权法是一种客观赋权方法，基于信息论的理论基础，根据各指标的数据的分散程度，利用信息熵计算并修正得到各指标的熵权
  • 第一步是指标正向化。它涉及将原本的负向指标转为正向指标，例如将死亡率转为生存率、故障率转为可靠度。通过正向化，目标或结果的达成情况更直观，提高指标的可解释性和可操作性。
    • 对于极大型指标：指标越大越好，不需要正向化。只需要通过min-max规约或Z-score规约进行规约即可。
    • 对于极小型指标：此类指标越小越好。它的正向化方式比较简单，可以取相反数；如果指标全部为正数，也可以取其倒数。
    • 对于区间型指标：它的规约方法遵循下面的式子。
    • 

• • • 对于中值型指标：它的正向化操作为
    • 

• • 计算步骤
    • （1）构建m个事物n个评价指标的判断矩阵
    • 

• • • （2）将判断矩阵进行归一化处理，得到新的归一化判断矩阵 。
    • 

• • • （3）熵权法可利用信息熵计算出各指标的权重，从而为多指标评价提供依据。根据信息论中对熵的定义，熵值的计算如下。
    • 

• • • 其中 p为离散属性中每个类取值的占比。通过熵值，可以评价不同指标的离散程度，一般情况下，信息熵越小，离散程度越大，因子对综合评价的权重就越大。
    • （4）计算权重系数,代表对于某一个属性 ，第 类占样本的比例。 为属性 的取值数量。所以，权重系数定义为
    • 

• 三、TOPSIS分析法
  • 1、基本思想：对原始决策方案进行归一化，然后找出最优方案和最劣方案，对每一个决策计算其到最优方案和最劣方案的欧几里得距离，然后再计算相似度。若方案与最优方案相似度越高则越优先。
  • 2、在TOPSIS分析法中，通过计算每个方案离理想解和负理想解的距离来判断优劣。理想解是最佳方案，各项指标最优；负理想解是最差方案，各项指标最差。
  • 3、基本流程
    • （1）对原始数据进行指标正向化和归一化操作得到矩阵Z
    • （2）确定正理想解和负理想解
    • 

• • • （3）计算各评价对象到正理想解和负理想解的欧几里得距离:
    • 

• • • （4）计算各评价对象的相似度
    • 

• • • • 可以看到，相似度是与负理想解和两个理想解距离之和的比值，若占比越大，则说明离负理想解越远，越优先选择。
    • （5）根据大小排序可得到结果。
  • 4、流程图
  • 

• • 5、改进
    • 考虑到不同指标在评价体系中的重要性可能存在差异，因此在计算距离时应对各个指标赋予相应的权重
    • 权重的确定可以通过熵权法或层次分析法来实现
    • 

• 四、CRITIC方法
  • 1、波动性（对比强度）：使用标准差进行表示，如果数据标准差越大说明波动越大，权重会越高
  • 2、冲突性（相关性）：使用相关系数进行表示，如果指标之间的相关系数值越大，说明冲突性越小，那么其权重也就越低
  • 3、权重计算时，对比强度与冲突性指标相乘，并且进行归一化处理，即得到最终的权重
  • 4、操作步骤
    • （1）对指标进行无量纲化和正向化处理。第6章提到，min-max规约能够进行很好的无量纲化处理，如果这个指标是越大越好，那么规约方法形如：
    • 

• • • 而如果指标是越小越好，那么规约方法形如：
    • 

• • • 对于区间型和中值型指标，则按照在TOPSIS分析中讲到的指标正向化处理。
    • （2）计算指标变异性。本质上就是计算每个指标在所有样本中的标准差 。标准差表示指标在样本中的差异波动情况，若标准差越大，则它的区分度越明显，信息强度也越高，越应该给它分配更多权重。
    • （3）计算指标冲突性，定义为：
    • 

• • • 其中rij表示指标r和指标j之间的相关系数。皮尔逊相关系数定义为:
    • 

• • • （4）获取信息量，其中信息量的定义方法为指标变异性和冲突性的乘积：
    • 

• • • （5）归一化得到指标权重，再用权重去乘归一化的数据矩阵可以得到每个对象的评分，并根据评分进行对象的评价、排序。归一化的过程形如：
    • 

• 五、模糊综合评价法
  • 1、用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价
  • 2、基本思想：用属于程度代替属于或不属于，从而刻画“中介状态”
  • 3、首先确定被评价对象的因素（指标）集合评价（等级）集；再分别确定各个因素的权重及它们的隶属度矢量，获得模糊评判矩阵；最后把模糊评判矩阵与因素的权矢量进行模糊运算并进行归一化，得到模糊综合评价结果
• 注：文章内容来源于开源学习平台Datawhale的学习笔记