学习笔记,仅供参考
熵值法
信息熵介绍
信息熵是将系统无序程度的度量,信息是系统有序程度的度量,二者绝对值相等但符号相反,某项指标的指标值变异程度越大,信息熵就越小,该指标提供的信息量就越大,该指标的权重也应越大;反之,某项指标的指标值变异程度越小,信息熵越大,该指标提供的信息量越小,该指标的权重也应越小。
计算步骤
首先,我们由于指标体系中的各个指标的量纲、数量级不同,我们需要对它们进行无量纲化处理,具体方法如下:
P o s i t i v e i n d i c a t o r s : x i j ′ = x i j − x m i n x m a x − x m i n N e g a t i v e i n d e x : x i j ′ = x m a x − x i j x m a x − x m i n Positive \; indicators:x'_{ij} = \frac{x_{ij}-x_{min}}{x_{max}-x_{min}} \\Negative \; index: x'_{ij} = \frac{x_{max}-x_{ij}}{x_{max}-x_{min}} Positiveindicators:xij′=xmax−xminxij−xminNegativeindex:xij′=xmax−xminxmax−xij
其中, x i j x_{ij} xij为第 i i i个样本第 j j j个指标的指标值, x m a x x_{max} xmax为第 j j j个指标的最大值, x m i n x_{min} xmin为第 j j j个指标的最小值,其中有 m m m个样本, n n n个指标。
根据各项指标值的变异程度,利用信息熵工具,计算出各指标权重,具体步骤为:
- 将各指标同度量化,计算第 j j j项指标下第 i i i个样本指标值的比重
p i j = x i j ∑ i = 1 m x i j p_{ij}= \frac{x_{ij}}{\sum_{i=1}^m x_{ij}} pij=∑i=1mxijxij
- 计算第 j j j项指标的熵值 e j e_j ej
$$ e_j = -k \sum_{i=1}^m p_{ij}lnp_{ij} $$
其中, k > 0 k>0 k>0, e j ≥ 0 e_j \ge 0 ej≥0,如果 x i j x_{ij} xij对于给定的 j j j全部相等。则 p i j = 1 m p_{ij}=\frac{1}{m} pij=m1,此时 e j e_j ej取极大值,即:
e j = − k ∑ i = 1 m 1 m l n 1 m = k l n m e_j = -k \sum_{i=1}^m \frac{1}{m} ln \frac{1}{m} = klnm ej=−ki=1∑mm1lnm1=klnm
若设 k = 1 l n m k=\frac{1}{lnm} k=lnm1,于是有 0 ≤ e j ≤ 1 0\le e_j \le 1 0≤ej≤1.
- 计算第 j j j项指标的差异性系数 g i g_i gi
g j = 1 − e j g_j=1-e_j gj=1−ej
- 对于差异性系数进行归一化,可计算出各指标的权重
w j = g j ∑ k = 1 m g k w_j = \frac{g_j}{\sum_{k=1}^m g_k} wj=∑k=1mgkgj