常见权重计算方法全解析

常见权重计算方法全解析

在数据分析、综合评价、决策制定等众多领域中，权重计算是一项关键技术，它能够帮助我们合理地衡量各个因素在整体中的相对重要性。本文将全面介绍多种常见的权重计算方法，包括主观赋权法、客观赋权法、基于数据降维与信息浓缩的方法以及综合评价类方法，并详细阐述它们的计算公式与应用场景。

一、主观赋权法

AHP 层次分析法（Analytic Hierarchy Process）

简介：由美国运筹学家萨蒂（T. L. Saaty）在 20 世纪 70 年代初提出，是一种将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础上进行定性和定量分析的决策方法。该方法把复杂问题分解为多个层次，通过专家经验进行主观判断，把定性与定量分析相结合。

计算公式：

构建判断矩阵：设准则层有 $n$ 个因素，通过两两比较确定它们相对重要性的标度 $a_{ij}$，构成判断矩阵 $A=(a_{ij}{)}_{n\times n}$。$a_{ij}$ 表示因素 $i$ 相对于因素 $j$ 的重要性程度，通常采用 1 - 9 标度法，1 表示两者同等重要，3 表示前者比后者稍微重要，5 表示前者比后者明显重要，7 表示前者比后者强烈重要，9 表示前者比后者极端重要，2、4、6、8 为上述判断的中间值，且 $a_{ij}=\frac{1}{a_{ji}}$。

计算特征向量：求解判断矩阵 $A$ 的最大特征根 ${\lambda }_{max}$ 及其对应的特征向量 $W$，对特征向量进行归一化处理得到权重向量 $\omega$，即 ${\omega }_i=\frac{W_i}{{\sum }_{j=1}^n{W}_j}$，$i=1,2,\cdots ,n$。计算特征向量可使用方根法、和积法等方法，以方根法为例，先计算判断矩阵每行元素的乘积 $M_i={\prod }_{j=1}^n{a}_{ij}$，再计算 $M_i$ 的 $n$ 次方根 ${\overline{W}}_i=\sqrt[n]{M_i}$，最后对 ${\overline{W}}_i$ 进行归一化处理得到 ${\omega }_i$。

一致性检验：计算一致性指标 $CI=\frac{{\lambda }_{max}-n}{n-1}$，平均随机一致性指标 $RI$（可通过查表得到，不同阶数的判断矩阵对应不同的 $RI$ 值），一致性比率 $CR=\frac{CI}{RI}$。当 $CR<0.1$ 时，认为判断矩阵具有满意的一致性，否则需要重新调整判断矩阵。

应用场景：适用于难以完全用定量方法解决的问题，如评价指标体系的权重确定，像在城市宜居性评价中确定环境、交通、教育等因素的权重。

优缺点：优点是系统性强，能将复杂问题条理化；缺点是主观性较强，判断矩阵的构建依赖专家的知识和经验，不同专家可能给出不同结果。

二、客观赋权法

熵值法（Entropy Method）

简介：根据指标数据的变异程度来确定权重，源于信息论中熵的概念，信息熵是对信息不确定性的度量。

计算公式：

数据标准化：设原始数据矩阵为 $X=(x_{ij}{)}_{m\times n}$，其中 $m$ 为样本数，$n$ 为指标数。采用不同的标准化公式将数据进行无量纲化处理，得到标准化矩阵 $Y=(y_{ij}{)}_{m\times n}$。对于正向指标，$y_{ij}=\frac{x_{ij}-\min (x_j)}{\max (x_j)-\min (x_j)}$；对于逆向指标，$y_{ij}=\frac{\max (x_j)-x_{ij}}{\max (x_j)-\min (x_j)}$。

计算第 **** **** 项指标下第 **** **** 个样本值的比重：$p_{ij}={\sum }_{i=1}^m{y}_{}$