CRITIC法之python

目录

1.简介

2.原理解析

2.1 指标正向化及标准化

2.2 计算信息承载量

2.3 计算权重和评分

3.实例分析

3.1 读取数据

3.2 指标正向化及标准化

3.3 计算对比度

3.4 矛盾性

3.5 计算信息载量

3.6 计算权重 

3.7 计算得分

完整代码 

---

1.简介

        CRITIC是Diakoulaki（1995）提出一种评价指标客观赋权方法。该方法在对指标进行权重计算时围绕两个方面进行：对比度和矛盾（冲突）性。

        它的基本思路是确定指标的客观权数以两个基本概念为基础。一是对比度，它表示同一指标各个评价方案取值差距的大小，以标准差的形式来表现，即标准化差的大小表明了在同一指标内各方案的取值差距的大小，标准差越大各方案的取值差距越大。二是评价指标之间的冲突性，指标之间的冲突性是以指标之间的相关性为基础，如两个指标之间具有较强的正相关，说明两个指标冲突性较低。

2.原理解析

2.1 指标正向化及标准化

        设有m个待评对象，n个评价指标，可以构成数据矩阵X=（xij)m*n，设数据矩阵内元素，经过指标正向化处理过后的元素为xij'

• 若xj为负向指标（越小越优型指标）

• 若xj为正向指标（越大越优型指标）

2.2 计算信息承载量

• 对比性

用标准差表示第j 项指标的对比性

• 矛盾性

矛盾性反映的是不同指标之间的相关程度，若呈现显著正相关性，则矛盾性数值越小。设指标𝑗与其余指标矛盾性大小为fj

  rij表示指标i 与指标j 之间的相关系数，在此使用的是皮尔逊相关系数，此为线性相关系数。

• 信息承载量

   设指标𝑗与信息承载量为Cj

2.3 计算权重和评分

计算权重：

信息承载量越大可认为权重越大

计算得分：

3.实例分析

银行	资产收益率	费用利润率	逾期贷款率	资产使用	自有资本率
中信	0.483	13.2682	0	4.3646	5.107
光大	0.4035	13.4909	39.0131	3.6151	5.5005
浦发	0.8979	25.7776	9.0513	4.892	7.5342
招商	0.5927	16.0245	13.2935	4.4529	6.5913

3.1 读取数据

#导入数据
data=pd.read_excel('D:\桌面\CRITIC.xlsx')
print(data)

返回：

去掉变量名和序号:

label_need=data.keys()[1:]
data1=data[label_need].values
print(data1)

返回：

3.2 指标正向化及标准化

查看行数和列数：

data2 = data1
[m,n]=data2.shape
print(m,n)

返回：

 

本实例中逾期贷款率为负向指标数据

因此负向指标标准化：

#负向指标标准化
index=[2] #负向指标位置,注意python是从0开始计数，对应位置也要相应减1
for j in index:
    d_max=max(data1[:,j])
    d_min=min(data1[:,j])
    data2[:,j]=(d_max-data1[:,j])/(d_max-d_min)
print(data2)

返回：

在对剩余数据进行正向指标标准化：

# 正向指标标准化
#正向指标位置
index_all=np.arange(n)
index=np.delete(index_all,index) 
for j in index:
    d_max=max(data1[:,j])
    d_min=min(data1[:,j])
    data2[:,j]=(data1[:,j]-d_min)/(d_max-d_min)
print(data2)

返回：

3.3 计算对比度

#对比性
the=np.std(data2,axis=0)
print(the)

返回：

3.4 矛盾性

#矛盾性
data3=list(map(list,zip(*data2))) #矩阵转置
r=np.corrcoef(data3)   #求皮尔逊相关系数
f=np.sum(1-r,axis=1)
print(f)

返回：

3.5 计算信息载量

#信息承载量
c=the*f
print(c)

返回：

3.6 计算权重 

#计算权重
w=c/sum(c)
print(w)

返回：

3.7 计算得分

#计算得分
s=np.dot(data2,w)
Score=100*s/max(s) 
for i in range(0,len(Score)):
    print(f"{data['银行'][i]}银行百分制评分为：{Score[i]}")  

返回：

完整代码 

#完整代码
#导入相关库
import pandas as pd
import numpy as np
#导入数据
data=pd.read_excel('D:\桌面\CRITIC.xlsx')
label_need=data.keys()[1:]
data1=data[label_need].values
#查看行数和列数
data2 = data1
[m,n]=data2.shape
#负向指标标准化
index=[2] #负向指标位置,注意python是从0开始计数，对应位置也要相应减1
for j in index:
    d_max=max(data1[:,j])
    d_min=min(data1[:,j])
    data2[:,j]=(d_max-data1[:,j])/(d_max-d_min)
# 正向指标标准化
#正向指标位置
index_all=np.arange(n)
index=np.delete(index_all,index) 
for j in index:
    d_max=max(data1[:,j])
    d_min=min(data1[:,j])
    data2[:,j]=(data1[:,j]-d_min)/(d_max-d_min)
#对比性
the=np.std(data2,axis=0)
#矛盾性
data3=list(map(list,zip(*data2))) #矩阵转置
r=np.corrcoef(data3)   #求皮尔逊相关系数
f=np.sum(1-r,axis=1)
#信息承载量
c=the*f
#计算权重
w=c/sum(c)
#计算得分
s=np.dot(data2,w)
Score=100*s/max(s) 
for i in range(0,len(Score)):
    print(f"{data['银行'][i]}银行百分制评分为：{Score[i]}")