1.该方法的目的:由于指标类型有很多,极大型、极小型、中间型、区间型……为了使得各类指标之间可相互比较,于是将各类型的指标均进行正向化处理,即都转化为极大型指标。然后,再对正向化后的各指标分别进行标准化处理。根据评分公式,计算各个候选人(或备选方案)的得分,该得分考虑了多个指标的影响,最后再对得分进行归一化处理,按照得分排序即可知道最佳候选人(或最佳方案)。至此,是TOPSIS所能做的一切……
TOPSIS方法的缺点也很明显,即它在计算得分时没有考虑各个指标的权重问题,假定了所有指标同等重要。
2.主要操作步骤及相关基本概念
(1)极大型指标:指值越大越好的指标,如成绩,收入,GDP……
(2)极小型指标:指值越小越好的指标,如迟到次数、违纪次数、空气污染指数、犯罪率……
(3)指标正向化:是指将极小型指标转化为极大型指标,这样做的目的是方便后续加权计算多个指标综合得分,使得最后的得分也是越大越好。
例如:学校现在要评选三好学生,A班有张三等5名学生,评选参考指标包括:语数外各科成绩(满分100分)、竞赛获奖次数、迟到次数、违纪次数。
可知,语数外各科成绩(满分100分)、竞赛获奖次数、属于极大型指标,迟到次数、违纪次数属于极小型指标,因此需要将极小型指标正向化。
经过正向化转化后,迟到次数越多的同学,该指标值越接近0,迟到次数越少的同学该指标越大。违纪次数也经过正向化处理。
问题是,正向化转化是怎么做的?其实很简单,常用的方法是用该指标最大值减去原来的值。即
max - x
如张三迟到次数是3次,样本数据中,最大迟到次数是5次,那么,张三正向化后的迟到次数为5-3 = 2。注意!这里的2不再代表迟到的次数,而是一种得分,且这种得分越大越好。
(4)数据标准化:为了综合评价某个人,往往需要考虑多种指标,如成绩,获奖次数,迟到次数,……需要注意的是,这些指标的量纲是不同的,即取值范围不同。成绩一般取值范围为0~100,获奖次数取值范围往往偏小,如1、2、3次,迟到次数取值范围也偏小。一般来说,我们无法将成绩中的95分与迟到次数为2次进行比较,这样毫无意义。为了使得指标之间的数可以相互比较,需要消除量纲的影响,我们可以通过对指标进行标准化处理实现消除量纲影响。
标准化后并不会影响指标内部数据的相对大小关系,原来成绩排名第一名的,标准化后依然会是第一名。
常用的标准化处理方法: