综合评价方法

1. 历年试题分析

1.1. 试题主要方向

• 优化（1）
• 评价（2）
• 预测（3）

1.2. 试题主要趋势

• 综合性：综合利用不同类型知识
• 分析性：侧重于对题目的分析
• 数据性：涉及到大数据处理

（例）评价方法分类：

• 主观赋权法
• 客观赋权法

1.3. 创新

1. 新颖的解题切入点（如采用独有的数据，高效的不平常的数据）
2. 数据来源有理有据（找数据）
3. 合理运用算法模型
4. 合理的问题假设（对题目进行模型以及条件的假设）
5. 论文的写作必须图表兼备

1.4. 问题与方法

• 问题是主角，方法是配角
• 针对问题寻找适用的方法（优先选择可以讲的清的模型结构，尽量不去选择高大上但不懂的模型）

2. 综合评价模型

2.1. 术语

• 评价：按一定标准对客观实体对评价
• 指标：对象某一方面情况的特征依据
• 指标体系：多个相关评价指标组成的有机整体
• 综合评价：通过数学模型整合多个指标为一个综合评价

2.2. 综合评价方法分类

• 综合评定法（专家打分、加权、AHP、模糊神经网络）
• 两两比较法：顺序法、优序法

评价方法图例：

综合评价问题的分类：

• 分类：对对象进行分类（不局限于简单归纳）
• 比较排序：对全部评价单位综合排序
• 考察某一目标的综合实现程度：在有参考系的情况下做出整体评价

2.3. 综合评价基本概念

这类问题又称为多属性（或多指标）的综合评价问题。

（根据系统属性判断评价对象的优劣）

1. 被评价对象

   一个系统中选取多个被评价对象

2. 评价指标

   多个指标构成的度量量。

3. 权重系数

   用于区分各评价指标之间的重要性

   当完全确定了评价对象之后，评价结果就完全依赖权重系数了。

4. 综合评价模型

   多个评价指标综合成的一个整体的评价指标

5. 评价者

   参与评价的人

2.4. 评价指标

2.4.1. 评价指标的选取

1. 代表性：指标能够很好的代表对应层次
2. 确定性：指标的数值有确定的高低的意义
3. 灵敏性：指标值有一定的波动范围
4. 独立性：指标尽量保证无法替代，有多个类似的选取几个，或聚类。

难以量化时：

1. 系统分析法：凭经验按属性、类别划分。
2. 文献资料分析优选法：全面查找属性优缺点资料，分析并取舍。

客观筛选：

1. 逐个指标进行检验：有资料的基础上，分组并挑选有统计意义的指标。
2. 多元回归与逐步回归：多元回归挑选回归系数大，或偏回归系数假设检验有显著性大；逐步回归自动挑选主要影响指标的功能。
3. 指标聚类法：将多个指标通过聚类合并成一个指标。

如果有相关的文献，尽量选取广泛运用的指标。

可以更多的选择多种方法都可以使用的指标，适用于换方法。

选取指标时先列举需要属性类型，再对照类型进行列举属性。

在确认属性类型时重要的是：不要缩小题目意思的范围，应该发散思考。

2.4.2. 确定各评价指标的权值

确定权值都具有一定的主观性，每种方法都依赖于较为合理的专业解释。

2.4.3. 综合评价模型

• 线性加权法：（要求n个系统相互独立）
• 非线性加权法：（n个系统有较强的关系）

2.5. 指标预处理

2.5.1. 指标一致化处理

指标类型：

1. 极大型指标：值越大越好
2. 极小型指标：值越小越好
3. 中间型指标：一般要求取不大不小
4. 区间型指标：有上下界范围

我们一般会选择将所有的指标统一为一种指标。（如极小型变成极大型）

所以我们采用一致化操作（一致化即为将指标类型变为一致）

一致化方法：

• 倒数一致化：取原数据的倒数。

  优点：简单方便效果还行；

  缺点：因为会把所有>1的值统一到0～1之间，会改变原始数据的分散程度，对综合评价不利。（但是结合后面的归一化操作可以弥补缺点）

• 减法一致化：用一个值减去原数据的值。

  优点：不改变分散程度，效果更加稳定；

  缺点：一般也不知道用什么值去减

• 以上两个用于极小型极大化。

• 中间型极大化：

  极大化公式：X^’ = 1 - |X - X_best| / M；

  X_best 是最佳取值，M为指标可能取值和最佳取值的最大距离。

• 区间型最大化：

  极大化公式：

  其中[a, b]为x的最佳稳定区间，c = max(a - m, M - b)，M和m分别为x可能取值的最大值和最小值。

2.5.2. 指标无量纲化

无量纲化处理又称为指标数据的标准化，或规范化处理。抵消单位，消除数据单位限制。

常用方法：标准差方法、极值差方法和功效系数方法等。

处理方法：

1. 极差标准化法：

   公式：X’ = (X - X_min) / (X_max - X_min)；
   （指标的最大值 X_max 和最小值 X_min 和观察值 X ）

   特点：处理后每个数值变化范围都变成了[0-1]；

   缺点：有新数据加入会造成最值变化，需要重算。

2. Z-score标准化法（标准差标准化法）：

   操作方法：X’ = (x - x_均) / SD；

   特点：结果成正态分布，基本都在[-3 - 3]之间

3. 功效系数法：

   功效系数法：

   公式：x’_ij = c + (x_ij - m_j) / (M_j - m_j) * d (i = 1, 2, …, n; j = 1, 2, …, n)；

   c为平移量，d为放缩量。用于修改区间位置与大小（一般好看用）。

   ---

   线性比例标准化法：

   • 极大化法：X’ = X / X_max (X ≥ 0)；
   • 极小化法：X’ = X_min / X (X ≥ 0)；

   缺点：都不适用于X < 0；因为是非线性的改变，会影响原始指标之间的相互关系。

   ---

   log函数标准化法：

   公式：X’ = log₁₀X / log₁₀ X_max（观察值 X，指标最大值 X_max）；

   特点：方法要求X ≥ 1，有压缩数据差异的功能。

   ---

   反正切函数标准化法：

   公式：X’ = arctan(X) * 2 / π；

   特点：具有放大数据差异的作用

   ---

   最常用的方法：

   • 极差标准化法
   • Z-score标准化法

2.5.3. 定性指标的量化方法

根据实际问题，构造模糊隶属函数的量化方法是一种可行有效的方法

计算方法：

假设：定义评价因素分为五个等级：A, B, C, D, E；对应5, 4, 3, 2, 1；

建立模型：取偏大型柯西分布和对数函数作为隶属函数：

注解：a, b, å, ß都是待定常数，根据对应等级和隶属度代入计算得出。
（隶属度：表示一个模糊概念中的程度，如有50%的秃头，隶属度为0.5）

补充：隶属模型是表示一个模糊集合的真实程度。一般没有固定的模型，隶属模型很多是依靠“学习”完成的。

3. 几种常用的综合评价方法

• 现有的统计方法：主要为多元统计方法，如多元回归、逐步回归分析、判别分析、因子分析、时间序列分析。

• 模糊多元分析方法：模糊数学发展而来，如模糊聚类、模糊判别、模糊综合评价。

• 简易方法：综合评分法、综合指数法、Topsis法、秩和比法。

  特点：简单实用、适用性广、存在一定局限性。

3.1. 计分法

3.1.1. 综合计分法

方法：按比例分配分值，累加计分。

缺点：简便易行，过于粗糙。

3.1.2. 排队计分法

将评价单位的各项评价指标依优劣秩序排队，再将名次（位置）转化为单项评价值，最后由单项评价值计算各单位的综合评价值（总分）。

K为名次（1~n），f(K)为单项评价值（0~100），f_均为综合评价值（0~100）

（然后调整评价值区间，材料会好看一点）

优点：

• 方法简单
• 不用找其他的简单标准
• 评价值的值域统一
• 适用范围广（可用于定序以上层次的数据）

---

缺点：

• 原始数据的信息损失多

3.2. 综合指数法

概念：

• 指数：变量对值的相对数

• 个体指数：反映事物或现象动态变化的指数

  计算方法：

  • 高优指标：p = X / M（实测值 X，标准值 M）
  • 低优指标：p = M / X（实测值 X，标准值 M）

  （高优，低优表示越高越好和越低越好）

• 总指数：反映多种事物或现象动态平均变化程度的指数

  比较复杂，没有统一的表达形式，常见的有加权求和，算数平均，乘积法。

• 综合指数法：综合总指数形式对现象进行分析的方法

缺点：在某项参数特别突出时会造成很大的影响。

适用范围：适用于被评价对象差异不大，各评价指标单项波动范围也不大的情况。

3.3. 功效系数法

公式：（实际值 - 不容许值）/ （满意值 - 不容许值）* 40 + 60；

优点：考虑的每个指标的数值，相较于指数法，缩小了单项评价的差距，减弱了突出项的影响，但效果距离排队计分法还是差很多。

3.4. Topsis法（包含计算流程）

意思为：与理想方案相似性的顺序选优技术（多决策分析的常用方法）。

方法：基于归一化后的矩阵，通过比较各评价对象与最优方案的相对接近程度，评价优劣。

计算过程：

1. 选取对象与评价指标，设置一个矩阵；
2. 对高优，低优指标进行同向化，归一化；
3. 得到归一化矩阵并获取最优+最劣向量；
4. 用平方差公式分别求出对象与最优/最劣向量的距离；
5. 求接近程度 C_i = D_i^- / (D_i⁺ + D_i^-)。（重要！！！）

选取结果接近程度 C 的值越高，则结果越接近最优方案。

4. 模糊综合评价

模糊概念：一个没有明确非0即1的分界线的形容词，如胖瘦。

模糊数学的基本思想：用程度代替属于/不属于（非0即1），如某人秃头的程度为0.5。

4.1. 评价步骤

1. 确定评价对象的因素集；
2. 确定评语集；
3. 对单个因素评价；
4. 进行综合评价。

4.2. 信息熵法（客观判断属性权重）

原理：

• 在信息论中，熵为不确定性的指标；
• 按照归一化矩阵，信息熵法表示为每一种属性之间的概率分布是否一致，如果过于一致，则权重小。如三种汽车的款式所带来的效益一模一样，则说明款式这个属性的权重就不会很高。

熵的计算公式：

E_j 是低优的，我们构建 F_j：

权重依旧用平方差：

4.3. 算子的概念（用于权重向量与评判矩阵计算）

算子一般有四种：

其中算子就是表示数据的算法：当1*3和3*4的矩阵是用算子计算是，列计算用前者，行计算用后者（计算是就是如果给先计算的打括号，括号里面的就是前者。

经过计算后可以得到模糊评判向量。

4.4. 结果选择

• 最大隶属原则（最大的就能代表结果）
• 加权平均原则（用平均值根据所有人情况确定结果）

4.5. 思想和原理

基本思想：用属于程度代替属于或不属于.刻画“中介状态”

基本原理：

• 首先确定指标和评价集；
• 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；
• 最后进行模糊运算并进行归一化，得到评价结果

特点：被评价对象有唯一的评价值，不受对象集合的影响.

4.6. 模型和步骤

因素集 -> 评判集 -> 单因素评判 -> 综合评判

1. 确定因素集

   找到多种因素并将每种因素划分开来

2. 确定评语集

   划分等级并由评价者进行评价

3. 确认权重向量

4. 单因素模糊评价

   通过隶属度得到模糊关系矩阵。并进行归一化处理，平方差等于1。

   在确立隶属关系时，根据绝对值减数法可以求得：
   

5. 多指标综合分析（合成结果矢量）
   

6. 根据合适方法对结果分析

优点：

• 对模糊概念得出了科学的量化评价
• 评价结果是矢量，信息丰富，可以进一步加工

---

缺点：

• 计算复杂，指标权重主观性强。
• 指标集基数大时会导致隶属度小，会产生误差以至于不匹配等现象（超模糊现象），无法分辨。（可用分层模糊估计法加以改进）

5. 层次分析法（AHP）

5.1. 职员晋升案例

AHP是职员晋升问题的的一种常用方法。

另一种常用方法是多属性决策方法。

职员晋升问题：根据职员多方面的表现，给每个职员做一个排序。

（本方法均以职员晋升问题作分析）

特点：

• 针对经济、社会等主观因素大，难以量化的情况；
• 在实际运用、处理问题、计算方法方面和多属性决策有许多相似；
• 定性与定量相结合的，系统化、层次化的分析方法。

5.1.1. 层次结构图

层次结构图，毋庸置疑当然是指将模型结构分为多层咯。

分层：自下而上分为目标、准则、方案三层。

分层结构：

• 目标层：确定单个准则对多个目标的权重，也就是职员在一种属性中的排名；
• 准则层：确定方案对准则的权重，也就是属性的权重；
• 方案层：综合前两种确定方案对目标的权重，也就是结果每个职员的权重。

5.1.2. 成对比较矩阵和特征向量

构建成对比较矩阵：

• 定义在每个属性中，每个对象的权重；
• 将多个属性权重向量构成矩阵（用重要性比构建矩阵）
  
• 但属性比例并不一定要符合比例规范：属性1和属性2的比例为1:2，属性2和属性3的比例也为1:2，但属性1和属性3不一定要1:4（比例只要是在一定容许范围内就可以了，AHP容许成对比较存在不一致，并确定了这种不一致的容许范围）。
• 沿主对角线互为倒数，不要问我为什么。

特征向量：

• 成对比较矩阵满足a_ij * a_jk = a_ik;
• 一致阵：各列均相差一个因子；
• 一致阵性质：秩为1，唯一非0特征根为n，每一列向量都是对应于n的特征向量。
• 为什么将一致阵，是为下面计算服务的～
• 如果成对比较矩阵不满足一致阵条件，但在容许范围之内，则可以先归一化再使用。

5.1.3. 一致性指标和一致性检验

• n阶正互反阵A的最大特征根 lambda ≥ n，A是一致阵的充要条件为 lambda = n；

• 一般我们的矩阵是 lambda 必 ≤ n，对吧？所以只要 lambda 比n大的越多，说明误差越大，太大了就说明超出了容许范围；

• 用 lambda - n 衡量正互反阵 A 的不一致程度；

• Saaty定义**一致性指标**：CI = (lambda - n) / (n - 1) —— CI = 0时A是一致阵，CI越大A越不一致；

• 然后Saaty引入一组随机指标RI（RI是确定一个n阶标准正互反阵，随机在 1～9 和 1/1, 1/2, ～, 1/9 取值后，求一致性指标 CI 的均值为 RI），Saaty给出：

  n	3	4	5	6	7	8	9	10
  RI	0.58	0.90	1.12	1.24	1.32	1.41	1.45	1.49

• 所以我们定义一致性比率 CR = CI / RI，当 CR < 0.1 时就通过一次性检验了。

备注：一致性检验通过后就可以直接归一化矩阵得到指标权重向量了。

5.1.4. 综合权重

1. 计算出方案对准则的权重，并通过一致性检验，得到权重向量；
2. 计算出目标对准则（3个职员对4个准则）的权重，通过一致性检验并得到权重，同时也为有3个职员4个准则，我们可以得到3*4对权重矩阵。
3. 最后我们就可以简单的加权和：结果对象的权重 = 方案对准则的权重 * 准则对目标的权重。
4. 推广：现在是3层结构，如果是S层呢？很简单，就是把每一层的关系求出来，然后加权和就行了。如有1，2，3，4，5这五层，我们求出12，23，34，45间的关系，加权和就能得到15的关系了（我们都知道，1就是给定的条件，5就是我们的结果～

5.1.5. 比较尺度（1-9）

上面我们讲到用比较的方法输出两个属性之间的差别。比如1:2，1:3之类的。

这里我们给定一个比较标准：

尺度aij	1	2	3	4	5	6	7	8	9
Xi和Xj对Y重要性	相同		稍强		强		明显强		绝对强

5.2. 层次分析法的基本理论

步骤：

1. 先构成多层的层次结构；
2. 构建上下层之间的成对比较阵；
3. 计算每个成对比较阵的特征根和特征向量，做一致性检验；
4. 将各层进行综合，就可以计算最下层对最上层的权重咯

5.3. 层次分析法的若干问题

5.3.1. 应用特点

• 处理问题类型：决策、评价、分析、预测；
• 建立模型要有主要决策层参与；
• 构建成对比较阵的数量依据，要由强专家给出。

5.3.2. 正互反阵最大特征根和特征向量的简化计算

一致阵的每一列向量都是特征向量，一致性在容许范围内的正互反阵的列向量都近似特征向量，可取其某种意义下的平均。

流程：

1. 得到成对比较阵；
2. 列归一化得到归一化矩阵（列为属性）；
3. 求行的算术平均值（行为对象）；
4. 再用Aw = lambda*w求出特征值就好了。

5.3.3. 不完全层次结构的计算

不完全，也就是说有些之间没有关系呗，没关系不就是0？

略了略了

5.3.4. 优缺点分析

优点：

• 系统性：按照分解、比较、判断、综合的思维方式进行决策——系统分析；
• 实用性：定性定量结合；
• 简洁性：计算简单，方便

缺点：

• 囿旧：无法产生新方案；
• 粗略：将定性定量，结果粗糙；
• 主观：主观作用大，难以服人