苹果/安卓/wp
积分 19223, 距离下一级还需 12377 积分
权限: 自定义头衔, 签名中使用图片, 隐身, 设置帖子权限, 设置回复可见, 签名中使用代码
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡, 沉默卡, 千斤顶, 变色卡, 置顶卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
TA的文库&&
苦逼签到天数: 8 天连续签到: 1 天[LV.3]偶尔看看II
本帖最后由 胖胖小龟宝 于
09:55 编辑
& && & 在统计理论和实践中，权重是表明各个评价指标（或者评价项目）重要性的权数，表示各个评价指标在总体中所起的不同作用。权重有不同的种类，各种类别的权重有着不同的数学特点和经济含义，一般有以下几种权重。
按照权重的表现形式的不同，可分为绝对数权重和相对数权重。相对数权重也称比重权数，能更加直观地反映权重在评价中的作用。
& && & 按照权重的形成方式划分，可分为人工权重和自然权重。自然权重是由于变换统计资料的表现形式和统计指标的合成方式而得到的权重，也称为客观权重。人工权重是根据研究目的和评价指标的内涵状况，主观地分析、判断来确定的反映各个指标重要程度的权数，也称为主观权重。
& && & 按照权重形成的数量特点的不同划分，可分为定性赋权和定量赋权。如果在统计综合评价时，采取定性赋权和定量赋权的方法相结合，获得的效果更好。
& && & 按照权重与待评价的各个指标之间相关程度划分，可分为独立权重和相关权重。
& && & 独立权重是指评价指标的权重与该指标数值的大小无关，在综合评价中较多地使用独立权重，以此权重建立的综合评价模型称为“定权综合”模型。
& && & 相关权重是指评价指标的权重与该指标的数值具有函数关系，例如，当某一评价的指标数值达到一定水平时，该指标的重要性相应的减弱；或者当某一评价指标的数值达到另一定水平时，该指标的重要性相应地增加。相关权重适用于评价指标的重要性随着指标取值的不同而发生变化的条件下，基于相关权重建立的综合评价模型被称为“变权模型”。比如评估环境质量多采用“变权综合”模型。
& && & (一) 统计平均法
& && & 统计平均数法（Statistical average method）是根据所选择的各位专家对各项评价指标所赋予的相对重要性系数分别求其算术平均值，计算出的平均数作为各项指标的权重。其基本步骤是：
第一步，确定专家。一般选择本行业或本领域中既有实际工作经验、又有扎实的理论基础、并公平公正道德高尚的专家；
第二步，专家初评。将待定权数的指标提交给各位专家，并请专家在不受外界干扰的前提下独立的给出各项指标的权数值；
第三步，回收专家意见。将各位专家的数据收回，并计算各项指标的权数均值和标准差；
第四步，分别计算各项指标权重的平均数。
& && & 如果第一轮的专家意见比较集中，并且均值的离差在控制的范围之内，即可以用均值确定指标权数。如果第一轮专家的意见比较分散，可以把第一轮的计算结果反馈给专家，并请他们重新给出自己的意见，直至各项指标的权重与其均值的离差不超过预先给定的标准为止，即达到各位专家的意见基本一致，才能将各项指标的权数的均值作为相应指标的权数。
& && & (二) 变异系数法
& && & 变异系数法(Coefficient of variation method)是直接利用各项指标所包含的信息，通过计算得到指标的权重。是一种客观赋权的方法。此方法的基本做法是：在评价指标体系中，指标取值差异越大的指标，也就是越难以实现的指标，这样的指标更能反映被评价单位的差距。例如，在评价各个国家的经济发展状况时，选择人均国民生产总值(人均GNP)作为评价的标准指标之一，是因为人均GNP不仅能反映各个国家的经济发展水平，还能反映一个国家的现代化程度。如果各个国家的人均GNP没有多大的差别，则这个指标用来衡量现代化程度、经济发展水平就失去了意义。
& && & 由于评价指标体系中的各项指标的量纲不同，不宜直接比较其差别程度。为了消除各项评价指标的量纲不同的影响，需要用各项指标的变异系数来衡量各项指标取值的差异程度。各项指标的变异系数公式如下：
09:52:30 上传
各项指标的权重为：
09:52:30 上传
& && & （三)层次分析法& && & 层次分析法又称AHP构权法(Analytic hierarchy process，简写为AHP)，是将复杂的评价对象排列为一个有序的递阶层次结构的整体，然后在各个评价项目之间进行两两的比较、判断，计算各个评价项目的相对重要性系数，即权重。AHP 构权法又分为单准则构权法和多准则构权法，在此介绍单准则构权法及具体步骤。1.确定指标的量化标准。& & 层次分析法的核心问题是建立一个构造合理且一致的判断矩阵，判断矩阵的合理性受到标度的合理性的影响。所谓标度是指评价者对各个评价指标（或者项目）重要性等级差异的量化概念。确定指标重要性的量化标准常用的方法有：比例标度法和指数标度法。比例标度法是以对事物质的差别的评判标准为基础，一般以5种判别等级表示事物质的差别。当评价分析需要更高的精确度时，可以使用9种判别等级来评价，见表14-4
09:43:10 上传
2.确定初始权数。
& && & 初始权数的确定常常采用定性分析和定量分析相结合的方法。一般是先组织专家，请各位专家给出自己的判断数据，再综专家的意见，最终形成初始值。具体操作步骤如下：
第一步，将分析研究的目的、已经建立的评价指标体系和初步确定的指标重要性的量化标准发给各位专家，请专家们根据上述的比例标度值表所提供的等级重要性系数，独立地对各个评价指标给出相应的权重。
第二步，根据专家给出的各个指标的权重，分别计算各个指标权重的平均数和标准差。
第三步，将所得出的平均数和标准差的资料反馈给各位专家，并请各位专家再次提出修改意见或者更改指标权重数的建议，并在此基础上重新确定权重系数。
第四步，重复以上操作步骤，直到各个专家对各个评价项目所确定的权数趋于一致、或者专家们对自己的意见不再有修改为止，把这个最后的结果就作为初始的权数。
3.对初始权数进行处理。
第一步，建立判断矩阵 。
第二步，计算判断矩阵 。
第三步，进行归一化处理。归一化处理是利用公式计算，依据计算结果确定各个指标的权重系数。
4.检验判断矩阵的一致性。
& && & 检验判断矩阵的一致性是指需要确定权重的指标较多时，矩阵内的初始权数可能出现相互矛盾的情况，对于阶数较高的判断矩阵，难以直接判断其一致性，这时就需要进行一致性检验。本节省略了对于判断矩阵一致性检验的步骤。& && &帮助人大经济论坛推广，复制贴子内容（带人大经济论坛网址）并发到其他论坛和网站；或点击贴子标题后的“推广有奖”，把本贴推荐到QQ群或自己的微博（最好@人大经济论坛），然后跟贴贴出链接或截图，证明已作推广的，将获得如下论坛币的奖励！（大家一定要把群现有人数或微博粉丝人数截屏出来哦~不然只能奖励10个币哦）
& && & 活动奖励方式（同一个群或微博或网站分享多次算一次，所有截图均需显示分享人数，否则默认低档奖励）：
1.凡分享的QQ群，人数在100人以下的，视情况奖励10-20论坛币；100-500人的，奖励20-50论坛币（每群限奖励一次）；500人以上的奖励50-100论坛币。
2.凡分享到微博，您的粉丝在100人以下的，视情况奖励10-20论坛币；100-500人的，奖励20-50论坛币（每微博限奖励一次）；500人以上的奖励50-100论坛币。
3.凡分享到其他网站（包括校内网等），帖子保留一天以上的（24小时后截图），奖励50论坛币
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
楼主，除了这几种权重确认方法？还有哪些比较新的确认权重的方法吗？
谢谢，请问你知道怎么用熵值法确定权重吗？计算熵值指标Hi后，将熵值标准化那个步骤，W=maxHi/Hi
,这个怎么计算啊！我计算出来的Hi明明只有一个值啊，如何用最大值除以本身呢？
  |
  |
  |
  |
  |
  |
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
论坛法律顾问：王进律师权重的确定方法汇总_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
权重的确定方法汇总
&&各个行业,特别是经济行业的权重如何确定是一个令学者头痛的问题。本文档为研究者提供权重确定的相关参考。
阅读已结束，下载文档到电脑
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，方便使用
还剩19页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢多指标综合评价方法及权重系数的选择
综合评价是利用数学方法（包括数理统计方法）对一个复杂系统的多个指标信息进行加工和提炼，以求得其优劣等级的一种评价方法。
多指标综合评价方法
层次分析加权法（AHP法）
该法通过建立目标树，可计算出合理的组合权重，最终得出综合指数，使评价直观可靠。采用三标度（－1，0，1）矩阵的方法对常规的层次分析加权法进行改进，通过相应两两指标的比较，建立比较矩阵，计算最优传递矩阵，确定一致矩阵（即判断矩阵）。该方法自然满足一致性要求，不需要进行一致性检验，与其它标度相比具有良好的判断传递性和标度值的合理性；其所需判断信息简单、直观，作出的判断精确，有利于决策者在两两比较判断中提高准确性。
相对差距和法
设有m项被评价对象，有n个评价指标，则评价对象的指标数据库为
Kj=(K1j，K2j，,,,,，Knj)，j=1，2，,,,,，m。设最优数据为K0=（K1、K2、,,,,Kn）。最优单位K0中各数据的确定如下：高优指标，取所有m个单位中该项评价指标最大者；低优指标，取所有m个单位中该项评价指标最小者。各单位与最优单位的加权相对差距和
D=∑nj=1WiKi-Kij2Mi
式中Wi为第i 项指标的权系数，Mi为所有单位的第i 项指标数值的中位数。结果按D值大小进行排序，D值越小，该单位越接近最优单位。
该方法直观、易懂、计算简便，可以直接用原始数据进行计算，避免因其它运算而引起的信息损失。该法考虑了各评价对象在全体评价对象中的位置，避免了各被评价对象之间因差距较小，不易排序的困难。
主成分分析法
该法是将多个指标化为少数几个综合指标，而保持原指标大量信息的一种统计方法。
其计算步骤简述如下：
对原始数据进行标准化变换并求相关系数矩阵Rm×n →求出R的特征根λi及相应的标准正交化特征向量ai → 计算特征根λi的信息贡献率，确定主成分的个数→ 将经过标准化后的样本指标值代入主成分，计算每个样本的主成分得分。
应用本法时，当指标数越多，且各指标间相关程度越密切，即相应的主成分个数越少，本法越优越；对于定性指标，应先进行定量化；当指标数较少时，可适当增加主成分个数，以提高分析精度。采用主成分分析法进行综合评价有全面性、可比性、合理性、可行性等优点，但是也存在一些问题：如果对多个主成分进行加权综合会降低评价函数区分的有效度，且该方法易受指标间的信息重叠的影响。
潘石柱等则提出一种将GHA(generalized hebbian algorithm)学习规则应用到核主成分分析的新方法，它结合了核主成分分析和GHA学习规则的优点，既利用了核主成分分析的方法方便地提取数据的非线性特征，又避免了在大样本数据的情况下运算复杂和存储空间大的问题。
该法是基于归一化后的原始数据矩阵，找出有限方案中的最优方案和最劣方案，然后获得某一方案与最优方案和最劣方案间的距离（用差的平方和的平方根值表示），从而得出该方案与最优方案的接近程度，并以此作为评价各方案优劣的依据。其具体方法和步骤如下：
评价指标的确定→将指标进行同趋势变换，建立矩阵→ 归一化后的数据矩阵→确定最优值和最劣值，构成最优值和最劣值向量→ 计算各评价单元指标与最优值的相对接近程度→排序。
指标进行同趋势的变换的方法：根据专业知识，使各指标转化为“高优”，转化方法有倒数法（多用于绝对数指标）和差值法（多用于相对数指标）。但是该法的权重受叠代法的影响，同时由于其对中性指标的转化尚无确定的方法，致使综合评价的最终结果不是很准确。
侯志东等提出的基于Hausdauff度量的模糊Topsis方法，首先通过模糊极大集和模糊极小集来确定模糊多属性决策问题的理想解与负理想解，再由Hausdauff度量获得不同备选方案到理想解与负理想解的距离及其贴近度，根据贴近度指标对方案进行优劣排序。该方法思路清晰，计算简单，操作比较容易。
刘继斌等在Topsis法中引入指标权重，用属性AHM赋权法求指标权重，再用Topsis法进行综合评价。结果显示基于属性AHM的Topsis综合评价既考虑了参评指标的重要性，又体现了Topsis法能充分利用数据资料的优点，原理简明，结果准确，使用方便。
RSR值综合评价法（秩和比法）
把各指标值排序（排“秩”R），仅以“秩”R来计算。当指标“高优”时，按“升序”排序，最小值为1，即R值最高者最优；当指标“低优”时，按“降序”排序，最大值为1，即R值最低者最优。当各指标的“秩”相加时，累加和最大者则最优。
该方法以实际资料作为计算基础，较为客观，它在算法上是将原始数据转化为序值，虽计算简单，但未充分利用资料的原始信息。当各指标的“秩”相加时，“秩和”（ΣR）最大者则为优；当m为指标数，n为参加排序的单位数，则按下式计算RSR值：
RSR=ΣR/（mn）。
全概率评分法
设Bi为第i号试验，Aj为第j个指标，i=1，2，,,,,，k，且A1、A2,,,,、An互不相容，又设各指标的重要程度之比为A1：A2,,,,：Ak=m1：m2,,,,：mk， 则
P（Aj）=mj/N，
j=1，2，,,,,k
以Xij表示第j个指标下的第i个测定值，以Sj 表示第j个指标下各次试验结果的和，即
Sj=Σni=1Xij
i=1，2,,,,n；
j=1，2,,,,k
则P（Bi/Aj）=Xij/Sj
全概率公式为：
P（Bik j=1）=ΣP(Aj)P(Bi/Aj) ， i=1，2,,,,n；j=1，2,,,,k
根据专业知识，公式分越大或越小越优。
人工神经网络
神经网络是建立以权重描述变量与目标之间特殊的非线性关系模型，对事物的判断分析必须经过一个学习或训练过程，类似于人脑认识一个新事物必须有一个学习过程一样，神经网络通过一定的算法进行训练，将反馈传播（BP）算法引入神经网络中，很好地实现了多层神经网络的设想。与传统的计算机方法相比，具有大规模信息处理、分布式联想存储、自适应学习及自组织的特点；作为一个高度的非线性动态处理系统，既可处理线性问题，又可处理非线性问题，且具有很强的容错能力。在求解问题时，对实际问题的结构没有要求，不必对变量之间的关系作出任何假设，只需利用在学习阶段所获得的知识（分布式存储于网络的内部），对输入因子进行处理，就可得到结果。这种处理方式更符合客观实际，因而得到的结果可靠性更大。
简易公式评分法
化多指标为单指标 → 确定权重系数 → 按公式计算分数。
简易综合公式：dij=b1aij/s1+b2bij/s2+b3cij/s3
式中aij、bij、cij分别为第i项的第 j 个指标，s1、s2和s3分别为样本的标准差，b1、b2和b3分别为权重系数。
蒙特卡罗模拟综合评价法
利用蒙特卡罗模拟技术将原序数关系的目标属性转化为一系列的目标属性向量。对于每一权重向量，利用加权法对方案（评价对象）进行排序，得到一系列排序向量，再统计每个方案排在各个排序位次上的次数，进而求出相应比例。
一般步骤如下：根据各指标属性，进行数据生成（生成的数据应满足无量纲化、标准化和测度统一化）→ 产生随机重向量→ 计算加权值→排序向量。
模糊综合评判法
应用模糊关系合成的特性，从多个指标对被评价事物隶属等级状况进行综合性评判的一种方法，它把被评价事物的变化区间作出划分，又对事物属于各个等级的程度作出分析，使得描述更加深入和客观。
一般步骤如下：确定评价事物的因素论域→选定评语等级论域→建立模糊关系矩阵→确定评价因素权向量→ 选择合成算子→ 得到模糊评判结果向量→ 进一步分析处理。
该法的优点是：数学模型简单，容易掌握，对多因素多层次的复杂问题评判效果比较好。在实际应用中，采用模糊综合评判法能够得到全面和合理的评判结果。
灰关联聚类法
该法把灰关联聚类分析和聚类思想方法进行融汇、扩充，将关联度的数值演化成评估对象的亲和度 而用于聚类分析。
设待分析评价系统Si(i=1，2，,,,,，m)，特征参量（指标）序列为Xi，
Xi=(Xi1，Xi2，,,,,，Xin)
又有参考特征参量（指标）序列X0
X0=（X01，X02，,,,,，X0m）
参考序列的确定：对于指标越大越好的指标，则：
X0j=max(Xij)
(j=1，2，,,,,，n)
对于指标越小越好的指标，则：
X0j=mini∈I(Xij)
该法的步骤：聚类基础的构成→ 灰色相似矩阵的建立→ 聚类分析
该法对原始数据进行统一测度和同一化处理，消除了不同指标量纲的影响，能定量反映不同评价单元的优劣程度，直观可靠，权的取值在0与1之间，该值越接近1，反映所评价单元越接近最优水平的程度越高；反之，该值越接近0，反映所评价单元越接近最劣水平的程度越高。本法既适合大样本，也适合小样本的评价系统。
因子分析法（FA）
因子分析法(factor analysis)是由心理学家Charles Spearman首先提出的。目前，该方法在自然科学领域中的应用越来越广泛，它的基本思想是通过对原始指标相关矩阵内部结构的研究，找出能控制所有指标少数几个不可观测的公因子（彼此之间不相关），每个指标可以近似表示成公因子的线性组合，以较少的公因子来代替多个指标从而达到简化分析的目的。同时根据不同因子以及进一步旋转，可以对指标进行较为科学和清晰的分类。根据变量间的相关性大小，把变量分组，使得同组内变量之间的相关性较高，但不同组内变量之间的相关性较低。每组变量代表一个基本结构，这个基本结构称为公共因子。设有P维随机向量X=X(X1，X2，,,,,，Xp)′，其均值向量为μ=(μ1，μ2，,,μp)′，协方差矩阵为∑=(σij)p×p，可以设想这个P指标主要受到m(m≤p)个公共因子F1，F2，,,，Fm的影响，且Xi是F1，F2，,,，Fm的线性函数，即Fi对各指标的影响是线性的，则有因子模型：
X1=a11F1+a12F2+ ,, +a1mFm+ε1
X2=a21F1+a22F2+ ,, +a2mFm+ε2
Xp=ap1F1+ap2F2+ ,, +apmFm+εp
简记为:X=AF+ε
其中F=(F1，F2，,,，Fm)′为公共因子，ε=(ε1，ε2，,,εm)′为特殊因子，F与ε均为不可观测的随机变量，A= (aij)p×m为因子载荷矩阵，aij称为第j个因子对第i个变量的载荷系数。在模型中，特殊因子起着残差的作用，且他们彼此不相关且与公共因子也不相关。每个公共因子假定至少对2个变量有贡献，否则它将是一个特殊因子。
采用该方法所得的分析结果受到原始指标间相关程度均衡性的影响，且因为因子得分是估计值，其综合评价值不如主成分分析所得综合评价值准确。
功效函数法
功效函数法是根据多目标规划原理提出来的，其基本思想是通过功效函数将不同量纲的各指标实际值转化为无量纲的功效系数，再根据各指标的权重关系得到综合评价值，以综合评价值作为综合评价的依据。
首先采用专家打分法、类比函数法把定性指标作量化处理得到aij→依据指标类型选择公式（1）（2）（3）把有量纲值化为无量纲值rij →依据指标的权重(uj)、根据公式（4）得各方案的综合权值，根据c（Ai）的大小进行比较。
设｛Xij｝表示第i个样本的第j项指标的实际值(i=1，2，,,，n;j=1，2，,,，m)，取第j个指标的最大值rmax，j=max(rij)与第j个指标的最小值rmin，j=min(rij)，构造功效函数如下：
dij=rij/rmax，j
越大越好 （1）
dij=1＋rmin，j／rmax，j－rij/ rmax，j
{Xij}越小越好
dij=rij/r1 {Xij}
1不能偏大也不能偏小 （3）
1+(r2-rij)/rmax，j
应保持在范围［r1，r2］中
其中rij=aij/(aij2)1/2。
c（Ai）=∑nj=1uj·dij(4）
该方法直观明了，可使不可比的、相互补的指标，按照某种规则成为相互可比的量化指标；同时又兼顾了各指标在评价中的重要程度。
综合指数法
综合指数（syntheticac index）是编制总指数的基本形式，把不同性质、不同类别、不同计量单位的工作指标经过指数化变成指数，按照同类指标相乘、异类指标相加的方法进行指标综合，然后比较。具体方法有加权线性和法、乘法合成法、混合法等。首先要选择适当的指标，确定权重后依据下列公式把指标进行指数化：
高优指标指数化计算公式:Yj=Xj/Mj
低优指标指数化计算公式:Yj=Mj/Xj
然后按照同类指标指数相乘、异类指标指数相加的方法进行指数综合得出I值进行比较。
I＝∑mi=1∏nj=1Yij
该法原理简单，无需复杂的运算，易于操作。对数据的分布、指标的多少无严格要求，适用范围广。对原始数据进行相对化处理，消除了不同指标量纲的影响。但是由于权重作用较明显，易夸大权重大的因素和掩盖权重小的因素的作用。
密切值法是多目标决策中的一种优选方法，它将评价指标区分为正向指标和负向指标并结合在一起考虑，所有指标进行同向化处理，然后找出各评价指标的“最优点”和“最劣点”，分别计算各评价单元与“最优点”和“最劣点”的距离(即密切程度) ，将这些距离转化为能综合反映各样本质量优劣的综合指标—密切值，最后根据密切值大小确定各评价单元的优劣顺序。
该法逻辑严谨，计算简便，可用于同一时间各指标的横向评价，也可用于同一指标不同时间的纵向评价。多指标把正向指标和负向指标结合起来考虑，提高了分析效能，同时引用自身内部指标作参比，使评判结果更为全面、合理。另外，该法较好地将多指标中相互冲突的项目结合在一起。但由于该法缺乏对评价指标进行权重估计，因而其评价结果客观性不高。
权重系数的选择
权重系数是指在一个领域中，对目标值起权衡作用的数值。权重系数可分为主观权重系数和客观权重系数。主观权重系数（又称经验权数）是指人们对分析对象的各个因素，按其重要程度，依照经验，主观确定的系数，例如Delphi法、AHP法和专家评分法。这类方法人们研究的较早，也较为成熟，但客观性较差。客观权重系数是指经过对实际发生的资料进行整理、计算和分析，从而得出的权重系数，例如熵权法、标准离差法和CRITIC法；这类方法研究较晚，且很不完善，尤其是计算方法大多比较繁琐，不利于推广应用。
专家咨询权数法（特尔斐法）［23］
该法又分为平均型、极端型和缓和型。主要根据专家对指标的重要性打分来定权，重要性得分越高，权数越大。优点是集中了众多专家的意见，缺点是通过打分直接给出各指标权重而难以保持权重的合理性。
因子分析权数法［24］
根据数理统计中因子分析方法，对每个指标计算共性因子的累积贡献率来定权。累积贡献率越大，说明该指标对共性因子的作用越大，所定权数也越大。
信息量权数法［24］
根据各评价指标包含的分辨信息来确定权数。采用变异系数法，变异系数越大，所赋的权数也越大。
计算各指标的变异系数CV=s/，将CV作为权重分值，再经归一化处理，得信息量权重系数。
独立性权数法［25］
利用数理统计学中多元回归方法，计算复相关系数来定权的，复相关系数越大，所赋的权数越大。
计算每项指标与其它指标的复相关系数，计算公式为R=（SS回/SS总）1/2，R越大，重复信息越多，权重应越小。取复相关系数的倒数作为得分，再经归一化处理得权重系数。
主成分分析法
一种多元分析法。它从所研究的全部指标中，通过探讨相关的内部依赖结构，将有关主要信息集中在几个主成分上，再现指标与主成分的关系，指标Xj的权数为：
wj=dj·bij∑mj=1dj·bij
其中bij为第i个主成分与第j个因素间的系数，di=λi/Σλk为贡献率。
层次分析法（AHP法）［25］
层次分析法是一种多目标多准则的决策方法，是美国运筹学家萨迪教授基于在决策中大量因素无法定量地表达出来而又无法回避决策过程中决策者的选择和判断所起的决定作用，于20世纪70年代初提出的。此法必须将评估目标分解成一个多级指标，对于每一层中各因素的相对重要性给出判断。它的信息主要是基于人们对于每一层次中各因素相对重要性作出判断。这种判断通过引入1～9比率标度进行定量化。该法的优点是综合考虑评价指标体系中各层因素的重要程度而使各指标权重趋于合理；缺点是在构造各层因素的权重判断矩阵时，一般采用分级定量法赋值，容易造成同一系统中一因素是另一因素的5倍、7倍，甚至9倍，从而影响权重的合理性。
优序图法［26］
设n为比较对象（如方案、目标、指标）的数目，优序图是一个棋盘格的图式共有n×n个空格，在进行两两比较时可选择1，0两个基本数字来表示何者为大、为优。“1”表示两两相比中相对“大的”、“优的”、“重要的”，而用“0”表示相对“小的”、“劣的”、“不重要的”。以优序图中黑字方格为对角线，把这对角线两边对称的空格数字对照一番，如果对称的两栏数字正好一边是1，而另一边是0形成互补或者两边都为0.5，则表示填表数字无误，即完成互补检验。满足互补检验的优序图的各行所填的各格数字横向相加，分别与总数T（T=n(n-1)/2）相除就得到了各指标的权重。
熵权法［27］
熵最先由申农引入信息论，现已在工程技术、社会经济等领域得到比较广泛的应用。其基本思路是根据指标变异性的大小来确定客观权重。一般来说，某个指标的信息熵Ej越小，表明指标值的变异程度越大，提供的信息量越多，在综合评价中所起的作用越大，其权重也越大。相反，某个指标的信息熵Ej越大，表明指标值的变异程度越小，提供的信息量越少，在综合评价中所起的作用越小，其权重也越小。把实际数据进行标准化后转变为标准化数据dij后，依据以下公式计算第j项指标的信息熵：
Ej＝-(lnm)-1∑mi=1pijlnpij
其中m为被评价对象的数目，n为评价指标数目，并且pij=dij∑mi=1dij，如果pij=0，则定义limpij→0pijlnpij=0。利用熵计算各指标客观权重公式为：
wj=1-Ejn-∑nj=1Ej
j=1，2，3,,,,n
标准离差法［28］
标准离差法的思路与熵权法相似。通常，某个指标的标准差越大，表明指标值的变异程度越大，提供的信息量越多，在综合评价中所起的作用越大，其权重也越大。相反，某个指标的标准差越小，表明指标值的变异程度越小，提供的信息量越少，在综合评价中所起的作
wj=σj∑nj=1σj
j=1，2，3，,,,,n
CRITIC法［29］
CRITIC（criteria importance through intercriteria correlation）法的基本思路是确定指标的客观权数以评价指标间的对比强度和冲突性为基础。对比强度以标准差的形式来表现，即标准差的大小表明在同一指标内，各方案取值差距的大小。标准差越大，各方案之间取值差距越大。而各指标间的冲突性是以指标之间的相关性为基础。若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。第j个指标与其它指标冲突性的量化指标为，∑nt=1(1-rij)其中rij为评价指标t和j之间的相关系数。设Cj表示第j各指标所包含的信息量，则Cj可表示为：
Cj=σj∑nt=1(1-rij)
j= 1，2，3，,,,,n
Cj越大，第j个评价指标所包含的信息量越大，该指标的相对重要性就越大。第j个指标的客观权重Wj应为：
wj=Cj∑nj=1Cj
j= 1，2，3，,,,,n
该法既考虑了指标变异大小对权重的影响，又考虑了各指标间的冲突性。当标准差一定时，指标间的冲突性越小，权重越小；冲突性越大，权重也越大。但是值得注意的是如果两个指标间的冲突性较小，则表示两个指标在评价方案的优劣上反映的信息有较大的相似性。对指标较多的项目进行评价时，可在正相关较高的几个指标中去除一些指标，以减少计算量而不会对评价结果产生很大的影响。
非模糊数判断矩阵法［10］
非模糊数判断矩阵法是通过把三角模糊数判断矩阵转化为非模糊数，将新矩阵调整为互反矩阵，同时对其一致性进行检验，再利用AHP法来确定权重的一种方法。
设三角模糊数M1=（l1，m1，u1），M2=(l2，m2，u2) →建立单位模糊判断矩阵→集结单位模糊判断矩阵建立三角模糊判断矩阵→将三角模糊数转化为非模糊数→对互反性进行调整运用AHP法计算即可得到评价因素的权重集。
该方法以三角模糊数判断矩阵为基础，通过一系列的数学处理转换，得到模糊综合评价因素权重，使确定因素权重过程中的主观判断更符合人们的思维习惯与表达方式，在一定程度上改善了传统模糊综合评价的某些缺陷，使该方法的准确性和有效性得到一定的提高。
。通过如下公式计算关于每个指标
j=∑mi=1aij/k,j表示第j个指标的平均权重，k是专家的总人数。
再根据公计算原始权重的偏移值aij*：aij*=|aij-j|
由于偏移量越小，指标权重在实际权重中所占比例越大，通过设
ij*=maxi aij*-aij*maxi aij*maxi-aij*
ajo=∑mi=1(aijij*)∑mi=1ij*
对Ao=［a1o，a2o，a3o,,,,amo］进行归一化处理即可得到新的权重aj:
αj=aj=ajo∑ni=1ajo。
该法计算简单易行，与其它方法相比较更加客观。
由于计算机的发展及一些相关领域的不断深入研究，综合评价方法得到了不断的发展和改进。不同评价方法的区别重点在于其进行无纲量化所选用的公式、综合指标的合成方法和确定指标权重的方法。但是如何使综合评价更加客观、准确，仍需要进一步的研究。而2种或2种以上的评价方法的联用成为当今综合评价方法的又一大热点。例如主成分分析法与因子分析法的相互联用［32］、Delphi法和Topsis法联用［33］等方法的应用。不同方法的联用可以互相弥补不足，同时又发挥自身的优点，使得综合评价更具有科学性、客观性和准确性。
【参考文献】
［1］ 严金燕，罗书练，贾氢，等.应用层次分析加权法综合评价临床科室工作［J］.临床军医杂志,):62-64.
［2］ VESNA C， JO Z， KNEZ R.Why and how to evaluate the creditworthiness of SMEs′ business partners［J］.International Small Business Journal， ): 143 -162.
［3］ 韩全乡.相对差距和法综合评价医院感染工作［J］.现代预防医学，):643-644.
［4］ WANG J J， QIAO Q， MAIJA E，et al.The metabolic syndrome defined by factor analysis and incident type 2 diabetes in a Chinese population with high postprandial glucose［J］.Diabetes Care,9-2437.
［5］ 潘石柱，殳伟群，王令群.基于GHA的核主成分分析及其应用［J］.计算机技术与发展，):23-25.
［6］ 陈文凯.用TOPSIS和RSR法测定馆藏核心期刊的探讨［J］.情报杂志，-93.
［7］ 陈锦华.叠代法、综合指数法、TOPSIS法在评价某医院综合效益中应用的比较［J］.中国医院统计，):19-22.
［8］ 侯志东，吴祈宗.基于Hausdauff度量的模糊TOPSIS方法研究［J］.数学的实践与认识，):233-237.
［9］ 刘继斌，曲成毅，王瑞花.基于属性AHM的Topsis综合评价及其应用［J］.现代预防医学，):.
［10］ 周琴妹，陈晓斌.用多指标试验全概率评分法研究敛疮液制备工艺［J］.中成药，):347-348.
［11］ 孙修东，李宗斌，陈福民.基于人工神经网络的多指标综合评价方法研究［J］.郑州轻工业学学报:自然科学版，):11-14.
［12］ 韩可勤，倪永兴.利用简易多指标试验综合公式评分法调整制定针剂灌装分配工作方案［J］.数理医药学杂志，):278-279.
［13］ 金新政，张新萍，高昂俊.蒙特卡罗模拟综合评价法及应用［J］.数理医药学杂志，1996， 9(3):209-211.
［14］ 韦燕燕.模糊综合评判法在企业市场适应能力评价中的应用［J］.工业工程，2005， 8(2):101-103.
［15］ 王禄超.模糊综合评判法在评标中的应用研究［J］.建筑技术开发，):113-115.
［16］ 王晖，李昕，许碧莲，等.灰关联聚类法对几种促透剂促透效果的综合评价［J］.中国中药杂志，):417-420.
［17］ DEBBIE A L，SHAH E，MARGARET M，et al.(Mis)use of factor analysis in the study of insulin resistance syndrome ［J］ .Am J Epidemiol，13- 1018.
［18］ 纪荣芳，娄本平.R型因子分析法在健康状况评价中的应用［J］.枣庄学院学报，):30-34.
［19］ 许先云，杨永清.多目标决策的功效函数法［J］.矿业科学技术，-52.
［20］ 徐艳莉.综合指数法和TOPSIS法在医疗质量综合评价中的应用［J］.数理医药学杂志，):550-552.
［21］ 史子春.综合指数法评价工业卫生工作的探讨［J］.中国卫生统计，): 87- 188.
［22］ 姜芳晶，杨维.中医学常用综合评价方法［J］.疾病监测，):325-328.
［23］ 任世华，姚飞，俞珠峰.洁净煤技术评价指标体系权重确定［J］.洁净煤技术，2005， 11(1):9-12.
［24］ 贺佳，高尔生，楼超华.综合评价中权重系数及标准化方法的研究［J］.中国公共卫生，):.
［25］ 金新政，厉岩.优序图和层次分析法在确定权重时的比较研究及应用［J］.中国卫生统计，):119-120.
［26］ 黄维成.优序图法在评比中的应用［J］.技术经济，-34.
［27］ PRACHEE P， SAILU Y， AKASH R，putational prediction and experimental verification of novel IdeR binding sites in the upstream sequences of mycobacterium tuberculosis open reading frames［J］.Bioinformatics，):.
［28］ TERENCE J W， BRADLEY S M， MICHAEL J M，et al.The Relative contributions of birth weight， weight change， and current weight to insulin resistance in contemporary 5?years?old: the early bird study［J］.Diabetes，2002， 51:.
［29］ DIAKOULAKI D， MAVROTAS G，PAPAYANNAKIS L.Determining objective weights in multiple crireria problems:the CRITIC method［J］.Computer Ops Res，-770.
［30］ 许谦.确定模糊评价综合因素权重的一个方法［J］.大学数学，):26-30.
［31］ 王宇亮，刘智慧.基于模糊数学理论的桥型方案比选模型［J］.工程设计与建设，):14-17.
［32］ 张小裴，郝志敏.FA-PCA综合评价模型及其有效性研究［J］.统计与信息论坛，):11-14.
