权重的确定方法
- 格式：docx
- 大小：80.62 KB
- 文档页数：5
下载文档原格式
合集下载
确定权重的方法有哪些
确定权重的方法有哪些
确定权重的方法有以下几种：
1. 主观设定：根据专家判断或经验设定权重，这种方法适用于专家知识丰富且有足够经验的情况。
2. 层次分析法（AHP）：通过层次结构和判断矩阵的方式，使用专家判断和对比的方法确定权重。
AHP方法将复杂的决策问题分解为层次结构，并通过对比两个两两判断之间对每个判断的相对重要性进行定量化。
3. 数据驱动方法：利用历史数据和统计方法来确定权重。
例如，可以使用多元回归或相关性分析等统计方法来分析输入数据与输出结果之间的关系，进而确定权重。
4. 目标规划法：将决策问题转化为数学优化模型，并根据各个目标的重要性，通过目标的优先级来确定权重。
5. 模糊集合理论：利用模糊数学的方法，将权重表示为对模糊集合的隶属度的归纳结果。
6. 基于数据挖掘的方法：通过挖掘数据中的模式和规律，来确定权重。
例如，可以使用关联规则挖掘、分类算法或聚类算法等来确定权重。
以上这些方法可以单独使用，也可以结合使用，具体选择哪种方法取决于决策问题的性质、数据可获得程度以及可接受的计算复杂度等因素。
权重的确定方法汇总
权重的确定方法汇总1.主观评估法：该方法是根据领域专家的主观判断来确定权重。
专家会根据他们的经验和知识，对不同因素的重要性进行评估，并给出相应的权重。
这种方法适用于主观性较强的问题，如风险评估等。
2.权衡矩阵法：该方法是通过创建一个矩阵来确定权重。
在矩阵中，将各个影响因素两两进行比较，并根据重要性给出分值。
然后，根据分值计算权重。
这种方法适用于多个因素相互关联的问题。
常见的权衡矩阵方法有AHP（层次分析法）和ANP（层次网络过程）。
3.数据驱动方法：该方法是通过数据分析来确定权重。
可以使用统计分析、机器学习等技术，根据历史数据和模型训练结果，计算出各个因素的权重。
这种方法适用于大数据环境下，有足够的数据支持的问题。
4.线性规划法：该方法是通过线性规划模型来确定权重。
首先需要确定目标函数和约束条件，将问题转化为线性规划问题，然后使用线性规划算法求解出最优解，从而确定权重。
这种方法适用于有明确目标和约束的问题。
5.直觉法：该方法是通过个人的直觉和经验来确定权重。
根据个人判断，给出各个因素的权重。
这种方法适用于专家经验丰富、问题较为简单的情况。
6. Delphi法：该方法是通过专家群体的意见和建议来确定权重。
专家群体通过多轮的匿名调查和讨论，逐渐达成共识，最终确定权重。
这种方法适用于问题复杂、需要多个专家意见的情况。
7.模糊数学方法：该方法是通过模糊数学理论来确定权重。
通过模糊数学的模糊相似度和模糊综合评判等方法，计算出各个因素的权重。
这种方法适用于问题涉及的因素模糊性较强的情况。
8.回归分析法：该方法是通过回归分析模型来确定权重。
将因变量和自变量之间的关系建立回归方程，然后分析回归方程中自变量的系数大小，根据系数确定权重。
这种方法适用于因变量和自变量之间存在较强关联的问题。
在实际应用中，选择何种权重确定方法，需要根据问题的具体特点和数据情况来综合考虑。
常见的权重确定方法往往是结合多种方法，通过综合评估，得出最终的权重。
确定权重的方法有哪些
确定权重的方法有哪些确定权重的方法在数据分析和机器学习领域中非常重要。
权重指的是不同变量对某一结果的影响程度，确定权重的方法可以帮助我们更好地理解数据和制定决策。
下面将介绍一些常用的确定权重的方法。
1. 主观赋权法主观赋权法是指根据专家经验和个人判断来确定变量的权重。
这种方法不需要特定的模型或统计技术，而是依赖人的主观判断。
专家根据自己的经验和知识给出权重，然后用这些权重进行决策和分析。
虽然主观赋权法简单易行，但它存在主观性和偏见性，因此需要小心使用。
2. 统计方法统计方法是一种基于数据的确定权重的方法。
常见的统计方法包括相关系数、回归分析、因子分析等。
通过这些方法，可以得到变量之间的相互关系和对结果的影响程度。
例如，回归分析可以确定每个变量对结果的贡献，从而确定权重。
这些方法相对客观，能够从数据出发确定权重，但也需要一定的统计知识和技能。
3. 层次分析法层次分析法是一种将问题分解为若干层次，逐层进行比较和决策的方法。
在确定权重时，可以采用层次分析法来比较不同变量之间的重要性。
通过这种方法，可以建立多层次的判断结构，对每个层次的因素进行两两比较，最终得到权重。
层次分析法可以帮助我们系统地分析和确定权重，但也需要一定的专业知识和技能。
4. 专家调查专家调查是一种搜集专家意见并综合分析的方法，用来确定权重。
通过这种方法，可以向领域内的专家征求意见，然后将专家意见进行整合并确定权重。
专家调查的优势在于能够充分利用专家的知识和经验，得出客观有效的权重值。
但是，这种方法也存在局限性，比如可能受到专家意见的影响和因人而异。
5. 机器学习方法机器学习方法是一种基于数据的确定权重的方法。
通过建立机器学习模型，可以根据数据自动学习和确定权重。
常用的机器学习方法包括决策树、随机森林、神经网络等。
这些方法可以自动地发现变量之间的关系和对结果的影响程度，得出相对客观的权重。
但是，机器学习方法也需要充分的数据和模型训练，以及一定的技术和计算资源。
确定权重的最佳方法
确定权重的最佳方法
确定权重的最佳方法取决于具体的应用场景和需求。
以下是一些常见的确定权重的方法：
1. 主观评估法：根据专家或决策者的意见和经验，对不同因素进行主观评估，并赋予相应的权重。
这种方法适用于没有可量化数据或难以获得准确数据的情况。
2. 层次分析法（AHP）：AHP是一种层次化的多标准决策方法，通过构建层次结构、制定判断矩阵和计算特征向量来确定权重。
它考虑了各个因素之间的相对重要性和影响关系。
3. 权重分配法：基于历史数据或实验结果，通过统计分析和数学模型来确定权重。
例如，可以使用回归分析或基于机器学习算法的特征选择方法来确定各个因素的权重。
4. 专家咨询法：请领域专家或相关利益相关者参与讨论和决策过程，根据他们的意见和建议来确定权重。
专家的经验和知识能够提供有价值的参考。
无论使用哪种方法，都应该考虑到以下几点：
- 透明度和可解释性：确保权重的确定过程是透明的，并且能够解释清楚每个因素的影响程度和决策结果。
- 可更新性：权重应定期进行评估和更新，以适应变化的情况和需求。
- 敏感性分析：对于影响权重的关键因素，进行敏感性分析，评估其对最终结果的影响程度。
请注意，具体的权重确定方法需要根据具体情况进行选择和调整，以上仅提供了一些常见的方法作为参考。
权重的确定方法
权重的确定方法
确定权重的方法有很多，以下是一些常见的方法：
1. 主观赋权：根据专家经验或主观判断，为不同因素或指标赋予不同的权重。
这种方法可以根据具体情况来决定权重的大小，但受个人主观因素影响较大。
2. 比较赋权：通过与其他相似项目或指标进行比较，根据差异性确定权重大小。
这种方法可以从现有数据中获取参考值，减少主观因素的影响。
3. 统计赋权：通过对大量数据进行统计分析，确定不同因素或指标对总体结果的贡献度，从而确定权重。
统计赋权方法可以利用各种分析技术，如回归分析、主成分分析等，以客观的方式确定权重。
4. 层次分析法：层次分析法是一种结构化的分析方法，可以用来确定各个因素或指标之间的权重关系。
通过构建判断矩阵，对各个因素进行多层次比较，最终得出权重。
5. 模糊综合评判：模糊综合评判是一种基于模糊数学理论的权重确定方法。
通过模糊综合运算，将模糊的权重转化为确定的数值权重。
这些方法可以根据具体问题和数据特点选择合适的方法进行权重的确定，以提高分析的准确性和可靠性。
确定指标权重的方法：专家意见、统计分析、组合方法、权重分配
确定指标权重的方法
专家意见、统计分析、组合方法、权重分配
确定定量与定性评估指标的权重是一个重要的步骤，因为它可以帮助评估者根据指标的重要性和影响力进行加权计算，从而得到更准确的评估结果。
以下是一些常用的方法来确定定量与定性评估指标的权重：
1. 专家意见：可以请教一些专家或业内人士，让他们对指标的重要性进行评估。
他们可以根据自己的经验和知识，给出关于每个指标的权重建议。
这种方法的优点是可以借助专家的专业知识和经验，得到更准确的结果。
2. 统计分析：通过对历史数据进行分析，可以找到指标之间的关系和影响。
通过统计方法，可以计算每个指标的权重。
例如，可以使用回归分析、主成分分析等方法来确定指标的权重。
3. 组合方法：将定量和定性方法结合起来确定指标的权重。
例如，可以使用层次分析法（AHP），通过问卷调查和专家评估等方式来确定指标的相对重要性。
4. 权重分配：可以根据实际情况和需求，将每个指标的权重进行分配。
例如，可以给定量指标更高的权重，因为它们更具有客观性和可衡量性，但是定性指标也可以通过适当的主观权重来反映其重要性。
需要注意的是，每个评估指标的权重应该是客观、合理和可解释的。
在确定权重的过程中，应该考虑到指标之间的相互关系和影响，以及评估的目的和需求。
此外，权重应该是动态的，可以根据实际情况进行调整和更新，以适应不同的评估场景和需求。
确定权重的7种方法
确定权重的7种方法主观赋权德尔菲专家法简介依据“德尔菲法”的基本原理，选择企业各方面的专家，采取独立填表选取权数的形式，然后将他们各自选取的权数进行整理和统计分析，最后确定出各因素，各指标的权数。
德尔菲法的主要缺点是过程比较复杂，花费时间较长。
实现方法选择专家。
一般情况下，选本专业领域中既有实际工作经验又有较深理论修养的专家10-30人左右，需征得专家本人同意。
将待定权重的p个指标和有关资料以及统一的确定权重的规则发给选定的各位专家，请他们独立给出各指标的权数值。
回收结果并计算各指标权数的均值和标准差。
将计算的结果及补充资料返还给各位专家，要求所有的专家在新的基础上确定权数。
重复3和4步骤，直至各指标权数与其均值的离差不超过预先给定的标准为止，也就是各专家的意见基本趋于一致，以此时各指标权数的均值作为该指标的权重。
此外，为了使判断更加准确，令评价者了解己确定的权数把握性大小，还可以运用“带有信任度的德尔菲法”，该方法需要在上述第5步每位专家最后给出权数值的同时，标出各自所给权数值的信任度。
这样，如果某一指标权数的任任度较高时，就可以有较大的把握使用它，反之，只能暂时使用或设法改进。
AHP层次分析法简介层次分析法将定量分析与定性分析结合起来，用决策者的经验判断各衡量目标之间能否实现的标准之间的相对重要程度，并合理地给出每个决策方案的每个标准的权数，利用权数求出各指标的重要程度。
但该方法主观因素对判断矩阵的影响很大，当决策者的判断过多地受其主观偏好的影响时，结果不够客观。
实现方法构建层次评价矩阵构造判断矩阵构造判断矩阵就是通过各要素之间相互两两比较，并确定各准则层对目标层的权重。
简单地说，就是把准则层的指标进行两两判断，通常使用Santy的1-9标度方法给出。
对于m 个指标，构建m*m的判断矩阵，并使用确定的标度方法完成该判断矩阵A。
3. 层次单排序根据构成的判断矩阵，求解各个指标的权重。
有两种方式，一种是方根法，一种是和法。
权重确定方法归纳
权重确定方法归纳
1.主观赋权法：主观赋权法是一种常见的权重确定方法，它基于决策
者的主观判断来确定各准则的权重。
决策者根据对问题的了解和经验，通
过主观评估来决定各准则的相对重要性。
这种方法适用于那些难以量化的
准则，或者决策者具有丰富经验和专业知识的情况。
2.定序法：定序法是一种通过比较准则对决策目标的贡献程度来确定
权重的方法。
决策者根据准则对目标的重要程度以及准则之间的相对重要
程度进行排序，然后使用排序结果来确定权重。
这种方法适用于准则之间
存在明显差异的情况，但不能提供具体的数值权重。
3.分配权重法：分配权重法是一种将权重分配给各准则的方法，使得
各准则的权重之和为1、常见的分配权重法包括均等赋权法、等级法和专
家赋权法。
均等赋权法将权重均分给各准则，等级法通过设定准则的等级
来确定权重，而专家赋权法则是通过专家的意见和判断来确定权重。
4.层次分析法（AHP）：层次分析法是一种通过构建层次结构和两两
比较确定权重的方法。
在AHP中，决策问题被分解为层次结构，有目标层、准则层和方案层等。
决策者通过两两比较准则和目标之间的重要性，使用
专门的AHP方法计算权重。
这种方法适用于较复杂、多层次的决策问题，
并且可以提供具体的数值权重。
以上是一些常见的权重确定方法，不同的方法适用于不同的决策情境
和目标。
在权重确定过程中，需要决策者充分考虑问题的具体情况，并尽
量使用多种方法相互印证，以提高决策结果的可信度。
最终确定的权重应
该能够准确反映各准则的相对重要性，为决策提供有力的支持。
权重确定方法
权重确定方法
权重确定方法是指用于计算矩阵或网络中每个元素相对于其他元素的权值的方法。
以下是几种常见的权重确定方法:
1. 自适应法:自适应法是一种基于机器学习的方法,它使用内部学习算法根据输入数据中的信息来更新权重。
这种方法通常用于优化网络的性能和泛化能力。
自适应法包括自编码器、对抗生成网络和生成对抗网络。
2. 前馈神经网络法:前馈神经网络法是一种基于神经网络结构的方法,它使用神经网络结构中的权重和偏置来更新网络中的自适应参数。
前馈神经网络法的优点是具有鲁棒性,可以在各种输入下保持稳定的性能。
3. 最小二乘法:最小二乘法是一种常用的优化方法,它用于求解网络中的权重矩阵。
最小二乘法通过最小化损失函数来寻找最优的权重矩阵。
4. 人工设计法:人工设计法是一种基于经验和专业知识的方法,它通过与其他方法相结合来寻找最优的权重矩阵。
这种方法通常需要专家的知识和经验,并且具有一定的不确定性。
5. 随机初始化法:随机初始化法是一种随机选择权重矩阵的方法。
这种方法可以保证网络的随机性和鲁棒性,并且可以避免陷入局部最优解。
随机初始化法通常用于小样本学习或初始化权重矩阵存在问题的网络。
权重计算公式与8种确定权重的方法
权重计算公式与8种确定权重的方法权重计算是一种常用的数学方法，用于确定不同因素对一个问题或数据集的重要性。
在现实世界中，我们经常需要对不同的因素进行权重计算，以便更好地理解和解决问题。
一、权重计算公式W=(V/ΣV)×100其中，W是要计算的因素的权重，V是该因素的值，ΣV是所有因素值的总和。
这个公式的思想是将每个因素的值除以所有因素值的总和，然后将结果乘以100，得到每个因素的权重。
这样计算得到的权重是一个百分比，表示一些因素对整体的相对重要性。
确定权重的方法有很多种，以下是八种常用的方法：1.专家评估法：通过专家的经验和知识来确定各个因素的权重。
专家可以根据自己的判断和经验，给出不同因素的相对重要性。
2.层次分析法：将问题拆分成多个层次，然后通过对每个层次进行判断和评估，计算出每个因素的权重。
这个方法适用于复杂的问题，可以帮助人们更好地理解问题的本质。
3.权重矩阵法：将不同因素之间的相对重要性表示成一个矩阵，然后根据矩阵的特征值和特征向量来确定权重。
这个方法适用于多因素决策问题，可以很好地反映出不同因素之间的关系。
4.反馈循环法：不断循环迭代，将专家给出的权重和实际情况进行比较，利用反馈来调整权重。
这个方法适用于动态变化的问题，可以根据实时的情况来确定权重。
6.数据挖掘法：通过对数据集的分析和建模，确定不同因素之间的关系，并计算出权重。
这个方法适用于大规模的数据集，可以利用机器学习和统计学方法来计算权重。
7.统计方法：通过统计分析的方法，计算不同因素的权重。
例如，可以采用回归分析或者相关分析来计算权重。
8.先验权重法：根据实际情况和主观判断给出不同因素的先验权重。
这个方法适用于缺乏数据和专家意见的情况，可以根据个人的判断和经验来确定权重。
以上八种方法各有优劣，适用于不同的情况。
在实际应用中，可以根据问题的特点和要求选择合适的方法来确定权重。
总结：权重计算是一种重要的数学方法，用于确定不同因素的重要性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
权重的确定方法
综合评价指标体系内部各元素间存在质和量的联系。
由指标体系的结构模型（如层次模型），我们已经确定了指标体系质的方面的联系，那么权重则反映各系统各元素之间量的方面联系纽带，它对于系统综合评价具有重要的意义。
无论是在模糊综合评价，还是层次分析、灰色系统评价无一例外的用到了评价指标的权重。
权重的概念
韦氏大词典中对权重（Weight）的解释为：“在所考虑的群体或系列中，赋予某一项目的相对值”；“在某一频率分布中，某一项目的频率”；“表示某一项目相对重要性所赋予的一个数”。
从中我们可以得出两点结论：
（1）权重是表示因素重要性的相对数值。
（2）权重是通过概率统计得出的频率分布中的频率。
由此可以看出权重具有随机性与模糊性，它是一个模糊随机量。
在综合评价中权重可以定义为元素对于整体贡献的相对重要程度，即元素能够反映总体的程度。
权重的确定方法
对实际问题选定被综合的指标后，确定各指标的权的值的方法有很多种。
有些方法是利用专家或个人的知识和经验，所以有时称为主观赋权法。
但这些专家的判断本身也是从长期实际中来的，不是随意设想的，应该说有客观的基础；有些方法是从指标的统计性质来考虑，它是由调查所得的数据决定，不需征求专家们的意见，所以有时称为客观赋权法。
在这些方法中，德尔菲（Delphi）方法是被经常被采用的，其它方法就相对来说用得不多，这里列举几个在下面，以供比较。
1. 德尔菲法
德尔菲法又称为专家法，其特点在于集中专家的知识和经验，确定各指标的权重，并在不断的反馈和修改中得到比较满意的结果。
基本步骤如下：
（1）选择专家。
这是很重要的一步，选得好不好将直接影响到结果的准确性。
一般情况下，选本专业领域中既有实际工作经验又有较深理论修养的专家10～30人左右，并需征得专家本人的同意。
（2）将待定权重的p个指标和有关资料以及统一的确定权重的规则发给选定的各位
专家，请他们独立的给出各指标的权数值。
（3）回收结果并计算各指标权数的均值和标准差。
（4）将计算的结果及补充资料返还给各位专家，要求所有的专家在新的基础上确定
权数。
（5）重复第（3）和第（4）步，直至各指标权数与其均值的离差不超过预先给定的标准为止，也就是各专家的意见基本趋于一致，以此时各指标权数的均值作为该指标的权重。
此外，为了使判断更加准确，令评价者了解已确定的权数把握性大小，还可以运用“带有信任度的德尔菲法”，该方法需要在上述第（5）步每位专家最后给出权数值的同时，标出各自所给权数值的信任度。
这样，如果某一指标权数的任任度较高时，就可以有较大的把握使用它，反之，只能暂时使用或设法改进。
2. 两两比较法
这一方法往往与德尔菲法结合使用。
当需要确定权系数的指标非常多时，专家们往往难以对所有各项的重要程度有把握和准确的判断。
但对两两各项之间的重要程度作出判断是比较容易的。
故而先让专家和决策者对指标作成对比较，然后再确定权值。
目前，人们广泛采用1～9尺度作为确定判断定量值的依据，在这个依据上，设定对i A 与j A 两个因素进行重要度比较时，比较尺度ij a 的含义如表2.3所示；对于n 个因素n x x x ,,,21 ，利用两两比较法进行因素间重要程度的比较结果如表2.4所示；得到比较矩阵A ：
⎥⎥
⎥⎥⎦
⎤⎢
⎢⎢⎢⎣⎡=nn n n n n a a a a a a a a a A
2122221
11211 其中：ji ij ii a a a 1,1==
表 2.3 比较尺度ij a 的含义
表 2.4 两两比较结果
假设在矩阵A 中做两两比较时，令i w 为第i 个指标的重要程度，j w 为第j 个指标的重要程度，ij a 为第i 个指标相对于第j 个指标的重要程度比较值，即：
j
i
ij w w a =
（2.39） 根据该矩阵可以用一定的方法求出权向量的值，通常有和法、根法、特征根法和最小平方法等，这里主要介绍特征根法。
特征根法：
令各组成元素对目标的特征向量为
()T
n w w w W ,,,21 = （2.40）
如果有∑==n
i i w 1
1，且矩阵A 满足
n k j i a a a jk
ik ij ,,2,1,, ==。
（2.41）
则A 成为一致性矩阵，简称一致阵。
n 阶一致性矩阵A 具有下列性质：
（1）A 的秩为1, A 的唯一非零特征根为n 。
（2）A 的任一列（行）向量都是对用特征根n 的特征向量。
如果得到的成对比较判断矩阵是一致阵，则对应于特征根n 并归一的特征向量表示各因素对目标（或上层因素）的权重，该向量称为权向量。
如果两两成对比所得的判断矩阵A 不是一致阵，但在不一致的允许范围内，则对应于A 的最大特征根mac λ的特征向量（归一化后）作为权向量W 。
即W 满足
W AW max λ= （2.42）
其中W 的分量()n w w w ,,,21 就是对应于n 个因素的权重系数。
3. 熵值确定权重法
熵是来自热力学的一个概念，在哲学和统计物理中熵被解释为物质系统带来的混乱和无序程度。
信息论则认为它是信息源的状态的不确定程度。
在综合评价中，运用信息熵评价所获系统信息的有序程度及信息的效用值是很自然的，统计物理中的熵值函数形式对于信息系统应是一致的。
熵值确定权重法是依据熵的概念和性质，以及各指标相对重要程度的不确定性来分析各指标的权重的。
设已获得m 个样本的n 个评价指标的初始数据矩阵{}
n
m ij
x X ⨯=，由于各指标的量纲、
数量级及指标优劣的取向均有很大差异，故需对初始数据做无量纲化处理。
处理方法根据样本的实际特点和性质选取合适的方法
无量纲化处理后的标准化矩阵为：{}
n
m ij
y Y ⨯=。
则j 项指标的信息熵值为：
ij m
i ij j y y k e ln 1
∑=-= （2.43）
式中常数k 与系统的样本数m 有关，对于一个信息完全无序的系统，有序度为零，其熵值最大，1=e 。
m 个样本处于完全无序分布状态时，m
y ij 1=，则：
1ln ln 1
1ln 111===-=∑∑==m k m m
k m m k e m
i m
i （2.44）
于是得到：
10)(ln 1
≤≤=-e m k （2.45）
由于信息熵j e 可用来度量j 项指标的信息（指标的数据）的效用价值，当完全无序时，1=j e 。
此时，j e 的信息（也就是j 指标的数据）对综合评价的效用价值为零。
因此，某项指标的信息效用价值取决于该指标的信息熵j e 与1的差值j h :
j j e h -=1 （2.46）
可见，利用熵值法估算各指标的权重，其本质是利用该指标信息的价值系数来计算的，其价值系数越高，对评价的重要性就越大（或称对评价结果的贡献越大），于是j 指标的权重为：
∑==
n
j j
j
j h
h w 1
（2.47）
熵值法是根据各指标所含信息有序度的差异性，也就是信息的效用价值来确定该指标的权重。
所以它是一种客观赋权的方法。
客观赋权的方法还有很多，如：最大值法、公
正法、最小距离法及数理统计中的主成分分析法等等，由于用的不是很多,这里就不详细介绍。
主观赋权法是由专家根据自己的经验和对实际的判断给出的，选取的专家不同，得到的权重就不同。
该类方法的主要特点是主观随意性大，且并未因采取诸如增加专家数量和仔细选取专家而得到根本改善，故在个别情况下采用单一种主观赋权可能与实际情况存在较大的差异。
该方法的优点是专家可根据实际问题，较为合理地确定各分量的重要性。
客观赋权法的原始数据来源于各指标的实际数据，具有绝对的客观性，但有时会因为所取样本不够大或不够充分，最重要的分量不一定具有最大的权重，最不重要的分量可能具有最大的权重。
所以在实际确定指标的权重中，可以将主观赋权法和客观赋权法结合起来，我们称之为组合赋权法。
可选用一种或几种主观赋权和客观赋权法按一定组合成综合权重。
通常采取两种方法：
（1）乘法
设采用n 种赋权法进行权值n k w w w w k m k k k ,,2,1),,,,(21 ==的确定，则组合权值为：
m j w
w
w m j n k k j
n
k k j
j ,,2,111
1
==
∑∏∏=== （2.48）
该方法对各种权重的作用一视同仁，只要某种作用小，则组合权系重亦小。
（2）加法
设采用n 种赋权法进行权值n k w w w w k m k k k ,,2,1),,,,(21 ==的确定，则组合权值为：
m j w
w
w m j n
k k j
k
n
k k j
k
j ,,2,111
1
==
∑∑∑===λλ （2.49）
其中，k λ为这些权重的权系数，由∑==n
k k 1
1λ，该方法的特点是各种权重之间有线性
补偿作用。
组合赋权可以弥补单纯使用主观赋权法或客观赋权存在的特点，减少随意性及解释性。
可根据需要选择各种赋权方法采用合适的组合方式构造组合权值。