下载文档原格式
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。
确定权重的常用方法
确定权重的常用方法
确定权重的常用方法
确定权重是在许多领域中都非常重要的一项任务。
无论是在投资组合优化、市场营销、或者是数据分析等领域，权重的确定都直接影响到最终结果的准确性和可靠性。
下面是一些常用的方法来确定权重：1. 主观法：主观法是指通过专家判断来确定不同指标的权重。
这种方法适用于指标量较少的情况，但是有时候由于专家的主观性可能导致权重判断的不准确。
2. 统计法：统计法是指通过实际数据的分析来确定不同指标的
权重。
这种方法适用于指标量较多的情况，但是需要大量的数据支撑才能得出可靠的权重。
3. AHP法：AHP法是指层次分析法，它是一种通过对指标之间的层次关系进行分析来确定权重的方法。
AHP法的优点在于能够将多个指标之间的关系整合到一个层次结构中，从而更准确地确定权重。
4. TOPSIS法：TOPSIS法是指熵权法，它是一种通过计算指标之间的相对熵值来确定权重的方法。
TOPSIS法的优点在于能够考虑到不同指标之间的相对重要性，从而更准确地确定权重。
无论使用哪种方法，确定权重都需要考虑到实际情况和应用需求，选择合适的方法才能得到准确可靠的结果。
- 1 -。
权重的概念及设定方法权重是一个重要的概念，广泛应用于数据分析、机器学习、引擎和决策支持系统等领域。
它用于衡量和评估不同因素或变量对于其中一事件或决策的重要性或影响程度。
在这篇文章中，我们将探讨权重的概念以及设定权重的方法。
权重可以被认为是各个因素或变量在一些模型或系统中的影响程度。
它通常是以百分比或比率的形式表示，也可以是正数或负数。
权重的总和通常为1或100%，以确保对所有因素或变量的综合评估。
设定权重的方法：设定权重的方法取决于具体的应用场景，下面是几种常见的方法：1.主观设定法：主观设定法基于专家意见、经验和直觉来确定权重。
专家根据其对各个因素或变量重要性的理解和评估，对其进行排序或打分，以此作为设定权重的依据。
这种方法有助于综合考虑多个因素的主观价值，但存在主观性和主观偏见的风险。
2.统计分析法：统计分析法利用历史数据、模型拟合或回归分析等方法来确定权重。
通过分析各个因素或变量与事件或决策之间的相关性和影响程度，以及它们对结果的贡献程度来设定权重。
这种方法较为客观，但需要足够的数据和统计分析技巧。
3.层次分析法（AHP）：层次分析法是一种常用的多因素决策方法，它将复杂的决策问题分解为层次结构，通过比较和排序来确定权重。
AHP方法通过构建判断矩阵和相对权重矩阵，然后对其进行特征向量分解，得出各个因素或变量的权重。
这种方法结构化、系统化，具有一定的客观性，但需要专家参与、问题分解和计算复杂。
4.主成分分析法（PCA）：主成分分析法是一种用于降维和变量筛选的方法，也可以用于设定权重。
主成分分析通过将多个相关变量通过线性变换组合成少数几个主成分，来表示原始数据的最大方差。
这些主成分的贡献程度可以作为设定权重的依据。
这种方法可以减少冗余和相关性的影响，并提取主要信息，但无法保证权重的准确性和解释性。
5.仿真和优化算法：仿真和优化算法可以通过模拟多种情景和参数组合，以寻找最优的权重设定。
这些方法可以基于数学模型、遗传算法、蚁群算法等，通过迭代计算和比较来优化权重。
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。
确定权重的方法有哪些确定权重的方法有以下几种：1. 主观评价法：主观评价法是通过主观判断确定权重的方法。
这种方法主要依赖于专家的经验和判断。
可以通过专家讨论、问卷调查、专家打分等方式获取权重。
这种方法的优点是简单、快捷，但由于受个人主观因素的影响较大，可能存在一定的不确定性和误差。
2. 层次分析法（AHP）：层次分析法是一种通过层次结构将问题分解为若干个互相关联的属性和准则，再通过对两两比较构建判断矩阵，最终计算权重的方法。
AHP方法综合了专家经验和定量数据，通过对判断矩阵进行运算，可以得出权重的相对大小。
这种方法的优点是结构化、可操作性好，但需要系统性的分析和计算，且对于问题的结构和判断矩阵的构建比较依赖。
3. TOPSIS法：TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）方法是一种将问题转化为离差最小的理想解和离差最大的负理想解的距离，通过计算属性与理想解的相似程度，确定权重的方法。
这种方法通过比较属性与理想解的距离，综合考虑多个属性的影响，确定权重。
TOPSIS方法适用于多属性决策问题，优点是计算相对简单，可以充分考虑各属性的重要性。
4. 熵权法：熵权法是一种根据信息熵原理进行权重确定的方法。
该方法通过计算各属性的信息熵值，反映属性的不确定性和随机性，进而计算出权重。
熵权法的优点是不涉及主观评价，避免了主观偏差，同时可以充分考虑属性的信息量和差异。
5. 模糊数学方法：模糊数学方法是一种基于模糊逻辑的判断和决策方法。
这种方法适用于问题属性之间存在模糊性和不确定性的情况。
通过建立模糊隶属函数，对属性进行模糊化处理，并进行模糊比较和加权，最终确定权重。
模糊数学方法的优点是能够应对复杂的问题和模糊的信息，但计算过程较为复杂。
6. 统计分析方法：统计分析方法是一种利用数据分析和统计方法确定权重的方法。
通过对历史数据或实验数据进行分析和建模，可以得出不同属性的权重。
确定权重的7种方法1.主观权重法：这是最直观的一种方法，根据个人对目标的重要程度进行评估，通过主观判断来确定权重。
例如，在制定年度目标时，可以根据个人对各个目标的认知和理解程度，以及对目标达成所产生的影响来确定权重。
然而，主观权重法容易受到个人偏见和主观感受的影响，可能导致权重偏差。
2.专家评估法：这种方法是通过专家的判断和意见来确定权重。
根据专家的经验和知识，对目标的重要性进行评估，并由专家组成的小组共同确定权重。
这种方法相对来说更客观一些，但仍然存在一定的主观性。
3.层次分析法：层次分析法是一种结构化的决策方法，通过对目标的层次结构进行分解和比较，确定权重。
该方法首先将目标层次结构化，然后通过两两比较各层目标的重要程度，最终计算权重。
这种方法可以量化和系统地确定权重，但需要耗费大量的时间和人力资源。
4.财务指标法：对于财务目标，可以采用财务指标来确定权重。
根据目标的财务影响和与其他目标的关联性，可以为各个目标分配不同的权重。
例如，对于利润目标，可以计算其在总利润中所占的比例来确定权重。
5.成本效益法：成本效益法是一种以成本和效益为基础来确定权重的方法。
通过对目标所产生的成本和效益进行评估和比较，可以确定目标的权重。
例如，对于一个投资项目，可以根据项目的投资成本和预期收益来确定权重。
6.数据分析法：借助数据分析来确定权重是一种较为客观的方法。
通过收集相关数据，如市场份额、销售额、客户满意度等，通过统计分析和数据建模，可以确定目标的权重。
这种方法能够基于实际数据来确定权重，但需要一定的数据分析能力和工具支持。
7.优先级排序法：这种方法是一种简单直观的确定权重的方法。
将各个目标按照其重要性进行排序，将最重要的目标权重设为最高，最不重要的目标权重设为最低，并按照一定的比例进行分配。
这种方法可以快速确定权重，但在权重间的差异较大时，可能对具体的权重比例不够精确。
综上所述，确定权重的方法有很多，每种方法都有其优缺点，适用于不同的情况。
确定权重的方法在进行数据分析和建模的过程中，确定特征的权重是非常重要的一步。
特征的权重可以帮助我们理解特征对于模型预测的贡献程度，进而可以进行特征选择或者模型优化。
本文将介绍几种常用的确定权重的方法，帮助大家更好地理解和应用。
一、相关系数法。
相关系数法是一种常见的确定特征权重的方法。
它通过计算特征与目标变量之间的相关系数来确定特征的重要性。
相关系数的绝对值越大，表示特征对目标变量的影响越大。
在实际应用中，我们可以使用皮尔逊相关系数、斯皮尔曼相关系数或者肯德尔相关系数来进行计算。
相关系数法的优点是简单易懂，但是它只能捕捉线性关系，无法发现非线性关系。
二、决策树法。
决策树法是一种基于树形结构的机器学习算法，可以用来确定特征的重要性。
在决策树算法中，我们可以通过计算特征在决策树中的节点分裂次数或者信息增益来确定特征的重要性。
通常情况下，分裂次数越多或者信息增益越大的特征，其重要性越高。
决策树法的优点是可以发现非线性关系，但是对于高维数据和噪声数据比较敏感。
三、模型权重法。
模型权重法是一种基于模型参数的确定特征权重的方法。
在训练好的模型中，我们可以通过查看特征对应的权重或者系数来确定特征的重要性。
例如，在线性回归模型中，特征的系数大小可以反映其重要性；在逻辑回归模型中，特征的权重可以表示其对于分类的贡献程度。
模型权重法的优点是可以直接捕捉模型的预测能力，但是需要先训练好模型，计算成本较高。
四、特征选择法。
特征选择法是一种基于特征选择算法的确定特征权重的方法。
特征选择算法可以通过计算特征的得分或者重要性来确定特征的权重。
常见的特征选择算法包括方差选择法、互信息法、基于模型的选择法等。
特征选择法的优点是可以综合考虑特征之间的相关性，但是需要根据具体问题选择合适的特征选择算法。
总结。
确定特征的权重是数据分析和建模过程中非常重要的一步。
本文介绍了几种常用的确定权重的方法，包括相关系数法、决策树法、模型权重法和特征选择法。
指标权重确认方法归纳总结指标权重确认是指在多指标评价体系中，确定各个指标所占权重的过程。
通过合理的权重分配，可以更准确地评估不同指标对整体结果的影响程度。
本文将对指标权重确认的方法进行归纳总结，帮助读者更好地理解和应用该方法。
一、主观方法主观方法是指由专家根据自身经验和判断，对各个指标进行权重赋值的方法。
主观方法常用的有专家打分法、专家会议法和Delphi法。
1. 专家打分法专家打分法是通过请专家根据各指标的重要程度进行打分，再根据打分结果计算权重。
该方法的具体步骤为：首先列出各个评价指标，然后请专家根据自己的经验和判断，为每个指标进行打分，最后根据打分结果计算权重。
2. 专家会议法专家会议法是通过组织专家进行会议讨论的方式来确定权重。
在会议上，专家可以依据自己的研究经验和专业知识，对各个指标的权重进行讨论和确定。
该方法的优点是能够充分发挥专家的经验和判断，但缺点是可能受到主观因素的影响。
3. Delphi法Delphi法是一种匿名的专家意见调查方法，通过多轮反馈和调整，逐步达成共识。
在Delphi法中，专家会先独立给出对各个指标的权重估计，然后由主持人进行统计和分析，再将结果反馈给专家。
随后，专家重新评估并调整自己的意见，直至达成一致。
二、客观方法客观方法是通过数据和模型进行权重计算的方法。
常用的客观方法有层次分析法（AHP）和熵权法。
1. 层次分析法（AHP）层次分析法是一种将问题层次化，通过构建层次结构和进行两两比较，最终确定权重的方法。
该方法首先将指标层次化，分为准则层、子准则层和指标层，然后通过专家的两两比较，构建判断矩阵，最后计算权重。
AHP方法具有结构清晰、计算简单等优点。
2. 熵权法熵权法是一种基于信息熵的权重计算方法，通过计算指标的信息熵和相对信息熵，确定权重。
该方法首先计算指标的信息熵，信息熵越大，表示指标对决策结果的影响越大；然后计算相对信息熵，确定指标的权重。
熵权法适用于指标数目较多且具有相似性的评价体系。
确定权重的方法有哪些确定权重的方法有很多种，以下是其中一些常用的方法：1. 主观评估法：这是最直观和常见的方法之一。
在主观评估法中，决策者根据自己的经验和意见，对不同的因素进行评估，然后给予权重。
这种方法的优点是直观、简单，并且可以根据具体情况进行调整。
然而，这种方法缺乏客观性，可能会受到个人偏见的影响。
2. 经验法：在这种方法中，决策者根据以往的经验和知识，给予不同因素适当的权重。
这些经验可以来自个人经验、专业知识、行业标准等。
这种方法的优点是简单易行，但缺点是可能会受到主观评估和个人偏见的影响。
3. 复合权重法：这种方法通过结合多个决策者的意见和评估，来确定权重。
可以采用不同的方法，如层次分析法、模糊综合评价法等。
通过考虑多个决策者的意见，可以减少个人偏见的影响，并增加决策的客观性。
4. 层次分析法：这是一种系统化的方法，用于确定不同因素的相对重要性。
在层次分析法中，决策者将问题分解成多个层次，并在每个层次上进行比较和评估。
通过比较和逐层判断，最终确定不同因素的权重。
这种方法的优点是结构化、系统性强，但需要较多的时间和精力。
5. 模糊综合评价法：这种方法利用模糊数学的理论和方法，将不确定性和模糊性引入到权重的确定中。
决策者可以使用模糊集合和隶属函数来描述不同因素的权重。
通过计算和模糊推理，可以得出最终的权重。
这种方法的优点是能够处理不确定性和模糊性，但需要对模糊数学有一定的了解。
6. 数据驱动方法：这种方法基于收集和分析大量的数据，来确定权重。
可以使用统计分析、机器学习等技术来分析数据，并得出不同因素的权重。
这种方法的优点是客观性强，但需要有大量的数据支持，并且对数据分析有一定的专业知识。
除了以上提到的方法，还有一些其他的方法，如权重分配法、投票法、专家咨询等。
在具体应用中，可以根据问题的性质、可用的资源和决策者的背景等因素，选择合适的方法来确定权重。
权重的确定方法
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：
（14—1）
式中：是第项指标的变异系数、也称为标准差系数；是第项指标的标准差；是第项指标的平均数。
各项指标的权重为：
（14—2）
例如，英国社会学家英克尔斯提出了在综合评价一个国家或地区的现代化程度时，其各项指标的权重的确定方法就是采用的变异系数法。
【例14.2】试利用变异系数法综合评价一个国家现代化程度时的指标体系中的各项指标的权重。
数据资料是选取某一年的数据，包括中国在内的中等收入水平以上的近40个国家的10项指标作为评价现代化程度的指标体系，计算这些国家的变异系数，反映出各个国家在这些指标上的差距，并作为确定各项指标权重的依据。
其标准差、平均数数据及其计算出的变异系数等见表14-3。
表14-3 现代化水平评价指标的权重
(2)根据均值和标准差计算变异系数，
即：这些国家人均GNP的变异系数为：
农业占GDP比重的变异系数：
其他类推。
(3)将各项指标的变异系数加总：
(4)计算构成评价指标体系的这10个指标的权重：
人均GNP的权重：
农业占GDP比重的权重：
其他指标的权重都以此类推。
计算的结果见表14-3所示。
(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。
表14-4 比例标度值体系别（重要性分数）
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，再综合专家的意见，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。
通过专家对评价指标的评价，进行两两比较，其初始权数形成判断矩阵，判断矩阵中第行和第列的元素表示指标与比较后所得的标度系数。
第二步，计算判断矩阵中的每一行各标度数据的几何平均数，记作。
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。
【例14.3】现有3个评价指标，其判断矩阵A见表14-5所示，试确定这3个指标的权数。
表14-5 3个指标的判断矩阵A
求出这3个指标各自的权重：
通过以上计算结果看出：初步确定、、这3个指标的权重分别为：0.533 6、0.15和0.316 3。
全部指标的权重之和等于1或100%。
(四)CRITIC法求解指标权重。
