层次分析法确定权重

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。

江苏科技信息February 2012表2判断矩阵摘要：文章介绍了层次分析法确定评价指标权重的过程和计算方法，建立的Excel 计算模板操作简单，方便推广，具有较强的实用性。

关键词：决策分析法；层次分析法；权重；Excel ；计算模板作者简介：曹茂林，扬州市环境监测中心站，高级工程师；研究方向：环境监测技术与环境科技管理。

■曹茂林层次分析法确定评价指标权重及Excel 计算层次分析法（Analytic hierarchy process ，简称AHP 法）是美国运筹学家T.L.Saaty 等人在20世纪70年代中期提出了一种定性和定量相结合的，系统性、层次化的多目标决策分析方法。

在环境科研实践中，AHP 法广泛应用于生态安全[1]、环境规划[2]、区域承载力[3]、化学品环境性能评价[4]等众多领域。

AHP 法的核心是将决策者的经验判断定量化，增强了决策依据的准确性，在目标结构较为复杂且缺乏统计数据的情况下更为实用。

应用AHP 法确定评价指标的权重，就是在建立有序递阶的指标体系的基础上，通过比较同一层次各指标的相对重要性来综合计算指标的权重系数。

具体步骤如下：1.构造判断矩阵同一层次内n 个指标相对重要性的判断由若干位专家完成。

依据心理学研究得出的“人区分信息等级的极限能力为7±2”的结论，AHP 法在对指标的相对重要性进行评判时，引入了九分位的比例标度，见表1。

判断矩阵A 中各元素a ij 为i 行指标相对j 列指标进行重要性两两比较的值。

显然，在判断矩阵A 中，a ij ＞0，a ii ＝1，a ij ＝1/a ji （其中i ，j=1,2,…，n ）。

因此，判断矩阵A 是一个正交矩阵，左上至右下对角线位置上的元素为1，其两侧对称位置上的元素互为倒数。

每次判断时，只需要作n(n-1)/2次比较即可。

表2是一个7阶判断矩阵，本文以此为例介绍应用Excel 计算指标权重并进行一致性检验的方法。

层次分析法确定绩效考核指标权重在应用层次分析法确定绩效考核指标权重时，一般包括以下步骤：1.确定层次结构：首先需要确定一个层次结构，将整个绩效考核体系分解为不同的层次，从总体目标到具体指标。

2.建立判断矩阵：对于每一层次，需要建立判断矩阵，用来衡量不同指标之间的相对重要性。

判断矩阵是一个方阵，其中每个元素表示两个指标之间的比较结果，之间的比较可以通过专家的主观判断、问卷调查、统计数据等方式得出。

3.计算权重矩阵：通过计算判断矩阵的特征向量，可以得出每个指标相对于上一层次指标的权重值，将它们组成一个权重矩阵。

4.一致性检验：对于判断矩阵和权重矩阵，需要进行一致性检验，确保判断矩阵中的数据没有矛盾和重叠，并且权重矩阵的结果是合理的。

5.综合权重：将各层次的权重矩阵综合起来，得出最终的指标权重。

在使用层次分析法确定绩效考核指标权重时，需要注意以下几点：1.专家选择：选择合适的专家参与权重确定过程，他们应该具备一定的背景知识和经验，并且对绩效考核有一定的了解。

2.参考数据：除了专家判断，还可以根据相关的统计数据、历史数据等进行决策。

3. 一致性检验：要进行一致性检验，主要是为了确保判断矩阵中的数据是合理可靠的。

一致性比率（Consistency Ratio，CR）可以用来评估判断矩阵的一致性。

4.参考其他因素：在确定指标权重时，除了考虑专家的意见，还可以考虑一些特殊因素，例如公司战略目标、员工的关注点等。

使用层次分析法确定绩效考核指标权重的好处是能够以科学的方式对指标进行排序和赋权，可以帮助管理者更加客观地评估员工的绩效，并从而进行更加有效的绩效考核和绩效管理。

同时，该方法也能够促进沟通和协作，将不同的意见和观点结合起来，形成一个综合的权重结果。

层次分析法确定权重层次分析法（Analytic Hierarchy Process，简称AHP）是一种常用的多准则决策方法，用于确定权重。

该方法通过对多个准则之间的重要性进行比较和评估，从而确定每个准则的权重。

下面将详细介绍层次分析法的原理和具体步骤。

一、层次分析法的原理层次分析法是由美国运筹学家托马斯·L·萨亚斯（Thomas L. Saaty）于1970年提出的一种决策方法。

其基本原理是构造一种层次结构，将复杂的决策问题分解为若干个层次，然后通过对准则和备选方案之间的两两比较，确定各层次的权重，最后利用这些权重进行综合评估和决策。

二、层次分析法的步骤1.问题定义：首先明确需要做出决策的问题，明确决策的目标和目的。

2.建立层次结构：将决策问题分解成多个准则和备选方案，形成一个层次结构。

可以采用树状图或者有向图的形式来表示。

3.两两比较：对每个层次中的准则和备选方案进行两两比较，构建一个两两比较矩阵。

比较的方式可以采用“较重要”、“同等重要”、“稍微重要”等语言描述，也可以采用数值尺度进行比较。

4.构建判断矩阵：根据两两比较的结果，构建一个判断矩阵。

判断矩阵是一个对角线元素全为1的正互反矩阵，通过正互反矩阵的归一化可以得到权重向量。

5.计算权重向量：利用判断矩阵的特征值和特征向量进行计算，得到权重向量。

通常采用特征值法或最大特征向量法进行计算。

6.一致性检验：检验判断矩阵的一致性，判断矩阵的一致性指标为一致性比例CR。

一般情况下，CR小于0.1认为是可接受的，否则需要重新修改两两比较矩阵。

7.综合评估和决策：利用各层次的权重向量进行综合评估和决策，计算各备选方案的得分，得分高的方案被认为是最佳选择。

三、总结层次分析法是一种常用的多准则决策方法，通过对准则和备选方案之间的两两比较，确定每个准则的权重，从而达到确定权重的目的。

通过定义问题、建立层次结构、两两比较、构建判断矩阵、计算权重向量、一致性检验以及综合评估和决策等步骤，可以系统地确定决策问题的权重。

熵值法和层次分析法在权重确定中的应用一、本文概述权重确定作为决策分析的核心环节，其准确性和合理性直接影响到决策的质量和效果。

在众多权重确定方法中，熵值法和层次分析法因其独特的优势，被广泛应用于各种决策场景中。

本文旨在深入探讨熵值法和层次分析法在权重确定中的应用，分析两种方法的原理、特点、适用场景，并对比其优劣。

通过对这两种方法的深入研究，我们期望能为决策者提供更科学、更合理的权重确定方法，提高决策的有效性和准确性。

本文还将结合具体案例，对两种方法的实际应用进行展示，以便读者更好地理解和掌握这两种方法。

二、熵值法在权重确定中的应用熵值法是一种基于信息熵理论来确定权重的客观赋权方法。

在信息论中，熵是对不确定性的一种度量，它可以反映信息的无序程度或者信息的效用价值。

在权重确定中，熵值法通过计算各个评价指标的信息熵，来度量各个指标值的离散程度，从而确定各个指标的权重。

数据标准化处理：消除不同指标量纲的影响，对原始数据进行标准化处理，使得各指标值都处于同一数量级上。

计算指标熵值：根据标准化后的数据，计算每个指标的熵值。

熵值反映了该指标值的离散程度，熵值越大，指标的离散程度越大，该指标对综合评价的影响越小。

计算指标差异系数：用1减去熵值，得到指标的差异系数。

差异系数越大，该指标对综合评价的影响越大。

确定指标权重：根据差异系数的大小，确定各指标的权重。

差异系数越大，该指标的权重越大。

熵值法的优点在于其客观性强，不需要事先设定权重，而是根据数据的实际情况来确定权重。

熵值法也适用于多指标综合评价问题，能够有效地处理不同量纲的指标。

然而，熵值法也存在一定的局限性，例如它忽略了指标之间的相关性，并且对于数据的要求较高，需要数据量足够大且分布均匀。

在实际应用中，熵值法常常与其他方法相结合，如层次分析法、主成分分析法等，以提高权重确定的准确性和科学性。

通过综合运用这些方法，可以更加全面地考虑各种因素，使得权重确定更加合理和可靠。

用层次分析法计算权重一、本文概述层次分析法（Analytic Hierarchy Process，简称AHP）是一种定性与定量分析相结合的多准则决策方法，由美国运筹学家T.L.Saaty教授于20世纪70年代提出。

该方法通过构建一个层次结构模型，将复杂问题分解为多个组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个多层次的分析结构模型。

通过两两比较的方式确定层次中诸因素的相对重要性，然后综合决策者的判断，确定决策方案相对重要性的总的排序。

层次分析法在权重计算中具有广泛的应用，包括项目管理、资源分配、风险评估、产品选择等各个领域。

本文将详细介绍层次分析法的原理、步骤及其在权重计算中的应用，帮助读者更好地理解和应用这一方法。

二、层次分析法基本原理层次分析法（Analytic Hierarchy Process，简称AHP）是一种定性与定量相结合的决策分析方法，由美国运筹学家T.L.Saaty在20世纪70年代初期提出。

这种方法将复杂的问题分解为各个组成因素，并将这些因素按照支配关系分组形成递阶层次结构。

通过两两比较的方式确定层次中诸因素的相对重要性，然后综合决策者的判断，确定决策方案相对重要性的总的排序。

层次分析法适用于存在多目标、多准则、多方案的系统评价、决策、预测等问题，尤其适用于那些难以完全用定量方法解决的复杂问题。

分解原理：将复杂的问题分解为若干个相对简单的子问题，这些子问题称为元素或因素。

每个元素都对应一个具体的评价准则或决策目标。

比较原理：通过两两比较的方式确定元素之间的相对重要性。

比较的结果以数值形式表示，通常使用1-9标度法，其中1表示两个元素同等重要，9表示一个元素比另一个元素极端重要，中间值表示不同等级的重要性。

合成原理：根据元素之间的相对重要性，通过合成运算得到元素的整体重要性排序。

合成运算通常采用加权求和的方法，权重由元素之间的相对重要性决定。

确定指标权重方法
1. 层次分析法（AHP）:
AHP的核心是使用主体对若干指标的两两比较，通过构建成一个层次结构模型，得出每个指标相对重要性系数的方法。

它的主要优点是易于理解和使用，可以直观地让专业人士和非专业人员共同评估指标。

2. 熵权法：
熵权法是利用信息熵理论来确定指标权重的方法，它通过计算指标值在整个数据集中的分布情况，得出每个指标的权重比例。

该方法的优点是对指标分布情况不敏感，能准确反映指标之间的信息关系。

3. 主成分分析法（PCA）：
PCA利用一些公共变量来合理表达各个变量之间关系的方法。

通过将多个维度的指标合成一个指标，以此来确定各个指标的权重。

这种方法的优点是可以减少多个指标之间的多重共线性问题。

4. 相对比重法：
这种方法的核心是通过专家确定各个指标的重要性，并将这些重要性权重转化为
相对比重。

然后，将这些相对比重乘以各个指标的实际值，从而获得最终的权重。

5. 灰色关联度法：
该方法主要适用于评估指标间存在双向或多向关系的情况。

它的核心是通过计算指标的灰色关联度，来确定各个指标的权重。

这种方法的优点是可以通过考虑指标的相互影响来协调各个指标的权重。

注意：不同的方法适用于不同情况，请根据具体情况选择适合的方法，合理的确定指标权重。

评价模型中权重的确定方法在评价模型中，确定权重是一个非常重要的过程，它决定了不同指标在综合评价中的重要性。

权重的确定方法有很多种，以下我将介绍其中几种常用的方法。

1.主观赋权法2.层次分析法层次分析法是一种定量的权重确定方法，它能够帮助决策者通过分层的方式对不同指标的重要性进行比较和判断。

具体的步骤如下：（1）建立层次结构：将评价指标划分为不同的层次，并建立它们之间的关系。

（2）构建判断矩阵：通过专家调查或问卷调查的方式，构建判断矩阵，评价不同指标之间的相对重要性。

（3）计算特征向量：通过特征值法或逼近法，计算出判断矩阵的最大特征值和相应的特征向量。

（4）计算权重向量：将特征向量进行归一化，得到权重向量，即不同指标的权重。

层次分析法的优点是能够考虑到不同指标之间的相对重要性，适用于指标比较复杂、相互影响较大的情况。

3.主成分分析法主成分分析法（PCA）是一种基于统计学的权重确定方法，它通过对原始数据进行变换，将高维数据转化为低维数据，并提取出对原始数据变异性解释最多的主成分。

具体的步骤如下：（1）标准化数据：对评价指标进行标准化处理，使得各个指标具有相同的量纲和权重。

（2）计算协方差矩阵：计算标准化后的数据的协方差矩阵。

（3）计算特征值和特征向量：对协方差矩阵进行特征值分解，得到特征值和特征向量。

（4）选择主成分：选择特征值较大的特征向量作为主成分。

（5）计算权重向量：将选择的主成分进行归一化，得到权重向量，即不同指标的权重。

主成分分析法的优点是能够保留数据的主要信息，减少冗余的指标，并能够考虑到不同指标之间的相关性。

除了以上几种方法，还有一些其他的权重确定方法，如熵权法、模糊综合评价法、灰色关联分析法等。

这些方法在不同的评价场景中有不同的适用性，可以根据具体情况选择合适的方法。

此外，在确定权重时，还需要考虑到评价指标的可行程度、数据可获得性和对决策目标的贡献度等因素，以保证权重的有效性和可靠性。

权重确定方法归纳多指标综合评价是指人们根据不同的评价目的，选择相应的评价形式据此选择多个因素或指标，并通过一定的评价方法将多个评价因素或指标转化为能反映评价对象总体特征的信息，其中评价指标与权重系数确定将直接影响综合评价的结果。

按照权数产生方法的不同多指标综合评价方法可分为主观赋权评价法和客观赋权评价法两大类，其中主观赋权评价法采取定性的方法由专家根据经验进行主观判断而得到权数，然后再对指标进行综合评价，如层次分析法、综合评分法、模糊评价法、指数加权法和功效系数法等。

客观赋权评价法则根据指标之间的相关关系或各项指标的变异系数来确定权数进行综合评价，如熵值法、神经网络分析法、TOPSIS法、灰色关联分析法、主成分分析法、变异系数法等。

两种赋权方法特点不同，其中主观赋权评价法依据专家经验衡量各指标的相对重要性，有一定的主观随意性，受人为因素的干扰较大，在评价指标较多时难以得到准确的评价。

客观赋权评价法综合考虑各指标间的相互关系，根据各指标所提供的初始信息量来确定权数，能够达到评价结果的精确但是当指标较多时，计算量非常大。

下面就对当前应用较多的评价方法进行阐述。

一、变异系数法（一）变异系数法简介变异系数法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。