综合评价方法之秩和比法(RSR)
一、概念
秩和比法是一种将古典参数统计和近代非参数统计进结合,并融其各自优点于一身的统计分析方法,1988年由田风调教授提出,适合对行列表格的资料进行综合评价,也可应用于分类及计量资料的综合评价。
秩和比(RSR)指在多指标综合评价中,表中各评价对象 n 秩次的相对平均值(若评价指标权重不同,则需要指标乘以权重),是一个非参数计量,具有0-1区间连续变量的特征。
其基本思想是在一个 n 行(n 评价对象)p 列(p 个评价指标)矩阵中,通过秩转换,获得无量纲的统计量RSR,以RSR值对评价对象的优劣进行排序或分档排序。
在综合评价中,秩和比的值能够包含所有评价指标的信息,显示出这些评价指标的综合水平,RSR值越大表明综合评价越优。
- 优点:因为 RSR 只使用了数据的相对大小关系,而不真正运用数值本身,所以此方法综合性强,可以显示微小变动,对离群值不敏感;能够对各个评价对象进行排序分档,找出优劣,是做比较,找关系的有效手段;能够找出评价指标是否有独立性。
- 缺点:通过秩替代原始指标值,会损失部分信息;不容易对各个指标进行恰当的编秩。
二、步骤
Step1:列出原始数据,一行代表一个评价对象,一列代表一个评价指标。
Step2:由原始数据进行计算秩值;
Step3:利用Step2的秩值,计算得到RSR值和RSR值排名;
Step4:列出RSR的分布表格情况并且得到Probit值;
Step5:计算回归方程;
Step6:进行排序,并且进行分档等级。
(1)列出原始数据表
根据评价的目的,选择适当的评价指标。使用专业知识区分指标是高优还是低优。一般高优指标是指效益型指标,即指标的数值越大越理想;低优指标就是成本型指标,即指标的数值越小越理想
有时,指标的属性要根据不同的研究目的加以确定,还有一些指标为不分高优与低优的指标。
列出原始数据表。假设有n个待评价样本,p项评价指标,形成原始指标数据矩阵:
X=(x11...x1p⋮⋱⋮xn1⋯xnp)X=\left( \begin{matrix} x_{11}& ...& x_{1p}\\ \vdots& \ddots& \vdots\\ x_{n1}& \cdots& x_{np}\\ \end{matrix} \right) X=⎝⎜⎛x11⋮xn1...⋱⋯x1p⋮xnp⎠⎟⎞
其中XijX_{ij}Xij 表示第 i 个样本第 j 项评价指标的数值。
例如:
GDP | 就业人数 | 财政支出 | 人均可支配收入 | |
---|---|---|---|---|
北京 | xx | xx | xx | xx |
上海 | xx | xx | xx | xx |
广州 | xx | xx | xx | xx |
深圳 | xx | xx | xx | xx |
成都 | xx | xx | xx | xx |
重庆 | xx | xx | xx | xx |
天津 | xx | xx | xx | xx |
(2)计算秩值
根据每一个具体的评价指标按其指标值的大小进行排序,得到秩次R,用秩次R来代替原来的评价指标值。
根据编秩结果建立各指标的秩次数据矩阵。
R=(R11R12⋯R1pR21R22⋯R2p⋮⋮⋮Rn1Rn2⋯Rnp)R=\left( \begin{matrix} R_{11}& R_{12}& \cdots& R_{1p}\\ R_{21}& R_{22}& \cdots& R_{2p}\\ \vdots& \vdots& & \vdots\\ R_{n1}& R_{n2}& \cdots& R_{np}\\ \end{matrix} \right) R=⎝⎜⎜⎜⎛R11R21⋮Rn1R12R22⋮Rn2⋯⋯⋯R1pR2p⋮Rnp⎠⎟⎟⎟⎞
RijR_{ij}Rij:表示第 i 个样本第 j 项评价指标的秩次。
这里的秩可以理解成是一种顺序或者排序,它是根据原始数据的排序位置进行求解
例如:
高优指标j [-0.8,1.1,-2,4.2,-3.1]排序[-3.1,-2,-0.8,1.1,4.2]秩 3 4 2 5 1
编出每个指标各对象的秩,这是秩和比法运用成败的关键之一。编秩时,应充分体现专业要求,力求所编秩次无逻辑上的混乱。
编制方法:
共有两种方法,分别是整次法和非整次法;二者在于计算秩的时候公式不一样
- 整秩法
高优指标从小到大编秩,低优指标从大到小编秩,同一指标数据相同者取平均值。
- 非整秩法
对于高优指标:Rij=1+(n−1)Xij−XminXmax−XminR_{ij}=1+\left( n-1 \right) \frac{X_{ij}-X_{\min}}{X_{\max}-X_{\min}} Rij=1+(n−1)Xmax−XminXij−Xmin
对于低优指标:
Rij=1+(n−1)Xmax−XijXmax−XminR_{ij}=1+\left( n-1 \right) \frac{X_{\max}-X_{ij}}{X_{\max}-X_{\min}} Rij=1+(n−1)Xmax−XminXmax−Xij
其中 Xmax=max(X1j,X2j,⋯,Xnj),Xmin=min(X1j,X2j,⋯,Xnj)X_{\max}=\max \left( X_{1j},X_{2j},\cdots ,X_{nj} \right) \text{,}X_{\min}=\min \left( X_{1j},X_{2j},\cdots ,X_{nj} \right)Xmax=max(X1j,X2j,⋯,Xnj),Xmin=min(X1j,X2j,⋯,Xnj)
一般使用整秩法
例如
均是高优指标,按从小到大编秩
(3)计算秩和比RSR值及排名
在一个 n 行( n 个评价对象)p 列( p 个评价指标)矩阵中,RSR的计算公式为:
RSRi=1n×p∑j=1pRijRSR_i=\frac{1}{n\times p}\sum_{j=1}^p{R_{ij}} RSRi=n×p1j=1∑pRij
上式中 , i=1,2,⋯,n; j=1,2,⋯,pi=1,2,\cdots ,n\ \text{;\ }j=1,2,\cdots ,pi=1,2,⋯,n ; j=1,2,⋯,p ,RijR_{ij}Rij 表示第 i 行 第 j 列元素的秩。
当个评价指标的权重不同时,计算加权秩和比为WRSR,其计算公式为:
WRSRi=1n∑j=1pWjRijWRSR_i=\frac{1}{n}\sum_{j=1}^p{W_jR_{ij}} WRSRi=n1j=1∑pWjRij
上式中,WjW_jWj 表示第 j 个评价指标的权重,满足 ∑j=1pWj=1\sum_{j=1}^p{W_j}=1∑j=1pWj=1。
计算权重的方法有熵值法、变异系数法…等等
RSR值无量纲,最小值 RSRmin=1nRSR_{\min}=\frac{1}{n}RSRmin=n1;最大值 RSRmax=1RSR_{\max}=1RSRmax=1。
按RSR值对评价对象的优劣进行直接排序。
例子
这里引用RSR(秩和比综合评价法)介绍及python3实现中的例子,根据公式,计算每一行的 RSR
(5)确定RSR的分布
RSR 的分布是指用概率单位 Probit 表达的值特定的累计频率 。
其方法为:
- 将RSR值按照从小到大的顺序排列
- 列出各组频数
- 计算各组累计频数
- 确定各组RSR的秩次R及平均秩次 Rˉ\bar{R}Rˉ
- 计算向下累计频率 Rˉ/n×100%\bar{R}/n\ \times 100\%Rˉ/n ×100%,最后一项用 (1−1/4n)×100%\left( 1-1/4n \right) \times 100\%(1−1/4n)×100% 修正
- 根据累计频率,查询“百分数与概率单位对照表”,求其所对应概率单位 Probit 值
还是以上面引用的例子
更详细的百分数与概率单位对照表
http://www.docin.com/p-2211225521.html
(7)计算直线回归方程
以累计频率所对应的概率单位值 Probit 为自变量,以RSR值为因变量,计算回归方程
RS^R=a+bProbitR\hat{S}R=a+bProbit RS^R=a+bProbit
利用最小二乘估计,求出参数值,得出相关系数 r 和直线回归方程,通过 Probit ,推出 RSR 估计值
例如
①
②
(8)进行排序,按最佳分档原则进行分档
据各分档排序情况下概率单位Probit值,按照最佳分档原则对评价对象进行分档归类。分档数由研究者根据实际情况决定。
一般档次数量为 3档 ,也可以是 4挡、5挡
例如
①
②
③
从③的分档,学校整体绩效呈现从差–》中–》良–》优的发展趋势,往越来越好的方向发展。
(9)进一步检验是否最佳分档
最佳分档的检验。在分档之后对分档结果进行方差一致检验,要求各档差异有统计学意义。
可以用软件实现
方差一致性检验(Bartlett检验)
参考:
《高等职业院校教师绩效管理的方法研究》_郭晖云
《基于加权秩和比法的汽车物流服务商选择方法研究》_苗继承
SPSS在线_SPSSAU_SPSS_秩和比RSR
RSR(秩和比综合评价法)介绍及python3实现——python代码
综合评价方法之秩和比法(RSR)相关推荐
- 基于信息熵确立权重的topsis法_一种基于加权秩和比法的光伏并网逆变器多性能指标评价方法研究...
电能质量测试周马上就要开始,在各位粉丝阅读本篇推文之前,你的评论多少赞了?想要奖品的粉丝可得抓紧时间,活动截止之前都还有机会哦.点击下方链接赶快留言点赞吧! 电能质量测试周,让数据说话 作者:郑陆海 ...
- Python综合评价模型(三)秩和比法
文章目录 第一步 导入第三方库和案例数据 第二步 标准化数据 第三步 编秩 第四步 计算秩和比 方式1 计算秩的简单平均(评价指标权重相等) 方式2 计算秩的加权平均(评价指标权重不等) 第五步 导出 ...
- yaahp层次分析法步骤_综合评价方法之层次分析法,选择再也难不倒你!
在日常生活中, 我们常常面临着各种各样的选择. 比如你想去北京.上海.广州旅游, 但是由于种种原因, 你只能选择一个地点去旅游, 那么哪一种选择是最优的呢? 有没有较为科学的方法帮助我们更好地选择呢? ...
- Topsis算法(优劣解距离法)——综合评价方法
一.Topsis算法 TOPSIS 法是一种常用的组内综合评价方法,能充分利用原始数据的信息,其结果能精确地反映各评价方案之间的差距.基本过程为基于归一化后的原始数据矩阵,采用余弦法找出有限方案中的最 ...
- 数学建模--综合评价方法
综合评价方法 提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加 例如:第一章 Python 机器学习入门之pandas的使用 提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮 ...
- SPSSAU综合评价方法汇总
综合评价是对某事物进行多指标综合评价的过程,是一种科学研究和科学决策的过程.一般应当包括指标体系设计.收集资料.整理资料和统计分析几个阶段. 简单从分析角度来讲,综合评价方法步骤主要包括:确定指标体系 ...
- 综合评价与决策方法(一)——TOPSIS法的原理
综合评价与决策方法 综述 理想解法 方法和原理 TOPSIS法的算法步骤 例题 参考文献 综述 评价方法一般分为两类.一类是主观赋权法,多数采取综合咨询评分确定权重,如:综合指数法.模糊综合评价法.层 ...
- 综合评价与决策方法04——灰色关联分析法
综合评价与决策方法04--灰色关联分析法 顶!!! 数学建模 综合评价与决策方法04--灰色关联分析法 前言 一.灰色关联分析法 肝!!! 前言 评价方法大体上可分为两类,其主要区别在确定权重的方法上 ...
- 数学建模常见的综合评价方法及预测方法
综合评价方法 •简单加权法 1. 线性加权综合法 适用条件:各评价指标之间相互独立. 对不完全独立的情况,其结果将导致各指标间信息的重复,使评价结果不能客观地反映实际. 主要特点: (1)各评价指标间 ...
- R语言3.15 综合评价方法
多指标综合评价方法的特点: 包含若干个指标,分别说明被评价对象的不同方面: 评价方法最终要对被评价对象做出一个整体性的评判,用一个综指标来说明被评价对象一般水平. 指标体系的构建原则 系统全面.稳定可 ...
最新文章
- MSSQL扫盲系列(4)-系统函数
- 个人博客mysql 建表与数据测试
- 概率论与数理统计(三)
- edittext禁止换行符但能自动换行简书_使用n-gram创建自动完成系统
- 设计模式-由浅到深的单例模式
- kylin 部分问题
- 状态反射在体育运动中的作用_建筑用热反射隔热涂料的研究进展
- 关于怎么怎么把 unsingned char 数据转换为 Opencv 的Mat类型,并且吧图像显示出来
- 无法检索文件服务器,无服务器快速无法检索pdf文件(base64编码)
- android 标题栏进度圈使用方法,Android 标题栏显示进度条
- 在linux下用tomcat部署java web项目的过程与注意事项(转)
- 非极大值抑制(Non-Maximum Suppression,NMS)(转)
- python植树问题代码_BERT可以上几年级了?Seq2Seq“硬刚”小学数学应用题
- Spring Boot实现SAAS平台的基本思路
- mysql配置后无法在dos里运行
- 【文摘】《创新者》-沃尔特·艾萨克森
- Vivado使用流程(文字总结)
- ViewStub详解
- 汇编——十进制数据输入转二进制/十六进制输出(含数字判断,不限位数)
- lle算法c++语言,2015年计算机二级C++上机考前冲刺题(4)
热门文章
- 设置盒子背景色透明度
- Linux下载Java包,Linux环境Java包的安装和环境配置
- 《Redis开发与运维》学习第五章
- ubuntu16.04安装caffe教程(仅cpu)
- 罗技驱动只能安装在c盘么?
- matlab 画图函数plot
- npy文件过大 如何处理
- 99se 封装属性设置大全
- opencv3+python3.5成语填字游戏(一)印刷体汉字的分割
- 三星s9刷android原生6,【极光ROM】-【三星S9/S9+ G9600/G9650-845】-【V22.0 Android-Q-TF6】...