半是温柔半是风，一生从容一生花

1.原理介绍

2.步骤详解

2.1 获取数据

2.2 数据标准化

2.3 计算信息承载量

2.4 计算权重

3.案例分析

3.1 数据获取

3.2 数据标准化

3.3 计算相关系数

3.4 计算信息承载量

3.5 计算权重

4.算法改进

5.完整代码

5.1 方法类 CRITIC.java

5.2 主类 CRITICmain.java

1.原理介绍

通常在确定指标权重时往往更多关注的是数据本身，而数据之间的波动性大小也是一种信息，或是数据之间的相关关系大小，也是一种信息，可利用数据波动性大小或数据相关关系大小计算权重。

CRITIC权重法是一种基于数据波动性的客观赋权法。其思想在于两项指标，分别是波动性（对比强度）和冲突性（相关性）指标。对比强度使用标准差进行表示，如果数据标准差越大说明波动越大，权重会越高；冲突性使用相关系数进行表示，如果指标之间的相关系数值越大，说明冲突性越小，那么其权重也就越低。权重计算时，对比强度与冲突性指标相乘，并且进行归一化处理，即得到最终的权重。

CRITIC权重法适用于数据稳定性可视作一种信息，并且分析的指标或因素之间有着一定的关联关系的数据。

2.步骤详解

2.1 获取数据

假设现有一组数据，有m个待评价对象，n个评价指标，构成原始数据矩阵X：

2.2 数据标准化

数据标准化的主要目的就是消除量纲影响，使所以数据能用统一的标准去衡量。

对于正向指标：

对于逆向指标：

2.3 计算信息承载量

波动性：

冲突性：

计算冲突性时要用到指标的相关性矩阵，计算公式如下：

则，冲突性计公式：

信息量：

2.4 计算权重

3.案例分析

以下是某医院连续十天内的部分数据，其中某些指标的稳定性是一种信息，而且指标之间本身就可能有着相关性。

编号	出院人数	入出院诊断符合率	治疗有效率	平均床位使用率	病床周转次数
1	92	0.8	0.52	0.86	6
2	12	0.73	0.38	0.48	37
3	68	0.15	0.75	0.28	49
4	17	0.16	0.97	0.25	50
5	42	0.09	0.82	0.18	17
6	20	0.65	0.86	0.88	39
7	83	0.19	0.67	0.71	85
8	28	0.59	0.74	0.39	44
9	93	0.7	0.24	0.1	47
10	42	0.23	0.69	0.54	67

3.1 数据获取

 /*** 从Excel表格读取数据，列为评价指标行为待评价样本* * 假设有m个待评价样本，n个评价指标* * @param filepath 表格存储位置* @return componentMartix 返回原始矩阵*/public double[][] read(String filepath) throws IOException, BiffException,WriteException {//创建输入流InputStream stream = new FileInputStream(filepath);//获取Excel文件对象Workbook  rwb = Workbook.getWorkbook(stream);//获取文件的指定工作表 默认的第一个Sheet sheet = rwb.getSheet("Sheet1");int rows = sheet.getRows();int cols = sheet.getColumns();double[][] componentMatrix = new double[rows][cols];//原始矩阵//row为行for(int i=0;i<sheet.getRows();i++) {for(int j=0;j<sheet.getColumns();j++) {String[] str = new String[sheet.getColumns()];Cell cell = null;cell = sheet.getCell(j,i);    str[j] = cell.getContents();componentMatrix[i][j] = Double.valueOf(str[j]);}}return componentMatrix;//返回原始矩阵}

输出：

3.2 数据标准化

 /*** 数据标准化处理，消除量纲影响* @param componentMatrix 输入原始矩阵* @return normalizedMatrix 返回标准化后的矩阵*/public double[][] normalized(double[][] componentMatrix) {double[][] normalizedMatrix = new double[componentMatrix.length][componentMatrix[0].length];List<Integer> neg = new ArrayList<Integer>();//存储逆向指标所在列double[] max = Max(componentMatrix);double[] min = Min(componentMatrix);int a;for(int i=0; i < componentMatrix.length; i++) {for(int j=0; j < componentMatrix[0].length; j++) {normalizedMatrix[i][j] = (componentMatrix[i][j] - min[j])/(max[j] - min[j]); }}System.out.println("是否有逆向指标？（越小越优型指标）若有输入1，若无输入2");a = input.nextInt();if(a ==1 ) {System.out.println("输入逆向指标所在列(以“/”结尾）：");while(!input.hasNext("/")) {neg.add(Integer.valueOf(input.nextInt()));}for(int i=0; i < componentMatrix.length; i++) {for(int j=0; j < neg.size(); j++) {normalizedMatrix[i][neg.get(j)] = (max[neg.get(j)]-componentMatrix[i][neg.get(j)])/(max[neg.get(j)] - min[neg.get(j)]);}}}return normalizedMatrix;}

输出：

3.3 计算相关系数

 /*** 计算相关系数矩阵* @param normalizedMatrix 标准化后数据* @return pearson 皮尔逊相关系数矩阵*/public double[][] correlation(double[][] normalizedMatrix){double[][] pearson = new double[normalizedMatrix[0].length][normalizedMatrix[0].length];//皮尔逊相关系数矩阵double[] avr = Average(normalizedMatrix);//每列平均值double[] s = new double[normalizedMatrix[0].length];for(int j=0;j < normalizedMatrix[0].length;j++) {double sum = 0;for(int i=0;i < normalizedMatrix.length;i++){sum += Math.pow(normalizedMatrix[i][j] - avr[j], 2);}s[j] = Math.sqrt(sum/(normalizedMatrix[0].length - 1));}double[][] cxy = new double[normalizedMatrix[0].length][normalizedMatrix[0].length];for(int j=0;j<normalizedMatrix[0].length;j++) {for(int k=0;k<normalizedMatrix[0].length;k++) {double sum = 0;for(int i=0;i<normalizedMatrix.length;i++) {sum += (normalizedMatrix[i][j] - avr[j])*(normalizedMatrix[i][k] - avr[k]);}cxy[j][k] = sum/(pearson.length - 1);pearson[j][k] = cxy[j][k]/(s[j]*s[k]);}}return pearson;}

输出：

3.4 计算信息承载量

 /*** 计算每个指标的信息承载量* @param normalizedMatrix 标准化后的矩阵* @param pearson 皮尔逊相关系数矩阵* @return informationVolume 每个指标的信息承载量*/public double[] information(double[][] normalizedMatrix,double[][] pearson) {double[] informationVolume = new double[normalizedMatrix[0].length];double[] avr = Average(normalizedMatrix);//每列平均值//计算对比强度（标准差）double[] s = new double[normalizedMatrix[0].length];for(int j=0;j < normalizedMatrix[0].length;j++) {double sum = 0;for(int i=0;i < normalizedMatrix.length;i++){sum += Math.pow(normalizedMatrix[i][j] - avr[j], 2);}s[j] = Math.sqrt(sum/(normalizedMatrix[0].length - 1));}//计算冲突性double[] r = new double[normalizedMatrix[0].length];for(int j=0;j<normalizedMatrix[0].length;j++) {double sum = 0;for(int i=0;i<normalizedMatrix[0].length;i++) {sum += 1 - pearson[i][j];}r[j] = sum;}//计算信息量for(int j=0;j<normalizedMatrix[0].length;j++) {informationVolume[j] = s[j]*r[j];}      return informationVolume;}

输出：

3.5 计算权重

 /*** 计算权重* @param informationVolume 每个指标的信息量* @return weight 返回每个指标的权重*/public double[] weight(double[] informationVolume) {double[] weight = new double[informationVolume.length];double sum = 0;for(int i=0;i<informationVolume.length;i++) {sum += informationVolume[i];}for(int i=0;i<informationVolume.length;i++) {weight[i] = informationVolume[i]/sum;}return weight;}

输出：

4.算法改进

从上述计算步骤可以看出 CRITIC 法存在以下可以改进和完善的地方：（1）相关系数有正有负，对于绝对值相同的相关系数其反映指标间的相关性程度大小应是一样的，因此在反映指标之间的对比强度时用 (1−|rij|) 代替原方法中的 (1−rij) 更适合；（2）CRITIC 法虽能有效考虑指标数据间的相关性（冲突性）和对比强度（波动性），但未考虑指标数据间的离散程度。因此，需要对 CRITIC 法进行改进，以使改进的 CRITIC 法能够充分考虑指标数据本身的三大属性。

改进后的计算公式如下：

其中 $ewm_{j}$ 代表用熵权法计算得到的指标熵值（不会计算的可以点击阅读文章“权重计算方法二：熵权法（EWM）”）， $S_{j}$ 为对比强度， $r_{ij}$ 为第i个指标与第j个指标的相关系数。

 /*** 改进算法* @param normalizedMatrix 标准化后的矩阵* @param pearson 皮尔逊相关系数矩阵* @param ewm 熵权法求得的指标熵值* @return*/public double[] weight1(double[][] normalizedMatrix,double[][] pearson,double[] ewm) {double[] informationVolume = new double[normalizedMatrix[0].length];double[] avr = Average(normalizedMatrix);//每列平均值double[] weight = new double[normalizedMatrix[0].length];double[] pear = new double[normalizedMatrix[0].length];//计算对比强度（标准差）double[] s = new double[normalizedMatrix[0].length];for(int j=0;j < normalizedMatrix[0].length;j++) {double sum = 0;for(int i=0;i < normalizedMatrix.length;i++){sum += Math.pow(normalizedMatrix[i][j] - avr[j], 2);}s[j] = Math.sqrt(sum/(normalizedMatrix[0].length - 1));}double total = 0;for(int j=0;j<normalizedMatrix[0].length;j++) {for(int i=0;i<normalizedMatrix[0].length;i++) {pear[j]  += Math.abs(pearson[i][j]);}total += ewm[j] + s[j];}for(int j=0;j<normalizedMatrix[0].length;j++) {informationVolume[j] = ((ewm[j] + s[j])*pear[j])/(total + pear[j]);}double sum = 0;for(int i=0;i<informationVolume.length;i++) {sum += informationVolume[i];}for(int i=0;i<informationVolume.length;i++) {weight[i] = informationVolume[i]/sum;}return weight;}

输出：

改进前后结果对比：

通过观察可以发现改进后得到的权重基本与改进前得到的权重一致，但部分指标改进前后权重有较大变化，但基本保持在5%以内。

5.完整代码

5.1 方法类 CRITIC.java

package critic;import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.util.ArrayList;
import java.util.List;
import java.util.Scanner;import jxl.Cell;
import jxl.Sheet;
import jxl.Workbook;
import jxl.read.biff.BiffException;
import jxl.write.WriteException;public class CRITIC {Scanner input = new Scanner(System.in);//矩阵每列最大值public double[] Max(double[][] m) {double max[] = new double[m[0].length];for(int j=0;j < m[0].length;j++) {max[j] = m[0][j];for(int i=0;i < m.length;i++) {if(m[i][j] >= max[j]) {max[j] = m[i][j];}}}return max;}//矩阵每列最小值public double[] Min(double[][] m) {double min[] = new double[m[0].length];for(int j=0;j < m[0].length;j++) {min[j] = m[0][j];for(int i=0;i < m.length;i++) {if(m[i][j] <= min[j]) {min[j] = m[i][j];}}}return min;} //矩阵每列平均值public double[] Average(double[][] m) {double avr[] = new double[m[0].length];for(int j=0;j < m[0].length;j++) {double sum = 0;for(int i=0;i < m.length;i++) {sum += m[i][j];}avr[j] = sum/m.length;}return avr;}//输出二维矩阵public void matrixoutput(double[][] x) {for(int i=0;i<x.length;i++) {for(int j=0;j<x[0].length;j++) {System.out.print(x[i][j]+"   ");}System.out.println();}}//输出一维矩阵public void matrixoutput1(double[] x) {for(int i=0;i<x.length;i++) {System.out.print(String.format("%.8f\t", x[i]));}System.out.println();}/*** 从Excel表格读取数据，列为评价指标行为待评价样本* * 假设有m个待评价样本，n个评价指标* * @param filepath 表格存储位置* @return componentMartix 返回原始矩阵*/public double[][] read(String filepath) throws IOException, BiffException,WriteException {//创建输入流InputStream stream = new FileInputStream(filepath);//获取Excel文件对象Workbook  rwb = Workbook.getWorkbook(stream);//获取文件的指定工作表 默认的第一个Sheet sheet = rwb.getSheet("Sheet1");int rows = sheet.getRows();int cols = sheet.getColumns();double[][] componentMatrix = new double[rows][cols];//原始矩阵//row为行for(int i=0;i<sheet.getRows();i++) {for(int j=0;j<sheet.getColumns();j++) {String[] str = new String[sheet.getColumns()];Cell cell = null;cell = sheet.getCell(j,i);    str[j] = cell.getContents();componentMatrix[i][j] = Double.valueOf(str[j]);}}return componentMatrix;//返回原始矩阵}/*** 数据标准化处理，消除量纲影响* @param componentMatrix 输入原始矩阵* @return normalizedMatrix 返回标准化后的矩阵*/public double[][] normalized(double[][] componentMatrix) {double[][] normalizedMatrix = new double[componentMatrix.length][componentMatrix[0].length];List<Integer> neg = new ArrayList<Integer>();//存储逆向指标所在列double[] max = Max(componentMatrix);double[] min = Min(componentMatrix);int a;for(int i=0; i < componentMatrix.length; i++) {for(int j=0; j < componentMatrix[0].length; j++) {normalizedMatrix[i][j] = (componentMatrix[i][j] - min[j])/(max[j] - min[j]); }}System.out.println("是否有逆向指标？（越小越优型指标）若有输入1，若无输入2");a = input.nextInt();if(a ==1 ) {System.out.println("输入逆向指标所在列(以“/”结尾）：");while(!input.hasNext("/")) {neg.add(Integer.valueOf(input.nextInt()));}for(int i=0; i < componentMatrix.length; i++) {for(int j=0; j < neg.size(); j++) {normalizedMatrix[i][neg.get(j)] = (max[neg.get(j)]-componentMatrix[i][neg.get(j)])/(max[neg.get(j)] - min[neg.get(j)]);}}}return normalizedMatrix;}/*** 计算相关系数矩阵* @param normalizedMatrix 标准化后数据* @return pearson 皮尔逊相关系数矩阵*/public double[][] correlation(double[][] normalizedMatrix){double[][] pearson = new double[normalizedMatrix[0].length][normalizedMatrix[0].length];//皮尔逊相关系数矩阵double[] avr = Average(normalizedMatrix);//每列平均值double[] s = new double[normalizedMatrix[0].length];for(int j=0;j < normalizedMatrix[0].length;j++) {double sum = 0;for(int i=0;i < normalizedMatrix.length;i++){sum += Math.pow(normalizedMatrix[i][j] - avr[j], 2);}s[j] = Math.sqrt(sum/(normalizedMatrix[0].length - 1));}double[][] cxy = new double[normalizedMatrix[0].length][normalizedMatrix[0].length];for(int j=0;j<normalizedMatrix[0].length;j++) {for(int k=0;k<normalizedMatrix[0].length;k++) {double sum = 0;for(int i=0;i<normalizedMatrix.length;i++) {sum += (normalizedMatrix[i][j] - avr[j])*(normalizedMatrix[i][k] - avr[k]);}cxy[j][k] = sum/(pearson.length - 1);pearson[j][k] = cxy[j][k]/(s[j]*s[k]);}}return pearson;}/*** 计算每个指标的信息承载量* @param normalizedMatrix 标准化后的矩阵* @param pearson 皮尔逊相关系数矩阵* @return informationVolume 每个指标的信息承载量*/public double[] information(double[][] normalizedMatrix,double[][] pearson) {double[] informationVolume = new double[normalizedMatrix[0].length];double[] avr = Average(normalizedMatrix);//每列平均值//计算对比强度（标准差）double[] s = new double[normalizedMatrix[0].length];for(int j=0;j < normalizedMatrix[0].length;j++) {double sum = 0;for(int i=0;i < normalizedMatrix.length;i++){sum += Math.pow(normalizedMatrix[i][j] - avr[j], 2);}s[j] = Math.sqrt(sum/(normalizedMatrix[0].length - 1));}//计算冲突性double[] r = new double[normalizedMatrix[0].length];for(int j=0;j<normalizedMatrix[0].length;j++) {double sum = 0;for(int i=0;i<normalizedMatrix[0].length;i++) {sum += 1 - pearson[i][j];}r[j] = sum;}//计算信息量for(int j=0;j<normalizedMatrix[0].length;j++) {informationVolume[j] = s[j]*r[j];}       return informationVolume;}/*** 计算权重* @param informationVolume 每个指标的信息量* @return weight 返回每个指标的权重*/public double[] weight(double[] informationVolume) {double[] weight = new double[informationVolume.length];double sum = 0;for(int i=0;i<informationVolume.length;i++) {sum += informationVolume[i];}for(int i=0;i<informationVolume.length;i++) {weight[i] = informationVolume[i]/sum;}return weight;}/*** 改进算法* @param normalizedMatrix 标准化后的矩阵* @param pearson 皮尔逊相关系数矩阵* @param ewm 熵权法求得的指标熵值* @return*/public double[] weight1(double[][] normalizedMatrix,double[][] pearson,double[] ewm) {double[] informationVolume = new double[normalizedMatrix[0].length];double[] avr = Average(normalizedMatrix);//每列平均值double[] weight = new double[normalizedMatrix[0].length];double[] pear = new double[normalizedMatrix[0].length];//计算对比强度（标准差）double[] s = new double[normalizedMatrix[0].length];for(int j=0;j < normalizedMatrix[0].length;j++) {double sum = 0;for(int i=0;i < normalizedMatrix.length;i++){sum += Math.pow(normalizedMatrix[i][j] - avr[j], 2);}s[j] = Math.sqrt(sum/(normalizedMatrix[0].length - 1));}double total = 0;for(int j=0;j<normalizedMatrix[0].length;j++) {for(int i=0;i<normalizedMatrix[0].length;i++) {pear[j]  += Math.abs(pearson[i][j]);}total += ewm[j] + s[j];}for(int j=0;j<normalizedMatrix[0].length;j++) {informationVolume[j] = ((ewm[j] + s[j])*pear[j])/(total + pear[j]);}double sum = 0;for(int i=0;i<informationVolume.length;i++) {sum += informationVolume[i];}for(int i=0;i<informationVolume.length;i++) {weight[i] = informationVolume[i]/sum;}return weight;}
}

5.2 主类 CRITICmain.java

package critic;import java.io.IOException;
import java.util.Scanner;import Jama.Matrix;
import jxl.read.biff.BiffException;
import jxl.write.WriteException;public class CRITICmain {public static void main(String[] args) throws IOException, BiffException, WriteException {@SuppressWarnings("resource")Scanner input = new Scanner(System.in);CRITIC critic = new CRITIC();double[][] componentMatrix = critic.read("critic.xls");System.out.println("--------------------原始数据矩阵---------------------");Matrix A1 = new Matrix(componentMatrix);A1.print(8, 3);//critic.matrixoutput(componentMatrix);double[][] normalizedMatrix = critic.normalized(componentMatrix);System.out.println("--------------------标准化数据矩阵---------------------");Matrix A = new Matrix(normalizedMatrix);A.print(8, 5);//critic.matrixoutput(normalizedMatrix);double[][] pearson = critic.correlation(normalizedMatrix);System.out.println("--------------------皮尔逊相关系数矩阵---------------------");Matrix B = new Matrix(pearson);B.print(8, 5);//critic.matrixoutput(pearson);double[] informationVolume = critic.information(normalizedMatrix, pearson);System.out.println("--------------------指标信息承载量---------------------");critic.matrixoutput1(informationVolume);double[] weight = critic.weight(informationVolume);System.out.println("--------------------指标权重---------------------");critic.matrixoutput1(weight);double[] ewm = new double[normalizedMatrix[0].length];//熵权法计算所得指标权重System.out.println("输入用熵权法计算所得指标的熵值：");for(int i=0;i<ewm.length ;i++) {ewm[i] = input.nextDouble();}double[] weight1 = critic.weight1(normalizedMatrix,pearson,ewm);System.out.println("--------------------指标权重（改进）---------------------");critic.matrixoutput1(weight1);}
}

权重确定方法五：CRITIC权重法相关推荐

【综合评价方法独立性权系数法】指标权重确定方法之独立性权系数法
参考链接:http://blog.sina.com.cn/s/blog_710e9b550101ansp.html 三.综合评价模型建立步骤 1.综合评价模式是一种对一个或多个系统进行评价的模型.一般 ...
【综合评价方法变异系数权重法】指标权重确定方法之变异系数权重法
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,这样的指标更难反映被评价单 ...
【综合评价方法熵权法】指标权重确定方法之熵权法
参考链接:http://blog.sina.com.cn/s/blog_710e9b550101aqnv.html 实战例子: 某医院为了提高自身的护理水平,对拥有的11个科室进行了考核,考核标准包括 ...
【1.2】评价类模型之层次分析法中判断矩阵的填写方法、一致性检验的步骤、以及根据判断矩阵计算权重的方法
目录: 准则层判断矩阵怎么填写方案层判断矩阵怎么填写关于判断矩阵和一致矩阵的知识点补充一致性检验的步骤怎样通过判断矩阵去计算权重(三种方法),及相应的代码示例准则层判断矩阵的填写: 填写准则 ...
权重初始化与预训练权重
权重初始化 1.什么是权重初始化权重初始化(weight initialization)又称参数初始化,在深度学习模型训练过程的本质是对weight(即参数 W)进行更新,但是在最开始训练的时候是无 ...
权重确定方法之主成分分析法
转载自:http://www.itongji.cn/article/042620032013.html 什么是权重呢?所谓权重,是指某指标在整体评价中的相对重要程度.权重越大则该指标的重要性越高,对整 ...
和积法用MATLAB怎么做,权重确定方法归纳解读
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 ...
客观赋权法——CRITIC权重法【Python实现】
理论部分不介绍,可以看之前的文章客观赋权法--CRITIC权重法 Python实现是用jupyter做的,做得比较糙,直接截图了,有需要jupyter文件的可以私信. 注:数据乱造的,看过程就行
Python：多指标权重确定方法—熵值法
Python:多指标权重确定方法-熵值法一.需准备的资料 1.一份excel的数据表格,列为指标(评价指标),行为城市(研究对象,也可以是年份,) city GDP:亿元x.1 人口(万)x.2 城 ...
客观赋权法——CRITIC权重法
一.概念 CRITIC法是一种比熵权法和标准离差法更好的客观赋权法. 它是基于评价指标的对比强度和指标之间的冲突性来综合衡量指标的客观权重.考虑指标变异性大小的同时兼顾指标之间的相关性,并非数字越大就 ...

权重确定方法五：CRITIC权重法

1.原理介绍

2.步骤详解

2.1 获取数据

2.2 数据标准化

2.3 计算信息承载量

2.4 计算权重

3.案例分析

3.1 数据获取

3.2 数据标准化

3.3 计算相关系数

3.4 计算信息承载量

3.5 计算权重

4.算法改进

5.完整代码

5.1 方法类 CRITIC.java

5.2 主类 CRITICmain.java

权重确定方法五：CRITIC权重法相关推荐

最新文章

热门文章