评价方法.docx
《评价方法.docx》由会员分享,可在线阅读,更多相关《评价方法.docx(9页珍藏版)》请在冰点文库上搜索。
评价方法
有哪些评价方法评价方法的步骤
综合评价法:
层次分析法、模糊综合评价、逼近于理想解的排序技术TOPSIS、秩和比法(RSR)、灰色综合评价;主成分分析;因子分析。
一.综合评价的一般步骤
1确定综合评价的目的
2确定评价指标/评价指标体系
3确定各个评价指标的权重
4确定评价指标的同向化和同度量化方法
5建立/选择评价模型
6计算综合评价值并进行排序或分类
二.层次分析法(AHP)一般步骤
1.建立层次结构模型:
包括目标层,准则层,方案层。
2.构造成对比较矩阵:
从第二层开始用比较矩阵和1~9尺度。
3.计算单排序权向量并做一致性检验
对每个成对比较矩阵计算最大特征值及其对应的特征向量,利用一致性指标、随机一致性指标和一致性比率做一致性检验。
若检验通过,特征向量(归一化后)即为权向量;若不通过,需要重新构造成对比较矩阵。
4.计算总排序权向量并做一致性检验
计算最下层对最上层总排序的权向量。
利用总排序一致性比率进行检验。
若通过,则可按照总排序权向量表示的结果进行决策,否则需要重新考虑模型或重新构造那些一致性比率CR较大的成对比较矩阵。
三.模糊综合评价
1.建立因素集
因素集是指以所评价系统中影响评判的各种因素(指标/着眼点)为元素所组成的有限集合,通常用U表示,即:
U={u1,u2,…,um}。
各元素ui(i=1,2,…,m)即代表各影响因素。
2.确定因素集权重(确定权重集)
一般说来,因素集U中的各因素对安全系统的影响程度是不一样的。
为了反映各因素的重要程度,对各个因素应赋予一相应的权数。
由各权数所组成集合:
A={a1,a2,…,am},A称为因素权重集,简称权重集。
各权数比应满足归一性和非负性条件,它们可视为各因素对"重要”的隶属度。
因此,权重集是因素集上的模糊子集。
一般使用专家共同讨论、两两对比法、AHP方法。
3.建立评语集(等级集)
评语集是评判者对评判对象可能作出的各种总的评判结果(将评语化划分为若干有限等级)所组成的有限集合,即:
V=(v1,v2,…,vn),各元素vi即代表各种可能的总评判结果。
4.单因素模糊评判(构建评判矩阵)
单独从一个因素进行评判,以确定评判对象对评判集元素的隶属度,称为单因素模糊评判。
设对因素集U中第i个因素ui进行评判,对评判集V中第j个元素vj的隶属度为rij,则按第i个因素集的评判结果,可得模糊集合Ri=(ri1,ri2,…,rin),同理,可得到相应于每个因素的单因素评判集R。
将各单因素评判集的隶属度行组成矩阵R,即为评判(决策)矩阵,模糊矩阵。
5.模糊综合决策
要综合考虑所有因素的影响,通过模糊变换得出正确的评判结果,这就是模糊综合决策。
如果已给出决策矩阵R,再考虑各因素的重要程度,即给定隶属函数或权重集A,则模糊综合决策模型为:
B=A⊙R。
(模糊综合评价一般步骤简略答案)
1建立因素集
2确定因素集权重(确定权重集)
3建立评语集(等级集)
4单因素模糊评判(构建评判矩阵)
5模糊综合决策
四.逼近于理想解的排序技术TOPSIS一般步骤
1.构造(同趋势化/同向化)初始矩阵
原始数据同趋化:
目的是使各个指标的方向一致。
通常采用低优指标向高优指标转化的方法,绝对数一般采用倒数法(即1/x),相对数一般采用差数法(即1-x)。
2、归范化/标准化
用向量规范化的方法求得规范决策矩阵,规范化的方法主要有:
线性变换、标准0-1变换、Logistic模式等。
3、构造加权规范阵
其中,确定指标权重通常有:
主观方法,如专家打分法、层次分析法、经验判断法等;客观方法,如熵权计算法、主成分分析法等。
4、确定正理想解和负理想解
负理想解由加权规范阵中每列中的最小值构成,正理想解由加权规范阵中每列中的最大值构成。
5、计算各个方案到理想解、负理想解的距离
TOPSIS法所用的是欧氏距离
6、计算各个方案与理想解的相对接近度
a)相对接近度=负向距离/(正、负向距离之和)。
此时越大越好
b)也可以使用正向距离作为分子,此时相对接近度越小越好
7.排序,评优劣。
(TOPSIS一般步骤简略答案)
①指标同趋势化;
②规范化/归一化处理,并构造加权规范矩阵;
③确定正理想解和负理想解;
④计算评价对象与正理想解和负理想解间的距离;
⑤计算各评价对象与最优方案的接近程度;
⑥依接近程度对各评价对象进行排序,确定评价效果。
五.秩和比法RSR一般步骤
1.列出原始数据表并编秩
将n个评价对象的m个评价指标排列成n行m列的原始数据表。
编出每个指标各评价对象的秩,其中效益型指标从小到大编秩,成本型指标从大到小编秩,同一指标数据相同者编平均秩。
2.计算秩和比(RSR)/加权秩和比,并直接排序
根据公式计算秩和比,当各评价指标的权重不同时,计算加权秩和比(WRSR)。
通过秩和比(RSR)值的大小,就可对评价对象进行综合排序。
但是在通常情况下,特别是当评价对象很多时,还需要对评价对象进行分档,由此应首先找出RSR的分布。
3.确定RSR的分布(计算概率单位)
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:
①编制RSR频数分布表,列出各组频数ƒ,计算各组累计频数∑ƒ;
②确定各组RSR的秩次范围R及平均秩次;
③计算累计频率,最后累积按照(1-1/kn)校正;
④将百分率P换算为概率单位Probit,Probit为百分率P对应的标准正态离差u加5。
4.计算直线回归方程
以累积频率所对应的概率单位Probiti为自变量,以RSRi(或WRSRi)值为因变量,计算直线回归方程
5.分档排序
按照回归方程推算所对应的RSR(WRSR)估计值对评价对象进行分档排序。
分档依据为标准正态离差,其范围以设定-3~3为宜。
依据各分档情况下概率单位Probit值,按照回归方程推算所对应的RSR估计值对评价对象进行分档排序。
具体分档数由研究者根据实际情况决定。
(秩和比法RSR一般步骤简略答案)
第1步:
列出原始数据表并编秩
第2步:
计算秩和比(RSR)或者加权秩和比
第3步:
确定RSR的分布(计算概率单位)
第4步:
计算直线回归方程
第5步:
分档排序
六.灰色综合评价一般步骤
1.根据评价目的确定评价指标体系,收集评价数据。
2.确定参考数据列/最优指标集
参考数据列应该是一个理想的比较标准,可以以各指标的最优值(或最劣值)构成参考数据列,也可根据评价目的选择其它参照值
3.对指标数据进行无量纲化
常用的无量纲化方法包括:
标准化函数方法、初值化方法和均值化方法
4.逐个计算每个被评价对象指标序列(比较序列)与参考序列对应元素的绝对差值,(k=1,2,3,…m,i=1,2,3,…n,)为被评价对象的个数。
5.确定两极最小差和两极最大差
6.计算关联系数
分别计算每个比较序列与参考序列对应元素的关联系数.
7.计算关联序/关联度
对各评价对象(比较序列)分别计算其个指标与参考序列对应元素的关联系数的均值,以反映各评价对象与参考序列的关联关系,并称其为关联序
8.如果各指标在综合评价中所起的作用不同,可对关联系数求加权平均值
9.依据各观察对象的关联序,得出综合评价结果.
七.主成分分析一般步骤
1对原来的p个指标进行标准化(描述统计—保存标准化变量),以消除变量在水平和量纲上的影响)
2计算原始变量的协方差或相关系数矩阵R。
判断是否适合做主成分分析
3计算协方差矩阵或相关系数矩阵R的特征值λ(主成份的方差),并按从大到小的顺序排列,记为
4计算特征值对应的特征向量,主成分的线性组合中各系数aij即为特征向量;特征向量是主成分F1…Fp相应的系数。
5计算出主成分得分。
根据线性组合中各特征向量和各原始指标标化值Zi的大小,可以求得各主成分得分大小,进而可以把各个主成分看作新的变量代替原始变量,从而达到降维的目的。
注:
特征根即各主成分所提供信息的多少,常用方差表示
对于第k个主成分,其对方差的贡献率为
前k个主成分贡献率的累计值称为累计贡
献率(主轴总长度占所有主轴长度之和)。
主成分个数的确定,总的要求是被选中的主成分累计贡献率占总方差大部分。
通常有两种方式:
1、根据大于1的特征值的个数确定主成分的个数;
2、根据主成分的累计贡献率确定主成分的个数,使累计贡献率>85%或者其他值。
最常见的情况是主成分的个数为2-3个,但由于存在变量之间相关性很差的情况,因此要视实际情况而定
八、因子分析一般步骤
(1)将原始数据标准化(SPSS运算会自动执行)
(2)确定待分析的原有若干变量是否适合于因子分析
(3)计算相关矩阵的特征根和单位特征向量
(4)提取因子并构造因子变量方程。
(5)利用旋转使得因子变量更具有可解释性。
(6)计算因子变量的得分,并据此进行其他分析。
因子个数的确定
特征值准则:
特征值大于等于1的主成分作为初始因子,放弃特征值小于1的主成分.因为每个变量的方差为1,该准则认为每个保留下来的因子应该能解释一个变量的方差,否则达不到精减的目的。
碎石检验准则:
按照因子被提取的顺序,画出因子的特征值随因子个数变化的散点图,根据图形来判断因子的个数
因子累积解释方差的比例:
达到85%以上。
实际中结合几个准则进行判断。
多元统计分析用途
1.数据或结构性化简(降维)
尽可能简单地表示所研究的现象,但不损失很多有用的信息,并希望这种表示能够很容易的解释。
可用方法:
多元回归分析、聚类分析、主成分分析、因子分析、相应分析、多维标度法、可视化分析
2.分类和组合
基于所测量到的一些特征,给出好的分组规则,对相似的对象或变量分组。
可用方法:
判别分析、聚类分析、主成分分析、可视化分析
3.变量之间的关系
内容:
变量之间是否存在互动关系,又是如何相互影响的。
可用方法:
多元回归、典型相关、主成分分析、因子分析、相应分析、多维标度法、可视化分析、结构方程
4.预测与决策
内容:
通过统计模型或最优准则,对未来进行预见或判断。
可用方法:
多元回归、判别分析、聚类分析、可视化分析、神经网络、时间序列,马尔科夫概型分析
5.假设的提出及检验
内容:
检验由多元总体参数表示的某种统计假设,能够证实某种假设条件的合理性。
可用方法:
多元总体参数估计、假设检验
6.信息提取
内容:
在海量、复杂的数据中提取有效的信息和知识,为管理决策服务。
可用方法:
主成分分析、引资分析、多维数据的图示法
(多元统计分析简略答案)
(1)数据或结构性化简(降维)
(2)分类和组合
(3)变量之间的相关关系
(4)预测与决策
(5)假设的提出及检验
(6)信息的提取