【指数编制系列三】权重设置方法 您所在的位置:网站首页 简单排序编码法有哪些 【指数编制系列三】权重设置方法

【指数编制系列三】权重设置方法

2024-06-20 02:28| 来源: 网络整理| 查看: 265

    在指数编制方法中,我们会经常提到加权平均法(这个在后面会介绍),这里面有一个重要的概念就是权重。权重的设定在指数编制过程中是非常重要的一步,适当的权重设定是指数客观准确反映目标变化趋势的一个关键要素。所以在设定权重的时候一定要选择合适的方法。

    权重是一个相对的概念,是针对某一指标而言。某一指标的权重是指该指标在整体评价中的相对重要程度。权重表示在评价过程中,是被评价对象的不同侧面的重要程度的定量分配,对各评价因子在总体评价中的作用进行区别对待。事实上,没有重点的评价就不算是客观的评价。

    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。

    确定权重的方法有多种,下面按照主观赋权和客观赋权的方法进行分类介绍。

一.主观赋权方法 排序编码法 这种方法通过管理者对各项考评因素的重视程度进行排序编码,然后确定权重的一种简单的方法,需要管理者从过去的历史数据及个人的经验对各项考评项目作出正确的排序。 比如在绩效考核过程中,某一职位有四个KPI的考评因素,分别为A,B,C,D,依企业的要求及目标设定者的经验,各项考评因素的重要性排序为 B,D,C,A;然后再按照自然数顺序由大到小对其进行分配,分别为4,3,2,1。然后将权数归一化,最后结果为 A:1/(4+3+2+1)=0.1;B:4/(4+3+2+1)=0.4 C:2/(4+3+2+1)=0.2;D:3/(4+3+2+1)=0.3。 这种简单排序编码法计算权数的方法简单,但也存在主观因素,存在一定的不合理性。但至少它比管理者单纯地依据自身经验进行设定的方式要客观一些。倍数环比法 倍数环比法首先将各个考评因素随机排列,然后按照顺序对各项因素进行比较,得出各因素重要度之间的倍数关系,又称环比比率,再将环比比率进行统 一转换为基准值,最后进行归一化处理,确定其终权重。这种方法需要对考评因素有客观的判断依据,需要有客观准确的历史数据作为支撑。 以上述四个因素为例,如下表。 在这里插入图片描述 说明:表格第二行,0.3表示A的重要性是B的0.3倍;2表示B的要性是C的2倍,0.55表示C的重要性是D的0.55倍;1表 示D本身。第三行,是以D为基准进行的比率归一化,因C的重要性是D的0.55倍,因此取值为0.551=0.55;B是C的2倍,所以取值为 0.552=1.1;以下类推。最终权重则以合计数为分母,各基准值为分子算出。 这种倍数环比法决定权重的方法较为实用,计算也简单,由于有准确的历史数据作支撑,因此具有较高的客观科学性。德尔菲法 德尔菲(Delphi)法是美国兰德公司于1964 年发明并首先将其应用于预测分析的,是以古希腊城市德尔菲命名的规定程序专家评估方法。 德尔菲法是一种群体决策行为,具有匿名性、反馈性和统计性的特点,本质上是建立在众多专家的专业知识、经验和主观判断能力基础上的,因此,特别适用于缺少信息资料和历史数据,而又较多地受到其他因素影响的信息分析与预测。德尔菲法通过一个多次与专家交互的循环过程,使分散的意见逐次收敛在协调一致的结果上,充分发挥了信息反馈和信息控制的作用。     德尔菲法的流程为: (1)明确评估目标 明确进行效能评估的目标,借助人的逻辑思维和经验能对目标的评价收到很好的效果。 (2)选聘专家 专家的权威程度要高,有独到的见解,有丰富的经验和较高的理论水平,这样才能提供正确的意见和有价值的判断。这是很重要的一步,选得好不好将直接影响到结果的准确性。一般情况下,选本专业领域中既有实际工作经验又有较深理论修养的专家10~30人左右,并需征得专家本人的同意。 (3)发布问题 发布需要专家评估的问题,将待定权重的p个指标和有关资料以及统一的确定权重的规则发给选定的各位专家,请他们独立的给出各指标的权数值。 (4)专家对问题进行评估 专家采用匿名或“背靠背”的形式进行评估,专家根据评估规则回答问题,并说明回答问题的依据,按照该程序完成对所有问题的回答。传统德尔菲法的调查程序,一般为4 轮。系统将第1 轮的调查结果生成报表或文档,调查结果包括每位专家对问题的回答以及回答问题的依据,将调查结果分发给每位专家,在此基础上再进行第2 轮的调查,调查方法与第1 轮相似,再完成第3 轮和第4 轮的调查。 (5)对获取的专家知识进行处理 以专家的原始意见为基础,建立专家意见集成的优化模型,综合考虑一致性和协调性因素,同时满足整体意见收敛性的要求,找到群体决策的最优解或满意解,获得具有可信度指标的结论,达到专家意见集成的目的。直至各指标权数与其均值的离差不超过预先给定的标准为止,也就是各专家的意见基本趋于一致,以此时各指标权数的均值作为该指标的权重。层次分析法 层次分析法(Analytic Hierarchy Process)简称AHP,是美国运筹学家T. L. Saaty教授于70年代初期提出的, AHP是对定性问题进行定量分析的一种简便、灵活而又实用的多准则决策方法。它的特点是把复杂问题中的各种因素通过划分为相互联系的有序层次,使之条理化,根据对一定客观现实的主观判断结构(主要是两两比较)把专家意见和分析者的客观判断结果直接而有效地结合起来,将每个层次元素两两比较的重要性进行定量描述。而后,利用数学方法计算反映每一层次元素的相对重要性次序的权值,通过所有层次之间的总排序计算所有元素的相对权重并进行排序。

层次分析法的基本步骤:

    1、建立层次结构模型。在深入分析实际问题的基础上,将有关的各个因素按照不同属性自上而下地分解成若干层次,同一层的诸因素从属于上一层的因素或对上层因素有影响,同时又支配下一层的因素或受到下层因素的作用。最上层为目标层,通常只有1个因素,最下层通常为方案或对象层,中间可以有一个或几个层次,通常为准则或指标层。当准则过多时(譬如多于9个)应进一步分解出子准则层。     2、构造成对比较阵。从层次结构模型的第2层开始,对于从属于(或影响)上一层每个因素的同一层诸因素,用成对比较法和1—9比较尺度构造成对比较阵,直到最下层。        3、计算权向量并做一致性检验。对于每一个成对比较阵计算最大特征根及对应特征向量,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,需重新构造成对比较阵。        4、计算组合权向量并做组合一致性检验。计算最下层对目标的组合权向量,并根据公式做组合一致性检验,若检验通过,则可按照组合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较大的成对比较阵。

    在应用层次分析法时,必须满足以下几个前提:

    1.各层的要素必须是已知的,并且条理结构清晰,能够按层次区分排列;2.同一层中的各要素的关系是平等的,而各要素间相互独立,不存在显著的相关性;3.最底层的指标可以被量化,并能够通过一定的方法测量;4.需要明确各层次间要素的影响关系。

    层次分析法在指数编制中是较为常用的一种方法,这种虽然说打分过程是主观判断的,但是整个计算过程相对科学和完整,具有较强的应用性。因为打分过程是个相对比较的过程,能够较好的避免主观误差。下面直接贴一个代码,大家可以直接用,只需将代码中的打分矩阵替换一下就可以用。

# -*- coding: utf-8 -*- #a,b,c,d,f为二级指标的打分矩阵,e为一级指标的打分矩阵,根据需要进行更换使用。 import numpy as np RI_dict = {1: 0, 2: 0, 3: 0.58, 4: 0.90, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45} def get_w(array): row = array.shape[0] # 计算出阶数 a_axis_0_sum = array.sum(axis=0) # print(a_axis_0_sum) b = array / a_axis_0_sum # 新的矩阵b # print(b) b_axis_0_sum = b.sum(axis=0) b_axis_1_sum = b.sum(axis=1) # 每一行的特征向量 # print(b_axis_1_sum) w = b_axis_1_sum / row # 归一化处理(特征向量) nw = w * row AW = (w * array).sum(axis=1) # print(AW) max_max = sum(AW / (row * w)) # print(max_max) CI = (max_max - row) / (row - 1) CR = CI / RI_dict[row] if CR


【本文地址】

公司简介

联系我们

今日新闻

    推荐新闻

    专题文章
      CopyRight 2018-2019 实验室设备网 版权所有