熵值法属于研究方法

㈠ 熵值法spss具体步骤是什么

熵值法的计算公式上会有取对数，因此如果小于等于0的数字取对数，则会出现null值。此种情况共有两种办法。

第一种：SPSSAU非负平移功能是指，如果某列（某指标）数据出现小于等于0，则让该列数据同时加上一个‘平移值’【该值为某列数据最小值的绝对值+0.01】，以便让数据全部都大于0，因而满足算法要求。

第二种：研究者也可以手工查看数据并将小于等于0的数据设置为异常值，但此种做法会让样本减少。

(1)熵值法属于研究方法扩展阅读：

由于各项指标的计量单位并不统一，因此在用它们计算综合指标前，我们先要对它们进行标准化处理，即把指标的绝对值转化为相对值，从而解决各项不同质指标值的同质化问题。而且，由于正向指标和负向指标数值代表的含义不同（正向指标数值越高越好，负向指标数值越低越好） ，因此，对于高低指标我们用不同的算法进行数据。

㈡ 分类数据分析中的拟合优度检验

知识图谱
继续我们的知识总结，本文总结包括：多选题研究、聚类分析研究、权重研究、非参数检验、数据分布。
查看本系列之前的文章，可点击下面的链接：论文里的分析方法要用哪一种，SPSSAU告诉你答案论文常用数据分析方法分类总结-2
11. 多选题研究
多选题分析-SPSSAU
多选题分析可分为四种类型包括：多选题、单选-多选、多选-单选、多选-多选。
“多选题分析”是针对单个多选题的分析方法，可分析多选题各项的选择比例情况
“单选-多选”是针对X为单选，Y为多选的情况使用的方法，可分析单选和多选题的关系。
“多选-单选”是针对X为多选，Y为单选的情况使用的方法。
“多选-多选”是针对X为多选，Y为多选的情况使用的方法。
12. 聚类分析
聚类分析-SPSSAU
聚类分析以多个研究标题作为基准，对样本对象进行分类。
如果是按样本聚类，则使用SPSSAU的进阶方法模块中的“聚类”功能，系统会自动识别出应该使用K-means聚类算法还是K-prototype聚类算法。
如果是按变量（标题）聚类，此时应该使用分层聚类，并且结合聚类树状图进行综合判定分析。
13. 权重研究
权重研究-SPSSAU
权重研究是用于分析各因素或指标在综合体系中的重要程度，最终构建出权重体系。权重研究有多种方法包括：因子分析、熵值法、AHP层次分析法、TOPSIS、模糊综合评价、灰色关联等。
因子分析：因子分析可将多个题项浓缩成几个概括性指标（因子），然后对新生成的各概括性指标计算权重。
熵值法：熵值法是利用熵值携带的信息计算每个指标的权重，通常可配合因子分析或主成分分析得到一级权重，利用熵值法计算二级权重。
AHP层次分析法：AHP层次分析法是一种主观加客观赋值的计算权重的方法。先通过专家打分构造判断矩阵，然后量化计算每个指标的权重。
TOPSIS法：TOPSIS权重法是一种评价多个样本综合排名的方法，用于比较样本的排名。
模糊综合评价：是通过各指标的评价和权重对评价对象得出一个综合性评价。
灰色关联：灰色关联是一种评价多个指标综合排名的方法，用于判断指标排名。
14. 非参数检验
非参数检验-SPSSAU
非参数检验用于研究定类数据与定量数据之间的关系情况。如果数据不满足正态性或方差不齐，可用非参数检验。
单样本Wilcoxon检验用于检验数据是否与某数字有明显的区别。
如果X的组别为两组，则使用MannWhitney统计量，如果组别超过两组，则应该使用Kruskal-Wallis统计量结果，SPSSAU可自动选择。
如果是配对数据，则使用配对样本Wilcoxon检验
如果要研究多个关联样本的差异情况，可以用多样本Friedman检验。
如果是研究定类数据与定量（等级）数据之间的差异性，还可以使用Ridit分析。
15. 数据分布
数据分布-SPSSAU
判断数据分布是选择正确分析方法的重要前提。
正态性：很多分析方法的使用前提都是要求数据服从正态性，比如线性回归分析、相关分析、方差分析等，可通过正态图、P-P/Q-Q图、正态性检验查看数据正态性。
随机性：游程检验是一种非参数性统计假设的检验方法，可用于分析数据是否为随机。
方差齐性：方差齐检验用于分析不同定类数据组别对定量数据时的波动情况是否一致，即方差齐性。方差齐是方差分析的前提，如果不满足则不能使用方差分析。
Poisson分布：如果要判断数据是否满足Poisson分布，可通过Poisson检验判断或者通过特征进行判断是否基本符合Poisson分布（三个特征即：平稳性、独立性和普通性）
卡方拟合优度检验：卡方拟合优度检验是一种非参数检验方法，其用于研究实际比例情况，是否与预期比例表现一致，但只针对于类别数据。
单样本T检验：单样本T检验用于分析定量数据是否与某个数字有着显着的差异性。
上述分析方法均可在SPSSAU中使用分析，以及相关方法问题可查看SPSSAU帮助手册。

㈢ 如何用熵权法计算权重

熵权法是一种客观赋权方法。十分复杂，计算步骤如下：

1、构建各年份各评价指标的判断矩阵。

2、将判断矩阵进行归一化处理, 得到归一化判断矩阵。

3、根据熵的定义，根据各年份评价指标，可以确定评价指标的熵。

4、定义熵权。定义了第n个指标的熵后，可得到第n个指标的熵权。

5、计算系统的权重值。

根据信息熵的定义，对于某项指标，可以用熵值来判断某个指标的离散程度，其信息熵值越小，指标的离散程度越大， 该指标对综合评价的影响（即权重）就越大，如果某项指标的值全部相等，则该指标在综合评价中不起作用。

因此，可利用信息熵这个工具，计算出各个指标的权重，为多指标综合评价提供依据。

注意事项：

系统由有序转变为无序被的过程是熵增，比如系的鞋带会开；家中铺的很整齐的床单睡过后会变乱。

“热力学第二定律”热量可以自发地从较热的物体传递到较冷的物体，但不可能自发地从较冷的物体传递到较热的物体。

比如一滴墨滴进清水，清水会变黑；一个热的物体和一个冷的物体放在一起，热的物体会变冷，冷的物体会变热.....物理系统总是会趋向平衡状态。

一个系统的温度是不均匀的，它慢慢趋向均匀；一个溶液的浓度是不均匀的，同样它会慢慢趋向均匀。

㈣ 除了主成分分析法还有什么确定多变量权重的方法

权重计算的确定方法在综合评价中重中之重，不同的方法对应的计算原理并不相同。在实际分析过程中，应结合数据特征及专业知识选择适合的权重计算。

• 第一类为AHP层次法和优序图法；此类方法利用数字的相对大小信息进行权重计算；此类方法为主观赋值法，通常需要由专家打分或通过问卷调研的方式，得到各指标重要性的打分情况，得分越高，指标权重越大。

此类方法适合于多种领域。比如想构建一个员工绩效评价体系，指标包括工作态度、学习能力、工作能力、团队协作。通过专家打分计算权重，得到每个指标的权重，并代入员工数据，即可得到每个员工的综合得分情况。

• 第二类为熵值法（熵权法）；此类方法利用数据熵值信息即信息量大小进行权重计算。此类方法适用于数据之间有波动，同时会将数据波动作为一种信息的方法。

比如收集各地区的某年份的经济指标数据，包括产品销售率（X1）、资金利润率（X2）、成本费用利润率（X3）、劳动生产率（X4）、流动资金周转次数（X5），用熵值法计算出各指标权重，再对各地区经济效益进行比较。

• 第三类为CRITIC、独立性权重和信息量权重；此类方法主要是利用数据的波动性或者数据之间的相关关系情况进行权重计算。

比如研究利用某省医院2011年共计5个科室的数据指标（共计6个指标数据）进行CRITIC权重计算，最终可得到出院人数、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、出院者平均住院日这6个指标的权重。如果希望针对各个科室进行计算综合得分，那么可以直接将权重与自身的数据进行相乘累加即可，分值越高代表该科室评价越高。

• 第四类为因子分析和主成分法；此类方法利用了数据的信息浓缩原理，利用方差解释率进行权重计算。

比如对30个地区的经济发展情况的8项指标作主成分分析，主成分分析法可以将8个指标浓缩为几个综合指标（主成分），用这些指标（主成分）反映原来指标的信息，同时利用方差解释率得出各个主成分的权重。

㈤ 熵值法得出的结果全是0

熵值法的计算公式上会有取对数，因此如果小于等于0的数字取对数，则会出现null值。
此种情况共有两种办法。 第一种：对数值为0的指标非负平移，如果某列（某指标）数据出现小于等于0，则让该列数据同时加上一个‘平移值’【该值为某列数据最小值的绝对值+0.01】，以便让数据全部都大于0，因而满足算法要求。 第二种：研究者也可以手工查看数据并将小于等于0的数据设置为异常值，这种做法会让样本减少。 SPSSAU这两种方法都有提供，在综合评价》熵值法，可以进行分析。

㈥ 客观赋权法

客观赋权法主要有变异系数法、熵值法和多元统计分析法，其原始数据来自评估矩阵的数据。它的基本原理是利用指标的观测值进行赋权，权重的确定完全由统计数据得出。这类方法切断了权重系数的主观性来源，使系数具有绝对的客观性，但却容易出现 “重要指标的权重系数小而不重要指标的权重指标系数大”的不合理现象。

（一）变异系数法

变异系数法的基本思想是：在通过指标体系进行评估时，指标体系中各指标所包含的信息量不同，即各指标对被评估对象的区分能力不同。一般来讲，如果一个指标能够明确区分其他指标，则该指标与其他指标的差异大，说明该指标包含的信息量大，应该赋予该指标较大的权重；反之，则应赋予较小的权重。在统计学中，指标的变异信息量常用方差衡量，但由于指标量纲和数量级的差异，各指标的方差不具有可比性。因此，选用各指标的变异系数作为衡量指标变异信息量大小的指标。将各指标的变异系数做归一化处理，就可得到各指标的权重。具体过程如下：

设指标体系由m个指标组成，有n个参评样本，计算出各指标的均值和方差：

地质资料社会化服务评估研究

则各指标的变异系数为：

地质资料社会化服务评估研究

对V_i做归一化处理，即可得出各指标的权重w_i

地质资料社会化服务评估研究

（二）熵值法

熵是信息论中测量不确定性的量，信息量越大，不确定性就越小，熵也就越小。反之，信息量越小，不确定性就越大，熵也就越大。熵值法就是用指标熵值来确定权重大小的方法。一般的，将评估对象集记为｛A_i｝（i＝1，2，…，m），用于评估的指标集记为｛X_j｝（j＝1，2，…，n），用x_ij表示第i个方案第j个指标的原始值。熵值法的计算过程为：

（1）将x_ij做正向化处理，并计算第j个指标第i个方案所占的比重p_ij

地质资料社会化服务评估研究

（2）计算第j个指标的熵值ej

地质资料社会化服务评估研究

（3）计算第j个指标的差异系数g_j

地质资料社会化服务评估研究

（4）计算第j个指标的权重w_j

地质资料社会化服务评估研究

熵值法是突出局部差异的权重计算方法，是根据同一指标观测值之间的差异程度来反映其重要程度的。这种方法，有时可能造成重要指标的权重系数小而不重要指标的权重系数大的不合理现象。

（三）多元统计分析法

多元统计分析法是处理多变量数据的有力工具，在构建评估指标体系的权重时，主要使用到主成分分析法和因子分析法。

1.主成分分析法（Principal component analysis）

用主成分分析法进行多指标综合评价的基本原理是通过适当的数学变换使新的指标成为原有指标的线性组合，并用较少的指标（主成分）代替原有指标，主成分之间相互独立。可以证明：指标的协方差矩阵的第k个特征值等于第k个主成分的方差（k＝1，2，…，n）；其对应的特征向量是第k个主成分的相应系数；并且主成分按照方差大小顺序排列。因此，第一主成分代表原有指标的信息最多，第二主成分次之，根据此原理，利用主成分能构造综合指数。

主成分分析确定权重的步骤如下：

（1）原始指标数据标准化；

（2）计算指标间的相关系数矩阵R；

（3）计算R的特征根和特征向量；

（4）根据主成分的方差贡献率 确定主成分个数p；

（5）将p个主成分综合为综合指数。

2.因子分析法（Factor analysis）

用因子分析法确定权重的原理是：从所研究的全部原始变量中，将有关信息集中起来，通过讨论相关矩阵的内部依赖关系，将多指标综合成少数因子（综合指标），再现指标与因子之间的相关关系，并进一步分析这些相关关系的内部原因。因子分析法确定权重的步骤是：

（1）原始指标数据标准化；

（2）计算指标间的相互关系矩阵R；

（3）计算R的特征根和特征向量；

（4）根据方差贡献率 （α一般取85％）确定特征根的个数和和相应的特征向量U_i（i＝1，2，…，m），利用m个特征值和特征向量建立初始因子载荷矩阵 ；

（5）建立因子模型：

地质资料社会化服务评估研究

式中f₁，f₂，…，f_m为公共因子；ξ为特殊因子。

（6）对初始因子载荷矩阵进行旋转变换，使载荷矩阵结构简单，关系明确。如果初始因子间不相关，采用方差进行极大正交旋转；如果因子间有相关关系，则进行斜交旋转。通过旋转得到比较理想的因子在乎矩阵A_l＝（a_i，j）_n×m；

（7）将因子表示为变量的线性组合，由最小二乘法估计求出因子得分系数矩阵：

地质资料社会化服务评估研究

（8）确定权重。指标x_j的权重是 其中 为方差贡献率，将β_i归一化为x_j的权重。

㈦ 不知道怎样计算权重告诉你8种确定权重方法

计算权重是一种常见的分析方法，在实际研究中，需要结合数据的特征情况进行选择，比如数据之间的波动性是一种信息量，那么可考虑使用CRITIC权重法或信息量权重法；也或者专家打分数据，那么可使用AHP层次法或优序图法。

本文列出常见的权重计算方法，并且对比各类权重计算法的思想和大概原理，使用条件等，便于研究人员选择出科学的权重计算方法。

首先列出常见的8类权重计算方法，如下表所示：

这8类权重计算的原理各不相同，结合各类方法计算权重的原理大致上可分成4类，分别如下：

第一类、信息浓缩 (因子分析和主成分分析)

计算权重时，因子分析法和主成分法均可计算权重，而且利用的原理完全一模一样，都是利用信息浓缩的思想。因子分析法和主成分法的区别在于，因子分析法加带了‘旋转’的功能，而主成分法目的更多是浓缩信息。

‘旋转’功能可以让因子更具有解释意义，如果希望提取出的因子具有可解释性，一般使用因子分析法更多；并非说主成分出来的结果就完全没有可解释性，只是有时候其解释性相对较差而已，但其计算更快，因而受到广泛的应用。

比如有14个分析项，该14项可以浓缩成4个方面(也称因子或主成分)，此时该4个方面分别的权重是多少呢？此即为因子分析或主成分法计算权重的原理，它利用信息量提取的原理，将14项浓缩成4个方面（因子或主成分），每个因子或主成分提取出的信息量（方差解释率）即可用于计算权重。接下来以SPSSAU为例讲解具体使用因子分析法计算权重。

如果说预期14项可分为4个因子，那么可主动设置提取出4个因子，相当于14句话可浓缩成4个关键词。

但有的时候并不知晓到底应该多少个因子更适合，此时可结合软件自动推荐的结果和专业知识综合进行判断。点击SPSSAU‘开始分析’后，输出关键表格结果如下：

上表格中黄色底纹为‘旋转前方差解释率’，其为没有旋转前的结果，实质上就是主成分的结果。如果是使用因子分析，一般使用‘旋转后方差解释率’对应的结果。

结果中方差解释率%表示每个因子提取的信息量，比如第1个因子提取信息量为22.3%，第2个因子为21.862%，第3个因子为18.051%，第4个因子为10.931%。并且4个因子累积提取的信息量为73.145%。

那么当前4个因子可以表述14项，而且4个因子提取出14项的累积信息量为73.145%。现希望得到4个因子分别的权重，此时可利用归一化处理，即相当于4个因子全部代表了整体14项，那么第1个因子的信息量为22.3%/73.145%=30.49%；类似的第2个因子为21.862%/73.145%=29.89%；第3个因子为18.051%/73.145%=24.68%；第4个因子为10.931%/73.145%=14.94%。

如果是使用主成分法进行权重计算，其原理也类似，事实上结果上就是‘旋转前方差解释率’值的对应计算即可。

使用浓缩信息的原理进行权重计算时，只能得到各个因子的权重，无法得到具体每个分析项的权重，此时可继续结合后续的权重方法（通常是熵值法），得到具体各项的权重，然后汇总在一起，最终构建出权重体系。

通过因子分析或主成分分析进行权重计算的核心点即得到方差解释率值，但在得到权重前，事实上还有较多的准备工作，比如本例子中提取出4个因子，为什么是4个不是5个或者6个；这是结合专业知识和分析方法提取的其它指标进行了判断；以及有的时候某些分析项并不适合进行分析，还需要进行删除处理后才能进行分析等，此类准备工作是在分析前准备好，具体可参考SPSSAU帮助手册里面有具体的实际案例和视频说明等。

第二类、数字相对大小 (AHP层次法和优序图法)

计算权重的第二类方法原理是利用数字相对大小，数字越大其权重会相对越高。此类原理的代表性方法为AHP层次法和优序图法。

1. AHP层次法

AHP层次分析法的第一步是构建判断矩阵，即建立一个表格，表格里面表述了分析项的相对重要性大小。比如选择旅游景点时共有4个考虑因素，分别是景色，门票，交通和拥护度，那么此4个因素的相对重要性构建出判断矩阵如下表：

表格中数字代表相对重要的大小，比如门票和景色的数字为3分，其说明门票相对于景色来讲，门票更加重要。当然反过来，景色相对于门票就更不重要，因此得分为1/3=0.3333分。

AHP层次分析法正是利用了数字大小的相对性，数字越大越重要权重会越高的原理，最终计算得到每个因素的重要性。AHP层次分析法一般用于专家打分，直接让多位专家（一般是4~7个）提供相对重要性的打分判断矩阵，然后进行汇总（一般是去掉最大值和最小值，然后计算平均值得到最终的判断矩阵，最终计算得到各因素的权重。

SPSSAU共有两个按键可进行AHP层次分析法计算。

如果是问卷数据，比如本例中共有4个因素，问卷中可以直接问“景色的重要性多大？”，“门票的重要性多大？”，“交通的重要性多大？”，“拥护度的重要性多大？”。可使用SPSSAU【问卷研究】--【权重】，系统会自动计算平均值，然后直接利用平均值大小相除得到相对重要性大小，即自动计算得到判断矩阵而不需要研究人员手工输入。

如果是使用【综合评价】--【AHP层次分析法】，研究人员需要自己手工输入判断矩阵。

2. 优序图法

除了AHP层次分析法外，优序图法也是利用数字的相对大小进行权重计算。

数字相对更大时编码为1，数字完全相同为0.5，数字相对更我码为0。然后利用求和且归一化的方法计算得到权重。比如当前有9个指标，而且都有9个指标的平均值，9个指标两两之间的相对大小可以进行对比，并且SPSSAU会自动建立优序图权重计算表并且计算权重，如下表格：

上表格中数字0表示相对不重要，数字1表示相对更重要，数字0.5表示一样重要。比如指标2的平均值为3.967，指标1的平均值是4.1，因此指标1不如指标2重要；指标4的平均值为4.3，重要性高于指标1。也或者指标7和指标9的平均得发均为4.133分，因此它们的重要性一样，记为0.5。结合上面最关键的优序图权重计算表，然后得到各个具体指标（因素）的权重值。

优序图法适用于专家打分法，专家只需要对每个指标的重要性打分即可，然后让软件SPSSAU直接结合重要性打分值计算出相对重要性指标表格，最终计算得到权重。

优序图法和AHP法的思想上基本一致，均是利用了数字的相对重要性大小计算。一般在问卷研究和专家打分时，使用AHP层次分析法或优序图法较多。

第三类、信息量 (熵值法)

计算权重可以利用信息浓缩，也可利用数字相对重要性大小，除此之外，还可利用信息量的多少，即数据携带的信息量大小（物理学上的熵值原理）进行权重计算。

熵值是不确定性的一种度量。信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。因而利用熵值携带的信息进行权重计算，结合各项指标的变异程度，利用信息熵这个工具，计算出各项指标的权重，为多指标综合评价提供依据。

在实际研究中，通常情况下是先进行信息浓缩法（因子或主成分法）得到因子或主成分的权重，即得到高维度的权重，然后想得到具体每项的权重时，可使用熵值法进行计算。

SPSSAU在【综合评价】模块中提供此方法，其计算也较为简单易懂，直接把分析项放在框中即可得到具体的权重值。

第四类、数据波动性或相关性 (CRITIC、独立性和信息量权重)

可利用因子或主成分法对信息进行浓缩，也可以利用数字相对大小进行AHP或优序图法分析得到权重，还可利用物理学上的熵值原理（即信息量携带多少）的方法得到权重。除此之外，数据之间的波动性大小也是一种信息，也或者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。

1. CRITIC权重法

CRITIC权重法是一种客观赋权法。其思想在于用两项指标，分别是对比强度和冲突性指标。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。使用SPSSAU时，自动会建立对比强度和冲突性指标，并且计算得到权重值。

CRITIC权重法适用于这样一类数据，即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时。比如医院里面的指标：出院人数、入出院诊断符合率、治疗有效率、平均床位使用率、病床周转次数共5个指标；此5个指标的稳定性是一种信息，而且此5个指标之间本身就可能有着相关性。因此CRITIC权重法刚好利用数据的波动性（对比强度）和相关性（冲突性）进行权重计算。

SPSSAU综合评价里面提供CRITIC权重法，如下图所示：

2. 独立性权重法

独立性权重法是一种客观赋权法。其思想在于利用指标之间的共线性强弱来确定权重。如果说某指标与其它指标的相关性很强，说明信息有着较大的重叠，意味着该指标的权重会比较低，反之如果说某指标与其它指标的相关性较弱，那么说明该指标携带的信息量较大，该指标应该赋予更高的权重。

独立性权重法仅仅只考虑了数据之间相关性，其计算方式是使用回归分析得到的复相关系数R 值来表示共线性强弱（即相关性强弱），该值越大说明共线性越强，权重会越低。比如有5个指标，那么指标1作为因变量，其余4个指标作为自变量进行回归分析，就会得到复相关系数R 值，余下4个指标重复进行即可。计算权重时，首先得到复相关系数R 值的倒数即1/R ，然后将值进行归一化即得到权重。

比如某企业计划招聘5名研究岗位人员，应聘人员共有30名，企业进行了五门专业方面的笔试，并且记录下30名应聘者的成绩。由于专业课成绩具有信息重叠，因此不能简单的直接把成绩加和用于评价应聘者的专业素质。因此使用独立性权重进行计算，便于得到更加科学客观的评价，选出最适合的应聘者。

SPSSAU综合评价里面提供独立性权重法，如下图所示：

3. 信息量权重法

信息量权重法也称变异系数法，信息量权重法是一种客观赋权法。其思想在于利用数据的变异系数进行权重赋值，如果变异系数越大，说明其携带的信息越大，因而权重也会越大，此种方法适用于专家打分、或者面试官进行面试打分时对评价对象（面试者）进行综合评价。

比如有5个水平差不多的面试官对10个面试者进行打分，如果说某个面试官对面试者打分数据变异系数值较小，说明该面试官对所有面试者的评价都基本一致，因而其携带信息较小，权重也会较低；反之如果某个面试官对面试者打分数据变异系数值较大，说明该面试官对所有面试者的评价差异较大，因而其携带信息大，权重也会较高。

SPSSAU综合评价里面提供信息量权重法，如下图所示：

 对应方法的案例说明、结果解读这里不再一一详述，有兴趣可以参考SPSSAU帮助手册。

㈧ 熵值法步骤

（1）方法原理及适用场景

熵值法属于一种客观赋值法，其利用数据携带的信息量大小计算权重，得到较为客观的指标权重。熵值是不确定性的一种度量，熵越小，数据携带的信息量越大，权重越大；相反熵越大，信息量越小，权重越小。

适用场景：熵值法广泛应用于各个领域，对于普通问卷数据（截面数据）或面板数据均可计算。在实际研究中，通常情况下是与其他权重计算方法配合使用，如先进行因子或主成分分析得到因子或主成分的权重，即得到高维度的权重，然后再使用熵值法进行计算，想得到具体各项的权重。

（2）操作步骤

使用SPSSAU【综合评价-熵值法】。

使用熵值法计算权重时，需将数据整理为以下格式：

（3）注意事项

熵值法的计算公式上会有取对数，因此如果小于等于0的数字取对数，则会出现null值。此种情况共有两种办法。

• 第一种：SPSSAU非负平移功能是指，如果某列（某指标）数据出现小于等于0，则让该列数据同时加上一个‘平移值’【该值为某列数据最小值的绝对值+0.01】，以便让数据全部都大于0，因而满足算法要求。

• 第二种：研究者也可以手工查看数据并将小于等于0的数据设置为异常值，但此种做法会让样本减少。