确定权重的方法有哪些

❶ 评价指标权重的确定方法

确定诊断因子权重的方法主要有特尔菲法、回归分析法和层次分析法等。特尔菲法简便、易行，是人们常常选用的基本方法。回归分析法除了能够得到因素权重，还能通过检验因素重要性，来剔除那些次要的、可有可无的因素，建立更简单、作用更显着的方程。但回归分析法的应用是建立在两个条件基础上的，即一是样本数量足够多; 二是数据呈现典型的概率分布。当这两个条件不具备时，选择回归分析法确定因素权重，往往得不到较好的结果。层次分析法 (The Analytic Hierarchy Process，AHP)就是由特尔菲法派生而来的。比较而言，层次分析法计算比较复杂，但也正是由于它采用了相对复杂的计算方式，有助于决策人员保持其思维过程和决策原则的一致性，对于因素复杂的系统，往往能够得到比较满意的结果。基于上述方法比较，本次研究采用层次分析法确定诊断因子权重。

7.2.1 层次分析法的基本方法和步骤

层次分析法是把复杂问题分解成各个组成因素，又将这些因素按支配关系分组形成递阶层次结构。通过两两比较的方式确定各个因素的相对重要性，然后综合决策者的判断，确定决策方案相对重要性的总排序。运用层次分析法进行系统分析、设计和决策时，可分为 4 个步骤进行: ①分析系统中各因素之间的关系，建立系统的递阶层次结构; ②对同一层次的各元素关于上一层中某一准则的重要性进行两两比较，构造两两比较的判断矩阵;③由判断矩阵计算被比较元素对于该准则的相对权重; ④计算各层次元素对系统目标的合成权重，并进行排序。

7.2.2 递阶层次结构的建立

首先把系统问题条理化与层次化，构造出一个层次分析的结构模型。在模型中，复杂问题被分解，分解后各组成部分称为元素，这些元素又按属性分成若干组，形成不同层次。同一层次的元素作为准则对下一层的某些元素起支配作用，同时它又受上面层次元素的支配。层次可分为 3 类:

(1)最高层: 这一层次中只有一个元素，它是问题的预定目标或理想结果，因此也叫目标层。

(2)中间层: 这一层次包括要实现目标所涉及的中间环节中需要考虑的准则。该层可由若干层次组成，因而有准则和子准则之分，这一层也叫准则层。

(3)最底层: 这一层次包括为实现目标可供选择的各种措施、决策方案等，因此也称为措施层或方案层。

上层元素对下层元素的支配关系所形成的层次结构被称为递阶层次结构。当然，上一层元素可以支配下层的所有元素，但也可只支配其中部分元素。递阶层次结构中的层次数与问题的复杂程度及需要分析的详尽程度有关，可不受限制。每一层次中各元素所支配的元素一般不要超过 9 个，因为支配的元素过多会给两两比较判断带来困难。层次结构的好坏对于解决问题极为重要，当然，层次结构建立得好坏与决策者对问题的认识是否全面、深刻有很大关系。

7.2.3 构造两两比较判断矩阵

在递阶层次结构中，设上一层元素C为准则，所支配的下一层元素为u₁，u₂，…，u_n对于准则C的相对重要性即权重。这通常可分两种情况:

(1)如果u₁，u₂，…，u_n对C的重要性可定量，其权重可直接确定。

(2)如果问题复杂，u₁，u₂，…，u_n对于C的重要性无法直接定量，而只能定性，那么确定权重用两两比较方法。其方法是:对于准则C，元素u_i和u_j哪一个更重要，重要的程度如何，通常按1～9比例标度对重要性程度进行赋值，表7.1中列出了1～9标度的含义。

表7.1 标度的含义

对于准则C，n个元素之间相对重要性的比较得到一个两两比较判断矩阵

河南省土地资源生态安全理论、方法与实践

其中a_ij就是元素u_i和u_j相对于C的重要性的比例标度。判断矩阵A具有下列性质:a_ij>0，a_ji=1/a_ij，a_ii=1。

由判断矩阵所具有的性质知，一个n个元素的判断矩阵只需要给出其上(或下)三角的n(n－1)/2个元素就可以了，即只需做n(n－1)/2个比较判断即可。

若判断矩阵A的所有元素满足a_ij×a_jk=a_ik，则称A为一致性矩阵。

不是所有的判断矩阵都满足一致性条件，也没有必要这样要求，只是在特殊情况下才有可能满足一致性条件。

7.2.4 元素相对权重的计算及判断矩阵的一致性检验

已知n个元素u₁，u₂，…，u_n对于准则C的判断矩阵为A，求u₁，u₂，…，u_n对于准则C的相对权重ω₁，ω₂，…，ω_n写成向量形式即为W=(ω₁，ω₂，…，ω_n)^T。

权重的计算方法有和法、根法(即几何平均法)、特征根法(简记EM)和对数最小二乘法等。

(1)和法:将判断矩阵A的n个行向量归一化后的算术平均值，近似作为权重向量，即

河南省土地资源生态安全理论、方法与实践

计算步骤如下:

第一步:A的元素按行归一化。

第二步:将归一化后的各行相加。

第三步:将相加后的向量除以n，即得权重向量。

类似的还有列和归一化方法计算，即

河南省土地资源生态安全理论、方法与实践

(2)根法(即几何平均法):将A的各个行向量进行几何平均，然后归一化，得到的行向量就是权重向量。其公式为

河南省土地资源生态安全理论、方法与实践

计算步骤如下:

第一步:A的元素按列相乘得一新向量。

第二步:将新向量的每个分量开n次方。

第三步:将所得向量归一化后即为权重向量。

(3)特征根法(简记EM):解判断矩阵A的特征根问题。

河南省土地资源生态安全理论、方法与实践

式中:λ_max是A的最大特征根，W是相应的特征向量，所得到的W经归一化后就可作为权重向量。

(4)对数最小二乘法:用拟合方法确定权重向量W=(ω₁，ω₂，…，ω_n)^T，使残差平方和 为最小。

❷ 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。

❸ 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。

❹ 如何确定不同评估主体的权重

目前关于属性权重的确定方法很多，根据计算权重时原始数据的来源不同，可以将这些方法分为三类:主观赋权法、客观赋权法、组合赋权法。
主观赋权法是根据决策者(专家)主观上对各属性的重视程度来确定属性权重的方法，其原始数据由专家根据经验主观判断而得到。常用的主观赋权法有蔽厅姿专家调查法(Delphi法)、层次分析(AHP ) 项系数法、环比评分法、最小平方法等。
不同的企业确定的权重内容和系数都不一样。
主要有：
1）通过模糊评价来确定权重。先确定企业KPI（关键绩效指标）中与考核相关的指标，如销售收入、经营利宏绝润、成本、费用等，然后利用评价的办法（可以设定很好、好、一般、差、很差几个档），然后利用模糊数学（线性代数矩阵）计算各指标的权重。
2）通过专家打分的办法确定伏碧权重。在设计的表内划勾
3）利用问卷调查方式确定权重。把问卷结果进行统计，排除顺序，确定权重。

❺ 权重的确定方法

1、主观经验法

考核者凭自己以往的经验直接给指标设定权重，一般适用于考核者对考核客体非常熟悉和了解的情况下。

2、主次指标排队分类法

这是比较常用的一种方法，也称A、B、C分类法。顾名思义，其具体操作分为排队和设置权重两步：排队是将考核指标体系中所有指标按照一定标准，如按照其重要性程度进行排列；设置权重是在排队的基础上，按照A、B、C三类指标设置权重。

3、专家调查法

这种方法是聘请有关专家，对考核指标体系进行深入研究，由每位专家先独立地对考核指标设置权重，然后对每个考核指标的权重取平均值，作为最终权重。

同样的指标，对不同的部门和人员来说，各个指标的权重应不一样；不同来源的数据权重也是不一样的。考核实践中应综合运用各种方法科学设置指标权重。通常的做法是主要根据指标的重要性进行设置，并可根据需要适时进行调整。

(5)确定权重的方法有哪些扩展阅读：

在资本市场规模较小的时候，一般而言在指数反弹或大幅度上涨到一高位区后，权重股拉抬股指后往往是顶部出现，而众多个股在权重股拉抬过程中实现战略减仓或出货；反观股市行情，由于A股市场规模的大比例提升，其权重股推升股指的影响作用更加明显。

指标权重股在高位区的拉抬有何影响，从中国A股市场发展的角度来看，说明市场投资理念发生的较大的变化，前些年表现疲弱的大盘股正在为市场机构投资者、中小投资者所接受，

这些品种的拉抬更大层面反映的是机构投资者队伍的扩大、市场阶段内资金充足的体现，也应清醒的看到，由于权重股在市场中对指数绝对影响，其价格的连续上涨同样会带来较大的价值偏离，比如表现强劲的工行，

从公司发展层面来看，其未来发展更多的体现为稳步发展型，跨越式发展的概率非常之低，而A股价格高于同期H股价格30%左右，这也说明A股市场中的工行起码在阶段内有高估之嫌，也有为其它机构年终拉抬或股指期货建仓品种的可能，

因此其短期之内特别是从年度经营业绩的角度来看工行与中行经营业绩难以出现过大的业绩提升，那么这种拉抬一旦超越或偏离阶段内投资价值，其回落风险就随时可能产生，因此权重股的拉抬应分阶段、股价对照、经营业绩等多重因素进行考量。

❻ 确定评价指标权重的常见方法

确定评价指标权重的常见方法有AHP层次法和优序图法、熵值法、CRITIC、独立性权重和信息量权重、因子分析和主成分法。

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。

❼ 选用不同的确定指标权重的方法

选用不同的确定指标权重的方法：

从绩效考核指标的权重设置，往往会参考以下原则：

1、以公司总体目标为导向，与公司目标支撑关联度越强的指标，权重应当越大

2、对于影响总体目标达成的关键短板，希望重点改善或重点加强的指标，权重应当越大

2、德尔菲法
从公司内外部选择一部分专家分别对各个指标进行权重设置，然后由HR进行汇总平均，把汇总平均后的结果再反馈给这些专家，让他们再根据第一次反馈的结果对自己设置的各指标权重分别进行调整，然后再给HR来汇总，二次汇总后基本确码野定各指标的权重(一般取整数)(专家可以包括：该岗位的任职者、上司、下属、HR部门工作人员，如果可能也可以请外部专家参与)

❽ 确定权重的方法，常见的有（）

【答案】：A,E

权重是一个相对的概念，是针对某一指标而山汪粗言。某一指标的权重是指该指标在整体评价体系中的相对重要程度，常常用测评指标在总分中应占的比重来表示。确定陵拍权重的方法，常见的有德尔菲法、主观经验法和层次逗镇分析法等三种。

❾ 权重确定方法小思考

熵值法 ：指标的取值的种类越多，不确定性越大，信息熵越大，权重越小

critic法 ：指标的标准差越大，这意味着取值更加分散，权重越大

仿佛这两个方法对指标离散程度的考虑是相反的，但真的是这样吗？处女座表示不捋清楚不舒服，又比较笨，想了一晚上好像也没有得到严谨准确的结论，自己编了几个变量试了试结果，小结一下，不一定对，怕自己忘歼慎记，写下来以后继续完善。

https://wenku..com/view/.html

这里介绍了权重确定的四个方法：主成分分析，均方差，熵值法和CRITIC法。

表格中间两行竖念分别是这两种方法计算出的指标权重，上面是指标编造的原数据，下面是熵值法中标准化后计算的Pij矩阵（标准化时默认指标为负向指标，数越小越好）。

青睐Pj中1分给较少的位置，每个位置较大的数。如：

(1，0，0)>(0.5，0.5，0)>(0.33，0.33，0.33)

这在原始数据中的表现就是：对负向指标，偏向于较小的数值集中在较小的集合里这样的指标，同理，对正向指标，偏向于较大的数值集中在较小的集合里这样的指标。

简单的总结，在坐标轴中分别画出每个指标的位置，熵值法偏向于

1：能紧密集中的指标（对比X1，X3，X5）

2：集中的簇少的指标（对比X3，X5）

3：负向指标，小数在小集合，正向指标，大数在小集合（对比X5，X6和X6，X7，X8）这一点要足够满足的话，那前面1，2两点也一点很满足，所以这一点在这三个当中更加重要。

青睐于数值差别大的指标，这和指标是否集中的簇要区分开，如X3，X4和X5，X6他们的簇相同，熵值法很难余改困区分权重，但是簇与簇之间的距离很大，这时候CRITIC方法就有偏向，使权重分配差别很大。但这可能受量纲的影响很大，而且对正向变量和负向变量没有区分（如X7和X8），所有这两种方法各有利弊，最好结合着用。有点明白DY为什么要我写这两个程序了。

❿ 最简单的权重计算方法

最简单的权重计算方法如下：

1、权重可通过划分多个层次指标进行判断和计算，常用的方法包括层次分析法、模糊法、模糊层次分析法和专家评价法等。

2、有题可以，授课老师的平搭贺均分=（10+9）/2=9.5 分 ，同学的平均分=（10+8）/2=9分。根据权重分别是4、3、2、1，可以计算出甲同学测评分数为：

9×0.4+9.5×0.3+9×0.2+9×0.1=9.15分。

权重设置的具体方法

1、排序法

是罗列出某个岗位所有的绩效考核指标，然后通过两两对比的方法对这些指标按照重要性进行排序，越排在前面的指标权重越大，越排在靠后的权重越小。

这个方法只能确定各个指标的相对权重，对于设置指标的绝对权重的意义不是很大，相对权重确定后还是要按照其他方法来确定绝对权重的，另外，在对指标进行排序时也一定要有该岗位的上级、任职者和HR都一起参与才行，

2、经验法

这样的方法就是靠个人的经验判断了，经验不一定完全是自己的，也可以参照外部同知派派行业企业的经验嘛。完全自己在闭门造车是非常难羡桐的。