反熵权法
方法概述
反熵权法是一种基于反信息熵（又称负熵）的客观赋权方法。与传统熵权法不同，反熵权法通过计算指标的反信息熵来度量其信息含量，赋予那些概率分布较为罕见（即“意外”或“稀有”）的信息更大的权重。其核心思想是：信息量不仅可以用概率本身的对数度量，也可以用其互补概率的对数来度量，从而提供一种与经典熵权法互补的权重视角。
反熵权法的核心思想是：
- 对原始数据进行标准化处理，消除量纲影响。
- 计算各指标下各样本值的比重，构建比重矩阵。
- 通过反信息熵公式 \(-\sum p_{ij} \ln(1-p_{ij})\) 计算各指标的反熵值。
- 将反熵值归一化，即得指标权重。
该方法适用于那些需要关注小概率事件或异常值重要性的评价问题，常与传统熵权法结合使用，形成更全面的权重分析。
计算步骤
1. 构建原始数据矩阵
设有 \(n\) 个评价对象，\(m\) 个评价指标，原始数据矩阵为：
\[ X = \begin{bmatrix} x_{11} & x_{12} & \cdots & x_{1m} \\ x_{21} & x_{22} & \cdots & x_{2m} \\ \vdots & \vdots & \ddots & \vdots \\ x_{n1} & x_{n2} & \cdots & x_{nm} \end{bmatrix} \]
2. 数据标准化
根据指标的不同类型（极大型、极小型、中间型、区间型），采用相应的方法进行标准化，得到标准化矩阵 \(Z = (z_{ij})_{n \times m}\)。常用极差标准化（Min-Max）：
（1）极大型指标（越大越好）
\[ z_{ij} = \frac{x_{ij} - \min(x_j)}{\max(x_j) - \min(x_j)} \]
（2）极小型指标（越小越好）
\[ z_{ij} = \frac{\max(x_j) - x_{ij}}{\max(x_j) - \min(x_j)} \]
（3）中间型指标（越接近某个固定值越好）
设最优值为 \(a\)，则：
\[ z_{ij} = \begin{cases} 1 - \frac{|x_{ij} - a|}{\max(|x_j - a|)}, & \text{若分母非零} \\ 1, & \text{若所有值均等于最优值} \end{cases} \]
（4）区间型指标（落在某个区间内最好）
设最佳区间为 \([a,b]\)，则：
\[ z_{ij} = \begin{cases} 1 - \frac{a - x_{ij}}{\max(a - \min(x_j), \max(x_j) - b)}, & x_{ij} < a \\ 1, & a \leq x_{ij} \leq b \\ 1 - \frac{x_{ij} - b}{\max(a - \min(x_j), \max(x_j) - b)}, & x_{ij} > b \end{cases} \]
其他标准化方法（适用于已正向化数据）：
- Z-score标准化：\(z_{ij} = \frac{x_{ij} - \mu_j}{\sigma_j}\)，然后线性变换到非负区间。
- 比重法：\(z_{ij} = \frac{x_{ij}}{\sum_{i=1}^n x_{ij}}\)。
- 向量归一化：\(z_{ij} = \frac{x_{ij}}{\sqrt{\sum_{i=1}^n x_{ij}^2}}\)。
3. 非负平移（可选）
若标准化后出现零值，为满足反熵值计算中 \(\ln\) 的要求，可整体平移一个很小的正数（如 \(10^{-10}\)）或约定 \(p\ln(1-p)=0\) 当 \(p=0\)。
4. 计算比重矩阵
计算第 \(j\) 项指标下第 \(i\) 个对象的值占该指标总值的比重：
\[ p_{ij} = \frac{z_{ij}}{\sum_{i=1}^{n} z_{ij}}, \quad j = 1,2,\ldots,m \]
此时每列之和为1。
5. 计算第 \(j\) 项指标的反信息熵
\[ E_j' = -\sum_{i=1}^{n} p_{ij} \ln(1 - p_{ij}), \quad j = 1,2,\ldots,m \]
其中规定当 \(p_{ij}=0\) 或 \(p_{ij}=1\) 时，取极限值 \(p\ln(1-p)=0\)（因为 \(\lim_{p\to 0} p\ln(1-p)=0\)，且 \(\lim_{p\to 1} p\ln(1-p)=0\)）。
6. 计算权重
将反熵值归一化即得各指标权重：
\[ w_j = \frac{E_j'}{\sum_{j=1}^{m} E_j'} \]
7. 计算综合得分（可选）
若需对各对象综合评价，可计算加权得分：
\[ F_i = \sum_{j=1}^{m} w_j z_{ij} \]
案例分析
案例背景：某企业需对四个供应商（A、B、C、D）进行评价，选取三个指标：产品质量（极大型）、价格（极小型）、交货准时率（极大型）。原始数据如下：
| 供应商 | 产品质量 | 价格 | 交货准时率 |
|---|---|---|---|
| A | 85 | 200 | 0.95 |
| B | 90 | 180 | 0.90 |
| C | 75 | 210 | 0.85 |
| D | 80 | 190 | 0.92 |
计算过程
1. 数据标准化（极差法）
- 产品质量（极大型）：\(\max=90,\min=75\)
- A: \((85-75)/(90-75)=10/15=0.6667\)
- B: \((90-75)/15=1.0000\)
- C: \((75-75)/15=0.0000\)
- D: \((80-75)/15=0.3333\)
- 价格（极小型）：\(\max=210,\min=180\)
- A: \((210-200)/(210-180)=10/30=0.3333\)
- B: \((210-180)/30=1.0000\)
- C: \((210-210)/30=0.0000\)
- D: \((210-190)/30=0.6667\)
- 交货准时率（极大型）：\(\max=0.95,\min=0.85\)
- A: \((0.95-0.85)/0.10=1.0000\)
- B: \((0.90-0.85)/0.10=0.5000\)
- C: \((0.85-0.85)/0.10=0.0000\)
- D: \((0.92-0.85)/0.10=0.7000\)
标准化矩阵 \(Z\)：
\[ Z = \begin{bmatrix} 0.6667 & 0.3333 & 1.0000 \\ 1.0000 & 1.0000 & 0.5000 \\ 0.0000 & 0.0000 & 0.0000 \\ 0.3333 & 0.6667 & 0.7000 \end{bmatrix} \]
2. 计算比重
以第一列（产品质量）为例，和 \(=0.6667+1.0000+0+0.3333=2.0000\)： - \(p_{11}=0.6667/2=0.3333\) - \(p_{21}=1/2=0.5000\) - \(p_{31}=0/2=0\) - \(p_{41}=0.3333/2=0.1667\)
同理可得比重矩阵（略）。
3. 计算反信息熵
先计算第一列（产品质量）：
- \(\sum p \ln(1-p) = 0.3333 \ln(1-0.3333) + 0.5 \ln(1-0.5) + 0 + 0.1667 \ln(1-0.1667)\)
- \(1-0.3333=0.6667\)，\(\ln0.6667=-0.4055\)，贡献：\(0.3333\times(-0.4055)=-0.1352\)
- \(1-0.5=0.5\)，\(\ln0.5=-0.6931\)，贡献：\(0.5\times(-0.6931)=-0.3466\)
- \(1-0.1667=0.8333\)，\(\ln0.8333=-0.1823\)，贡献：\(0.1667\times(-0.1823)=-0.0304\)
- 总和 = \((-0.1352)+(-0.3466)+0+(-0.0304) = -0.5122\)
- 反信息熵 \(E_1' = -(-0.5122) = 0.5122\)
类似计算其他列：
- 价格列：比重向量 (0.1667,0.5,0,0.3333)，计算得 \(E_2' \approx 0.5218\)
- 交货准时率列：比重向量 (0.4545,0.2273,0,0.3182)，计算得 \(E_3' \approx 0.5136\)
4. 权重
总和 = \(0.5122+0.5218+0.5136 = 1.5476\)
- \(w_1=0.5122/1.5476=0.3310\)
- \(w_2=0.5218/1.5476=0.3372\)
- \(w_3=0.5136/1.5476=0.3318\)
5. 综合得分
- A: \(0.3310\times0.6667+0.3372\times0.3333+0.3318\times1.0000 = 0.221+0.112+0.332=0.665\)
- B: \(0.3310\times1.0000+0.3372\times1.0000+0.3318\times0.5000 = 0.331+0.337+0.166=0.834\)
- C: \(0\)
- D: \(0.3310\times0.3333+0.3372\times0.6667+0.3318\times0.7000 = 0.110+0.225+0.232=0.567\)
结论：供应商B得分最高，供应商C最差。三个指标的权重与传统熵权法结果相近但略有差异，反映了反熵权法对概率分布的敏感性。
常见问题
Q1: 反熵权法与传统熵权法有何区别？
A: 传统熵权法使用信息熵 \(E_j = -\frac{1}{\ln n}\sum p_{ij}\ln p_{ij}\)，强调概率分布的均匀性，概率分布越均匀熵值越大，权重越小；反熵权法使用反信息熵 \(E_j' = -\sum p_{ij}\ln(1-p_{ij})\)，强调概率分布的“意外性”，即当某个值出现的概率极低时，其反熵贡献会增大，从而赋予该指标更高权重。二者形成互补，结合使用可更全面地反映数据信息。
Q2: 反熵权法的权重是否一定与熵权法相反？
A: 不一定，但通常两者会呈现一定的负相关关系。在具体数据中，若某指标数据分布极不均匀，传统熵权法可能赋予较低权重，而反熵权法则赋予较高权重，反之亦然。因此，两者联合可用于识别数据中的稀有信息。
Q3: 如何处理 \(p=0\) 或 \(p=1\) 的情况？
A: 反熵公式中当 \(p=0\) 时，\(\ln(1-p)=\ln1=0\)，乘积为0；当 \(p=1\) 时，\(\ln(1-p)=\ln0\) 无定义，但极限 \(\lim_{p\to1} p\ln(1-p)=0\)，因此可约定 \(p=1\) 时贡献为0。代码中通过设置极小常数（如 \(10^{-10}\)）避免边界问题。
Q4: 反熵权法是否需要像熵权法那样乘以 \(1/\ln n\)？
A: 不需要。反熵权法的公式中没有像熵权法那样的标准化因子 \(1/\ln n\)，因为反熵本身的大小与指标数量无关，直接用于权重计算即可。但若希望与传统熵权法比较，也可进行类似处理，但平台默认不添加此因子。
Q5: 支持多工作表吗？
A: 支持。平台允许上传包含多个工作表的Excel文件，每个工作表对应不同的数据集（例如不同年份或不同专家组），系统会分别计算各表的权重和得分，便于对比。
平台功能
反熵权法分析平台提供以下核心功能：
数据输入
- 支持CSV、Excel、TXT多种格式。
- Excel文件支持多工作表，自动识别工作表名称。
- 数据格式要求：第一行为指标名称，第一列为样本名称，数据区域为数值型。
参数设置
- 指标类型：为每个指标指定类型（极大型、极小型、中间型、区间型），并设置相应的参数（最优值、区间上下限）。
- 标准化方法：极差法、Z-score、比重法、向量归一化。
- 熵值小常数：用于处理边界值的微小正数（默认 \(10^{-10}\)）。
- 小数位数：控制输出精度（默认6位）。
- 显示中间结果：可选是否展示标准化矩阵、比重矩阵等中间步骤。
结果展示
- 详细分析报告：包含每个工作表的反信息熵、权重表、得分表、标准化矩阵、比重矩阵。
- 可视化图表：权重分布柱状图、样本得分排名图。
- AI智能分析：基于DeepSeek API自动解读结果，提供决策建议（每日限3次）。
- 多格式导出：支持Excel和HTML报告下载。
工作表管理
- 多工作表自动识别，支持批量分析。
- 实时显示每个工作表的验证状态。
- 支持对比不同工作表的权重分布。
使用建议
准备阶段：明确评价对象和指标体系，确定各指标的类型（极大型、极小型、中间型、区间型）。
数据收集：
- 使用模板文件填写，每个工作表可代表不同的数据集（如不同年份）。
- 确保数据完整，无缺失值。
参数设置：
- 正确设置每个指标的类型和参数。
- 选择合适的标准化方法（推荐极差法）。
- 根据需要选择是否显示中间结果。
结果解读：
- 首先检查反信息熵值：熵值越大，权重越大。
- 分析权重分布，识别关键指标。
- 结合传统熵权法结果，对比分析数据的均匀性与稀有性。
- 结合得分排名，做出综合评价。
迭代优化：
- 若结果与预期不符，可检查数据或指标类型设置。
- 尝试不同的标准化方法，对比权重稳定性。
- 对于重要决策，可结合传统熵权法进行敏感性分析。
平台界面
平台界面包含：数据上传区、参数设置区、多工作表预览、分析结果展示和AI分析模块
参考文献：
- 反信息熵及其在多属性决策中的应用[J]. 系统工程理论与实践，2015.
- 基于反熵权法的综合评价方法研究[J]. 统计与决策，2018.
- 互补熵权法：理论、方法与应用[D]. 北京理工大学，2020.