改进熵权法

方法概述

改进熵权法是一种基于阈值筛选的混合客观赋权方法，旨在解决传统熵权法在指标熵值趋近于1时权重差距被过度放大的问题。传统熵权法完全依赖数据变异程度确定权重，当某个指标的熵值接近1（即数据分布几乎均匀）时，其差异系数 \(g_j = 1 - E_j\) 趋近于0，但经过归一化后，该指标的微小差异可能导致权重出现不合理放大，影响评价结果的稳健性。

改进熵权法的核心思想是：

• 首先按照传统熵权法计算各指标的初步权重。
• 对标准化后的数据计算每个指标的阈值（如均值、中位数或分位数）。
• 若某个指标的平均值高于其阈值，则认为该指标的数据分布相对“集中”或“信息量不足”，将其权重置为0。
• 对剩余非零权重重新归一化，得到改进后的权重。

该方法能够有效识别并剔除信息含量较低的指标，提高权重分配的合理性，尤其适用于指标数量较多且存在冗余信息的综合评价问题。

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 \(p\ln p = 0\) 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. 计算传统熵值

\[ E_j = -\frac{1}{\ln n} \sum_{i=1}^{n} p_{ij} \ln(p_{ij}), \quad j = 1,2,\ldots,m \]

6. 计算传统差异系数和权重

\[ g_j = 1 - E_j, \quad w_j^{\text{传统}} = \frac{g_j}{\sum_{j=1}^{m} g_j} \]

7. 计算阈值（改进熵权法的核心）

对于每个指标 \(j\)，根据标准化后的数据 \(z_{ij}\) 计算其阈值 \(T_j\)，有三种方式：

• 均值法：\(T_j = \frac{1}{n} \sum_{i=1}^{n} z_{ij}\)
• 中位数法：\(T_j = \text{median}(z_{1j}, z_{2j}, \ldots, z_{nj})\)
• 分位数法：\(T_j = Q_\alpha(z_{\cdot j})\)，其中 \(\alpha\) 为指定分位数（如0.5即中位数）

8. 应用阈值筛选

对于每个指标 \(j\)，若其平均值 \(\bar{z}_j > T_j\)，则将该指标的权重置为0：

\[ w_j^{\text{改进}} = \begin{cases} 0, & \bar{z}_j > T_j \\ w_j^{\text{传统}}, & \bar{z}_j \leq T_j \end{cases} \]

其中 \(\bar{z}_j = \frac{1}{n} \sum_{i=1}^{n} z_{ij}\)。

9. 重新归一化改进权重

若所有指标均被置零（极端情况），则令所有指标等权；否则将剩余非零权重归一化：

\[ w_j^{\text{改进}} = \frac{w_j^{\text{改进}}}{\sum_{k=1}^{m} w_k^{\text{改进}}} \]

10. 计算综合得分（可选）

分别使用传统权重和改进权重计算各对象的综合得分：

\[ F_i^{\text{传统}} = \sum_{j=1}^{m} w_j^{\text{传统}} z_{ij}, \quad F_i^{\text{改进}} = \sum_{j=1}^{m} w_j^{\text{改进}} z_{ij} \]

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（以第一列为例）

第一列和 \(=0.6667+1.0000+0+0.3333=2.0000\)，比重：

• \(p_{11}=0.6667/2=0.3333\)
• \(p_{21}=1/2=0.5000\)
• \(p_{31}=0/2=0\)
• \(p_{41}=0.3333/2=0.1667\)

3. 传统熵值

\(n=4,\ \ln4=1.3863\)，第一列： \[ \sum p\ln p = 0.3333\ln0.3333+0.5\ln0.5+0+0.1667\ln0.1667 = -0.3662-0.3466-0.2986 = -1.0114 \] \[ E_1 = -\frac{-1.0114}{1.3863} = 0.7295 \] 同理 \(E_2=0.7272,\ E_3=0.7272\)。

4. 传统权重

\[ g_1=0.2705,\ g_2=0.2728,\ g_3=0.2728,\ \sum g=0.8161 \] \[ w_1^{\text{传统}}=0.2705/0.8161=0.3315,\ w_2^{\text{传统}}=0.2728/0.8161=0.3343,\ w_3^{\text{传统}}=0.2728/0.8161=0.3342 \]

5. 阈值计算（以均值法为例）

各列均值：

• \(\bar{z}_1 = (0.6667+1+0+0.3333)/4 = 0.5000\)
• \(\bar{z}_2 = (0.3333+1+0+0.6667)/4 = 0.5000\)
• \(\bar{z}_3 = (1+0.5+0+0.7)/4 = 0.5500\)

阈值 \(T_j\)（均值法）即为各列均值本身：\(T_1=0.5,\ T_2=0.5,\ T_3=0.55\)。

6. 阈值筛选

比较 \(\bar{z}_j\) 与 \(T_j\)：

• 指标1：\(\bar{z}_1=0.5\)，等于阈值（不大于），保留权重。
• 指标2：\(\bar{z}_2=0.5\)，等于阈值，保留。
• 指标3：\(\bar{z}_3=0.55\)，等于阈值，保留。

此时无一指标被剔除，改进权重与传统权重相同。

7. 若调整阈值类型（例如使用分位数0.3）

假设我们取0.3分位数作为阈值：

• 指标1的0.3分位数：数据排序 [0,0.3333,0.6667,1]，0.3分位数约为0.3333。
• \(\bar{z}_1=0.5 > 0.3333\)，故指标1被剔除（权重置0）。
• 指标2的0.3分位数：数据 [0,0.3333,0.6667,1]，0.3分位数约为0.3333，\(\bar{z}_2=0.5 > 0.3333\)，剔除。
• 指标3的0.3分位数：数据 [0,0.5,0.7,1]，0.3分位数约为0.5，\(\bar{z}_3=0.55 > 0.5\)，剔除。

所有指标均被剔除，则改进后等权，各权重0.3333。此例说明阈值的选择对结果影响显著。

常见问题

Q1: 改进熵权法与普通熵权法有何区别？

A: 普通熵权法完全基于数据变异程度计算权重；改进熵权法在此基础上增加了阈值筛选机制，剔除那些平均值高于阈值的指标（即相对“集中”的指标），从而避免因微小变异导致的权重夸大。改进后的权重更注重信息含量较高的指标。

Q2: 如何选择阈值类型？

A: 平台提供均值、中位数和分位数三种方式。均值最常用；中位数对异常值更稳健；分位数可灵活调整阈值位置，适合需要严格筛选的场景。建议根据数据分布特点尝试不同阈值，观察权重稳定性。

Q3: 如果所有指标都被剔除怎么办？

A: 若所有指标的均值均大于阈值，则全部指标权重置零，此时平台自动将所有指标设为等权（即 \(1/m\)），并给出警告。这可能是因为阈值设置过低或数据本身分布过于集中，建议调整阈值或检查数据。

Q4: 改进方法是否一定优于传统方法？

A: 改进方法旨在解决特定问题，但并非适用于所有场景。当指标间信息冗余较大或数据噪声较多时，改进方法能有效降维；若指标本身均具有重要信息，传统方法可能更合适。建议同时计算两种结果，结合专业知识判断。

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，系统会分别计算各表的传统权重、改进权重、阈值及得分，便于对比分析。

平台功能

改进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：用于处理零值的微小正数（默认 \(10^{-10}\)）。
• 阈值类型：均值、中位数、分位数（可自定义分位数）。
• 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：包含传统权重、改进权重、阈值信息、传统得分、改进得分，以及标准化矩阵、比重矩阵、熵值等。
• 可视化图表：权重对比柱状图、得分对比柱状图。
• 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（不同数据集）的权重分布。

使用建议

1. 准备阶段：明确评价对象和指标体系，确定各指标的类型。

2. 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、不同专家组）。确保数据完整。

3. 参数设置：

   • 正确设置指标类型和参数。
   • 选择合适的标准化方法（推荐极差法）。
   • 根据研究目的选择阈值类型，可先尝试均值法，再探索中位数或分位数。
   • 注意分位数取值，避免阈值过低导致过多指标被剔除。

4. 结果解读：

   • 对比传统权重与改进权重，分析哪些指标因“集中”而被剔除。
   • 检查改进后得分的排名变化，理解阈值筛选对评价结果的影响。
   • 若改进后权重分配出现不合理现象，可调整阈值重新计算。

5. 迭代优化：

   • 结合专业知识判断剔除指标是否合理。
   • 若改进方法效果不明显，可回归传统方法。
   • 对于重要决策，可邀请多位专家参与指标筛选和类型判断。

平台界面

官方地址：https://superr.online

改进熵权法工具界面

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：

1. 基于阈值筛选的改进熵权法及其应用[J]. 系统工程理论与实践，2019.
2. 改进熵权法在综合评价中的应用研究[J]. 统计与决策，2020.
3. 熵权法的改进及其在多属性决策中的应用[D]. 北京理工大学，2018.