RSR秩和比法

方法概述

秩和比法（Rank Sum Ratio, RSR）是由我国统计学家田凤调教授于1988年提出的一种非参数综合评价方法。它通过将原始数据转换为秩次，计算秩和比，并利用概率单位（Probit）进行回归分析和分档评价，适用于多指标决策、医疗质量评价、科技评估等领域。

RSR秩和比法的核心思想是：

  • 将各指标的观测值按一定规则编秩，消除量纲和类型的影响。
  • 计算每个评价对象的秩和比（RSR），作为综合指标。
  • 确定 RSR 的分布，并将其转换为概率单位（Probit）。
  • 以 Probit 为自变量，RSR 为因变量建立回归方程，估计 RSR 值并进行分档。

RSR秩和比法具有计算简单、对数据分布无要求、可处理多种指标类型等优点。

计算步骤

1. 构建原始数据矩阵

设有 \(n\) 个评价对象（方案），\(m\) 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. 编秩

根据指标类型选择适当的编秩方法，有两种常用方式：

2.1 整次秩和比法

  • 对极大型指标（越大越好）从小到大编秩，最小值秩为1，最大值秩为 \(n\)。
  • 对极小型指标（越小越好）从大到小编秩，最大值秩为1，最小值秩为 \(n\)。
  • 同一指标数据相同者编平均秩。
  • 中间型或区间型指标需先转换为极大型，再按极大型编秩。

得到秩矩阵 \(R = (r_{ij})_{n \times m}\)，其中 \(r_{ij}\) 为第 \(i\) 个对象第 \(j\) 个指标的秩次。

2.2 非整次秩和比法

此方法保留原始数据的定量信息，按比例分配秩次：

  • 极大型指标： \[ r_{ij} = 1 + (n-1)\frac{x_{ij} - \min(x_j)}{\max(x_j) - \min(x_j)} \]
  • 极小型指标： \[ r_{ij} = 1 + (n-1)\frac{\max(x_j) - x_{ij}}{\max(x_j) - \min(x_j)} \]
  • 中间型指标：先计算与最优值的距离，再按极大型公式处理。
  • 区间型指标：先计算距离区间边界的距离，再按极大型公式处理。

3. 计算秩和比

若各指标有权重 \(w_j\)（\(\sum w_j = 1\)），则第 \(i\) 个对象的秩和比为：

\[ RSR_i = \frac{1}{n} \sum_{j=1}^{m} w_j r_{ij} \]

当指标等权时（\(w_j = 1/m\)），公式可简化为：

\[ RSR_i = \frac{1}{mn} \sum_{j=1}^{m} r_{ij} \]

4. 确定 RSR 的分布并转换为概率单位

  1. 将 RSR 值从小到大排序，列出频数分布表，计算各组累计频数。
  2. 确定每组 RSR 值的平均秩次 \(\bar{R}\)。
  3. 计算平均秩次百分比：\(\frac{\bar{R}}{n} \times 100\%\)，最后一组用修正值 \(1 - \frac{1}{4n} \times 100\%\)。
  4. 将平均秩次百分比转换为概率单位 Probit： \[ \text{Probit} = u + 5 \] 其中 \(u\) 为累计频率对应的标准正态离差。

5. 回归分析

以 Probit 为自变量 \(x\)，RSR 值为因变量 \(y\)，建立线性回归方程：

\[ RSR = a + b \cdot \text{Probit} \]

对回归方程进行显著性检验（F 检验、t 检验），并计算决定系数 \(R^2\)。

6. 分档评价

利用回归方程计算每个评价对象的 RSR 估计值，或直接使用原始 RSR 值，按给定的分档数量进行分档（例如按分位数分为若干档）。通常分档结果可解释为“优、良、中、差”等级。

案例分析

案例背景：某医院需对四个科室（A、B、C、D）进行综合评价，选取三个指标：患者满意度（极大型）、平均住院日（极小型）、病床周转次数（极大型）。指标权重相等，采用整次秩和比法。原始数据如下：

科室 患者满意度 平均住院日 病床周转次数
A 85 8.5 20
B 90 7.0 25
C 78 9.0 18
D 82 8.0 22

计算过程

1. 编秩（整次法）

  • 患者满意度（极大型）：从小到大排序：78,82,85,90 → 秩次：1,2,3,4
  • 平均住院日（极小型）：从大到小排序：9.0,8.5,8.0,7.0 → 秩次：1,2,3,4
  • 病床周转次数（极大型）：从小到大排序：18,20,22,25 → 秩次：1,2,3,4

秩矩阵 \(R\)：

科室 满意度 平均住院日 周转次数
A 3 2 2
B 4 4 4
C 1 1 1
D 2 3 3

2. 计算 RSR

等权，\(m=3, n=4\)，\(RSR_i = \frac{1}{3\times4} \sum r_{ij} = \frac{1}{12} \sum r_{ij}\) - A: (3+2+2)/12 = 7/12 ≈ 0.5833 - B: (4+4+4)/12 = 12/12 = 1.0000 - C: (1+1+1)/12 = 3/12 = 0.2500 - D: (2+3+3)/12 = 8/12 ≈ 0.6667

3. RSR 分布表

按 RSR 从小到大排序：C(0.25), A(0.5833), D(0.6667), B(1.00)

RSR 频数 f 累计频数 平均秩次 平均秩次百分比 Probit
0.2500 1 1 1 1/4=0.25 4.33
0.5833 1 2 2 2/4=0.50 5.00
0.6667 1 3 3 3/4=0.75 5.67
1.0000 1 4 4 1-1/(4×4)=0.9375 6.53

4. 回归分析

以 Probit 为自变量 \(x\)，RSR 为因变量 \(y\)，得回归方程： \[ RSR = -1.348 + 0.344 \times \text{Probit} \] （计算略）决定系数 \(R^2 = 0.98\)，回归显著。

5. 分档（以 3 档为例）

根据回归估计值或原始 RSR 值，采用分位数分为三档： - 第1档（优）：RSR ≥ 0.8 → 科室 B - 第2档（良）：0.4 ≤ RSR < 0.8 → 科室 A、D - 第3档（差）：RSR < 0.4 → 科室 C

结论：科室 B 最优，C 最差，A 和 D 为良。

常见问题

Q1: 整次与非整次秩和比法有何区别？

A: 整次法只利用秩次信息，对异常值不敏感，但可能丢失部分定量信息；非整次法将原始数据线性映射到 \([1,n]\) 区间，保留了数值间的比例关系，对数据分布有一定要求。可根据数据特点选择。

Q2: 如何确定 RSR 分布中最后一组的累计频率修正？

A: 为防止出现 100% 对应无穷大的 Probit，最后一组采用 \(1 - \frac{1}{4n}\) 修正，这是 RSR 法的常用做法。

Q3: 回归方程不显著怎么办？

A: 若回归不显著，可直接使用原始 RSR 值进行排序和分档，不必强制进行回归。

Q4: 分档数量如何确定？

A: 一般根据实际需要选择 2～15 档，常用 3～5 档。可参考田凤调 (1993) 的分档阈值文献。

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，系统会分别计算并输出各表的 RSR 结果。

平台功能

RSR 秩和比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，第一列为方案名称，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（极大值、极小值、中间值、区间值），并设置相应的参数（中间值最优值、区间上下限）。
  • 权重设置：可手动输入每个指标的权重，或点击“设为等权重”按钮自动等分。
  • 计算方法：整次秩和比法或非整次秩和比法。
  • 分档数量：2～15 档可选。
  • 小数位数：控制输出精度（默认 6 位）。
  • 显示中间结果：可选是否展示原始数据、秩矩阵、权重信息等中间步骤。

结果展示

  • 综合评价结果：包含各方案的 RSR 值、排序、Probit 值、回归估计值、分档等级。
  • RSR 分布表：按 RSR 分组显示频数、累计频数、平均秩次、平均秩次百分比、Probit。
  • 分档结果：各档位方案数量及 RSR 范围。
  • 回归分析：回归方程、R²、F 检验、t 检验结果。
  • 可视化图表：RSR 值分布图、分档结果统计图。

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。

使用建议

  1. 准备阶段：明确评价指标，确定各指标的类型。对中间型、区间型指标需预设最优值或最优区间。

  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。确保数据完整、无缺失。

  3. 参数设置：

    • 正确设置指标类型和特殊参数。
    • 输入合理的权重（可等权重试算）。
    • 根据数据特点选择整次或非整次方法。
    • 根据需要设置分档数量（一般 3～5 档）。

  4. 结果解读：

    • 首先看 RSR 排序，确定最优方案。
    • 检查回归方程的显著性，若显著可用估计值辅助分档。
    • 分析分档结果，了解整体分布。
    • 利用 AI 分析获取专业建议。

  5. 迭代优化：可尝试不同计算方法或分档数量进行敏感性分析。

平台界面

官方地址：https://superr.online

RSR 工具界面预览

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. 田凤调. 秩和比法及其应用[M]. 中国统计出版社，1993.
  2. 田凤调. RSR 法中的分档问题[J]. 中国卫生统计，1993,10(2):26-28.
  3. 田凤调. 非整次秩和比法及其应用[J]. 中国卫生统计，1995,12(1):1-4.