跳到主要内容

秩和比法（RSR）

一、直观理解：先比名次，再把名次平均成综合秩次比​

秩和比法（Rank Sum Ratio, RSR）把每个指标下的原始值换成秩次（按优劣方向编秩），对每个对象求秩的综合比例：

RSRi=∑j=1mRijn⋅mRSR_i=\frac{\sum_{j=1}^{m}R_{ij}}{n\cdot m}

其中 nn 为对象数，mm 为指标数，RijR_{ij} 为第 ii 个对象在第 jj 个指标上的秩（越优秩越大时，RSR 越大越好）。

然后可对 RSR 排序，或按分位数/标准差法分档（优/中/差），也可进一步做概率单位回归。思想极简单：不迷信原始量纲，先看相对名次。

二、适用场景与优缺点​

类型说明
适用场景指标量纲杂、分布偏态；医院/卫生统计等传统领域；需要分档；快速综合排序。
核心优点对异常值相对稳健（用秩）；计算极简；可分档评价。
局限与缺点损失数值间隔信息；并列秩处理影响结果；默认等权（加权 RSR 需另设）；精细区分度常弱于 TOPSIS。

三、核心原理​

  1. 编秩：极大型指标值越大秩越大；极小型相反；并列取平均秩；
  2. 求 RSR：
RSRi=∑j=1mRijn⋅mRSR_i=\frac{\sum_{j=1}^{m}R_{ij}}{n\cdot m}
  1. 排序或分档：按 RSR 分位数、均数标准差法或概率单位法；
  2. 加权 RSR：RSRi(w)=1n∑jwjRij\displaystyle RSR_i^{(w)}=\frac{1}{n}\sum_j w_j R_{ij}。

四、关键决策​

决策点建议
编秩方向与指标望大/望小一致
并列平均秩（tiedrank）
加权有依据时引入 wjw_j
分档预先规定档数与切分方法
对照与 TOPSIS 检查名次一致性

五、MATLAB 示例​

X = [
    80 70 90;
    75 88 70;
    90 65 85;
    70 90 75;
    85 78 80
];
% 列1、3 极大型；列2 极小型
[n, m] = size(X);
R = zeros(n, m);

% 极大型：值越大秩越大
R(:,1) = tiedrank(X(:,1));
R(:,3) = tiedrank(X(:,3));
% 极小型：值越小越好 → 对 -X 编秩
R(:,2) = tiedrank(-X(:,2));

RSR = sum(R, 2) / (n * m);

T = table((1:n)', R, RSR, "VariableNames", {"对象","各指标秩","RSR"});
T = sortrows(T, "RSR", "descend");
disp(T);

% 简单三档：按分位数
q = quantile(RSR, [1/3, 2/3]);
grade = strings(n, 1);
for i = 1:n
    if RSR(i) >= q(2)
        grade(i) = "优";
    elseif RSR(i) <= q(1)
        grade(i) = "差";
    else
        grade(i) = "中";
    end
end
disp(table((1:n)', RSR, grade, "VariableNames", {"对象","RSR","分档"}));

% 加权 RSR
w = [0.4; 0.3; 0.3];
RSRw = (R * w) / n;
disp("加权 RSR："); disp(RSRw');
[~, ord] = sort(RSRw, "descend");
disp("加权排序（对象号）："); disp(ord');

六、如何解释结果​

  1. 编秩规则与方向；
  2. RSR 排序表；
  3. 分档阈值与档内名单；
  4. 是否加权及权重来源；
  5. 与参数方法（TOPSIS）的名次差异及原因（秩损失间隔信息）。

七、常见误区​

1. 极小型仍按原值直接升秩当“越好”​

方向错误会颠倒优劣。

2. 并列不处理​

应使用平均秩，保证秩和正确。

3. 把 RSR 当概率​

它是秩次比，不是概率。

4. 分档切点事后随意调整​

应预先规定方法。

5. 指标重要性差很大却始终等权​

应加权 RSR 或删减指标。

附：建模论文中的写法要点​

  1. 问题对应：用一两句话说明为何该方法匹配题目数据结构与目标（分类/分群/排序/效率）。
  2. 符号与步骤：按“输入 → 预处理 → 核心计算 → 输出指标”列出编号步骤，公式与代码变量名一致。
  3. 参数表：列出全部可调参数、取值、选取依据（CV、信息准则、业务约束或灵敏度）。
  4. 结果呈现：主结果用表格；辅以 1–2 张图（边界、树状图、得分条形图、效率分解等）。
  5. 稳健性：至少做一种扰动——删点、换权重、换距离、换初值或换阈值，观察结论是否保持。
  6. 局限：主动写明假设（球状簇、线性可分、CRS、完全补偿等）及适用边界，避免被质询时被动。

若主方法结论与合理基线（如 K-means 对 GMM、加权和对 TOPSIS、CCR 对 BCC）严重冲突，应回到数据质量与指标方向检查，而不是只报告“更好看”的一种结果。

附：计算检查清单​

在提交结果前，建议按下列清单快速自检：

  1. 输入矩阵：行/列含义是否与正文一致，有无缺失、重复行、单位混用。
  2. 方向与尺度：极小型是否已正向化；聚类/距离类是否已标准化；评价类权重是否归一。
  3. 参数来源：所有阈值、簇数、核宽、理想解定义能否在正文找到依据。
  4. 数值稳定：协方差/相关是否接近奇异；DEA 线性规划是否全部求解成功；对数/除零是否加保护。
  5. 随机性：涉及随机初值的算法是否固定种子并报告多次结果的稳定性。
  6. 验证协议：分类任务是否严格隔离测试集；重采样/SMOTE 是否仅用于训练折。
  7. 图表编号：主结论表与图在正文中被引用，而不是只放附录。
  8. 可复现：给出软件版本（如 MATLAB R20xx）与关键函数名，使读者能重跑最小示例。

不满足清单中任一项时，优先修正流程，再讨论“方法先进性”。对综合评价题，额外检查：更换一种合理权重后，前三名是否大体稳定；若剧烈跳动，应降低对精细名次的措辞强度。

八、小结​

秩和比法将多指标转化为秩次后计算综合秩次比，稳健、简便，适合作快速排序与分档，或作为其他评价方法的对照。

信息利用不如保留原值的 TOPSIS 充分，但在偏态、异常值多时往往更稳，是卫生统计与部分管理评价的传统工具。