跳到主要内容

AHP-CRITIC 法

一、直观理解：专家定方向，CRITIC 管“强度+冗余”​

AHP-CRITIC 与 AHP-熵权类似，但客观端换成 CRITIC：既看指标波动，又看指标间冲突（相关）。当指标扎堆、重复信息多时，比熵权更有针对性。

合成同样可用乘性归一或 α\alpha-加性。适合“专家知道哪些维度重要，但维度内部有共线”的指标体系。

二、适用场景与优缺点​

类型说明
适用场景指标相关明显；需要主客观结合；想对照 AHP-熵权。
核心优点客观端抑制冗余；叙事完整；计算仍可手写。
局限与缺点步骤多；参数 α\alpha；相关估计受样本影响；解释篇幅更长。

三、核心原理​

  1. AHP → w(s)w^{(s)}（CR 合格）；
  2. 正向化无量纲 → CRITIC → w(o)w^{(o)}，其中 Cj=sj∑k(1−ρjk)C_j=s_j\sum_k(1-\rho_{jk})；
  3. 组合
wj=wj(s)wj(o)∑kwk(s)wk(o)或w=αw(s)+(1−α)w(o)w_j=\frac{w^{(s)}_j w^{(o)}_j}{\sum_k w^{(s)}_k w^{(o)}_k} \quad\text{或}\quad w=\alpha w^{(s)}+(1-\alpha)w^{(o)}
  1. 加权和 / TOPSIS / VIKOR 得排序。

四、关键决策​

决策点建议
客观法选择相关强 → CRITIC；差异鉴别为主 → 熵权
合成乘性与加性都报告更佳
α\alpha灵敏度曲线
相关矩阵附热图
对照同时给 AHP、CRITIC、组合三套排序

五、MATLAB 示例​

ws = [0.4; 0.3; 0.2; 0.1];  % AHP

X = [
    80 70 90 60;
    75 88 70 65;
    90 65 85 80;
    70 90 75 70;
    85 78 80 75
];
R = (X - min(X)) ./ (max(X) - min(X) + eps);
s = std(R, 0, 1);
rho = corrcoef(R);
c = sum(1 - rho, 2)';
C = s .* c;
wo = (C / sum(C))';

w = ws .* wo; w = w / sum(w);
alpha = 0.5;
w2 = alpha*ws + (1-alpha)*wo;

disp("AHP："); disp(ws');
disp("CRITIC："); disp(wo');
disp("乘性组合："); disp(w');
disp("加性组合："); disp(w2');

score = R * w;
disp("得分："); disp(score');
[~, ord] = sort(score, "descend");
disp("排序："); disp(ord');

% 与 AHP-熵权对照
[m,n] = size(R);
P = R./sum(R,1); P(P<1e-12)=1e-12;
e = -sum(P.*log(P),1)/log(m);
woE = (1-e)'; woE = woE/sum(woE);
wE = ws.*woE; wE = wE/sum(wE);
disp("AHP-熵权得分："); disp((R*wE)');

六、如何解释结果​

  1. CRITIC 相对熵权压低了哪些相关指标；
  2. AHP 抬高了哪些“稳但重要”的指标；
  3. 组合后业务叙事是否更合理；
  4. α\alpha 与合成方式敏感性；
  5. 最终排序及与 TOPSIS 衔接结果。

七、常见误区​

1. 客观用了 CRITIC 却不展示相关结构​

说服力不足。

2. AHP 与 CRITIC 指标顺序不一致​

对齐变量名。

3. 未正向化​

两边都错。

4. 只报组合权重不报分量​

无法审计。

5. 小样本相关当精确​

谨慎表述。

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​

AHP-CRITIC 在主观层次权重之上，用对比强度与信息冲突修正客观比重，适合指标相关不可忽视的综合评价。

与 AHP-熵权并列实验，选排序更稳、解释更顺的一条主结果，其余作附录稳健性。

（本节完）