跳到主要内容

CRITIC 法

一、直观理解：既看反差有多大，又看是不是在重复别的指标​

CRITIC（Criteria Importance Through Intercriteria Correlation）同时考虑：

  1. 对比强度：指标的标准差（或变异）越大，区分力越强；
  2. 冲突性：若某指标与其他指标相关性低，说明提供了不同信息，应提高权重；高度相关则信息重复，压权。

像组队：有的队员能力波动大能分出胜负；有的队员特长和别人完全不一样——两种人都更“有价值”。全队都是同一类高手，边际信息反而少。

二、适用场景与优缺点​

类型说明
适用场景多指标相关结构明显；希望客观赋权且比纯熵权多考虑冗余；数值型评价矩阵完整。
核心优点融合强度与相关性；仍全数据驱动；可解释“因何被压权”。
局限与缺点相关用线性相关可能不够；样本影响大；不体现主观偏好；需先无量纲。

三、核心原理​

对已正向化、无量纲矩阵 R=(rij)R=(r_{ij})：

  1. 第 jj 指标对比强度 sj=std(r⋅j)s_j=\mathrm{std}(r_{\cdot j})（样本标准差）；
  2. 相关系数矩阵 ρjk\rho_{jk}；
  3. 冲突量
cj=∑k=1n(1−ρjk)c_j=\sum_{k=1}^{n}(1-\rho_{jk})
  1. 信息量 Cj=sj⋅cjC_j=s_j\cdot c_j；
  2. 权重
wj=Cj∑kCkw_j=\frac{C_j}{\sum_k C_k}

直觉：sjs_j 大且与其他指标不雷同 → CjC_j 大 → 权重大。

四、关键决策​

决策点建议
无量纲极差法或标准化，全文统一
相关Pearson 常用；极端值时可稳健相关
常数指标sj=0s_j=0 权为 0
与熵权可对照，差异大时解释相关结构
主观需要偏好时组合 AHP

五、MATLAB 示例​

X = [
    80 70 90 60;
    75 88 70 65;
    90 65 85 80;
    70 90 75 70;
    85 78 80 75
];
% 假设全为极大型
[m, n] = size(X);
R = (X - min(X)) ./ (max(X) - min(X) + eps);

s = std(R, 0, 1);                 % 对比强度
rho = corrcoef(R);                % n x n
c = sum(1 - rho, 2)';             % 冲突性
C = s .* c;                       % 信息量
w = C / sum(C);

disp("标准差 s："); disp(s);
disp("冲突 c："); disp(c);
disp("CRITIC 权重："); disp(w);

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

% 与熵权对照
P = R ./ sum(R,1); P(P<1e-12)=1e-12;
e = -sum(P.*log(P),1)/log(m);
wEntropy = (1-e)/sum(1-e);
disp("熵权："); disp(wEntropy);

六、如何解释结果​

  1. 高权指标是“变异大且独特”还是仅其一；
  2. 相关热力图：哪些指标扎堆；
  3. 排序与熵权排序差异；
  4. 去掉某一相关簇后权重变化；
  5. 报告：正向化、相关定义、ww、ss、cc。

七、常见误区​

1. 未无量纲就算相关与标准差​

量纲主宰 sjs_j。

2. 负相关理解反​

1−ρ1-\rho 对负相关更大，视为冲突高——通常合理，但需业务上说得通。

3. 小样本相关不稳定​

mm 很小时相关噪声大。

4. 与因果重要性混淆​

仍是数据鉴别力框架。

5. 指标方向错误​

极小型未转换会扭曲相关与排序。

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​

CRITIC 以标准差刻画对比强度、以（1−相关系数）刻画信息冲突，二者乘积归一后得客观权重。

当指标“扎堆”明显时，它比单纯熵权更能抑制重复信息，适合作为客观赋权的进阶默认项。