跳到主要内容

熵权法

一、直观理解：谁波动大、信息多，谁权重大​

熵权法从数据本身出发：若某指标在所有评价对象上取值几乎一样，它区分不出谁好谁坏，信息量少，应给小权重；若取值大起大落，则信息熵低、效用高，给大权重。

像考试：若所有人某题都满分，这题对排名没有贡献；若分数拉开，这题更能区分水平。

注意：熵权反映的是样本内变异的鉴别力，不等于业务上“更重要”。重要但大家都差不多的指标会被压权——这是方法特性，不是 bug，但要在论文里说清。

二、适用场景与优缺点​

类型说明
适用场景有完整数据矩阵；希望减少主观；指标差异明显；与 AHP 组合。
核心优点计算透明；完全由数据决定；易复现。
局限与缺点忽略指标业务价值；受样本集合影响（增删对象权重变）；异常值拉大极差影响归一化；不处理指标相关冗余。

三、核心原理​

数据矩阵 X=(xij)m×nX=(x_{ij})_{m\times n}，mm 个对象，nn 个指标。

1. 正向化与归一化​

极大型指标常用

rij=xij−min⁡ixijmax⁡ixij−min⁡ixijr_{ij}=\frac{x_{ij}-\min_i x_{ij}}{\max_i x_{ij}-\min_i x_{ij}}

极小型先转为 x′=max⁡−xx'=\max-x 或取倒数（注意非负）。

2. 比重与熵​

pij=rij∑i=1mrij(若 r=0 需加微小偏移)p_{ij}=\frac{r_{ij}}{\sum_{i=1}^{m}r_{ij}} \quad(\text{若 }r=0\text{ 需加微小偏移}) ej=−1ln⁡m∑i=1mpijln⁡pij,dj=1−eje_j=-\frac{1}{\ln m}\sum_{i=1}^{m}p_{ij}\ln p_{ij},\quad d_j=1-e_j

3. 权重​

wj=dj∑k=1ndkw_j=\frac{d_j}{\sum_{k=1}^{n}d_k}

综合得分 si=∑jwjrijs_i=\sum_j w_j r_{ij}（或与 TOPSIS 等结合）。

四、关键决策​

决策点建议
正向化极小、居中、区间型分别处理
零值pijp_{ij} 计算加 ε\varepsilon 防 ln⁡0\ln0
样本说明对象集合；做删样本灵敏度
异常值先缩尾/审数，再熵权
业务约束重要指标设权重上下界或改组合赋权

五、MATLAB 示例​

% 行=对象，列=指标；假设已全部为极大型
X = [
    80  70  90;
    75  88  70;
    90  65  85;
    70  90  75
];

% 若第 2 列为极小型，先转换：
% X(:,2) = max(X(:,2)) - X(:,2);

[m, n] = size(X);
R = zeros(m, n);
for j = 1:n
    xmin = min(X(:,j)); xmax = max(X(:,j));
    if abs(xmax-xmin) < 1e-12
        R(:,j) = 0;  % 无区分度
    else
        R(:,j) = (X(:,j) - xmin) / (xmax - xmin);
    end
end

% 熵权
P = R ./ sum(R, 1);
P(P < 1e-12) = 1e-12;
e = -sum(P .* log(P), 1) / log(m);
d = 1 - e;
w = d / sum(d);

disp("信息熵 e："); disp(e);
disp("权重 w："); disp(w);

score = R * w';
T = table((1:m)', score, "VariableNames", {"对象","得分"});
T = sortrows(T, "得分", "descend");
disp(T);

六、如何解释结果​

  1. 哪些指标 djd_j 大、为何（变异大）；
  2. 权重是否与常识冲突，冲突时如何处理；
  3. 得分排序与敏感性；
  4. 归一化方式；
  5. 与主观权重对比。

七、常见误区​

1. 未正向化就算熵​

方向错误导致“越差权越大”等混乱。

2. 把熵权当重要性的唯一真理​

鉴别力 ≠ 偏好重要性。

3. 对象集合一变权重大变却不说明​

评价结论依赖参照系。

4. 全 0 列或常数列​

权重应为 0，需检查数据。

5. 与相关指标重复计权​

熵权不管共线，可配合 CRITIC 或删冗余。

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。

八、小结​

熵权法用指标变异的信息效用确定客观权重，透明可复现，但必须与指标业务含义和样本集合一起解读。

适合作为客观基线或与 AHP 组合；单独使用时务必做稳健性与常识校验。