权重分析(熵权法)

所属分类：问卷分析

这个方法是做什么的

在多指标综合评价里客观地定权重：某个指标在各评价对象上取值差异越大，它提供的信息越多、权重越高；各对象取值高度一致的指标区分不出优劣，权重接近 0。计算路径是固定的——正向指标按 (x−min)/极差、负向指标按 (max−x)/极差做 0-1 极差标准化，算信息熵 e=−k·Σp·ln p（k=1/ln N），信息效用 d=1−e，权重 w=d/Σd，再按权重加权求和得到每个对象的综合得分与排名。它与综合评价分类下的「熵值法」是同一套公式，区别在报告：那一个多了指标间的冗余诊断与权重 ±20% 扰动下的排名稳定性，这一个多了下面这些不确定性证据。

卡② 给每个权重的 Bootstrap 95% 置信区间与“是否显著偏离均权 1/m”的检验（B=1000，种子固定，Holm 校正）。卡④ 给权重集中度、HHI、最高/最低权重之比等“偏离等权多远”的度量，并做留一法敏感性——逐个剔除指标重跑，看新旧排名的 Spearman 相关与前 10% 名单保留率，以及各指标与综合得分的等级相关（用于核对正负向有没有标反）。

需要准备什么数据

• 正向指标 (数值越大越好)（可选）：至少 0 个，定量变量（数值）
• 负向指标 (数值越小越好)（可选）：至少 0 个，定量变量（数值）

数据要求

• 数据表至少 10 行。
• 单列缺失率不超过 20%。
• 不接受取值全都一样的列（零方差列没有可分析的变异）。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 绩效考核、区域发展评价、供应商打分这类需要一套不掺主观判断的权重
• 需要给权重配上不确定性，而不是只交一列百分比
• 想知道最终排名主要由哪个指标主导（留一法比权重表更能回答这件事）
• 想核对正向/负向标注有没有搞反（各指标与综合得分的相关方向）

前提：所有指标必须是定量数值，文本类别请先转成数值；正向区与负向区合计至少 2 个指标，同一列不能同时放进两个区；任一指标不得为常数列，极差为 0 时它不提供任何区分信息、权重会退化为 0；评价对象至少 10 行，实测 9 行会被直接拦下，实务上建议更多。指标方向由你在拖拽区指定，统计上不可检验——标错会让该指标的贡献完全反号。

什么时候不要用它

• 你要的权重应当体现“理论上有多重要”：任何客观赋权都做不到这件事，本模块只看数据的离散程度。产品内可换的仍是客观口径——想同时惩罚指标间的信息重复用「CRITIC权重法」，只按相对离散度赋权用「变异系数法」；若必须体现专家判断，权重要在模块之外先定好再做加权。
• 指标之间高度相关，同一份信息被重复计权：熵权法逐指标独立计算信息熵，不惩罚冗余，两个几乎同义的指标会各拿一份权重。要把“冲突性”纳入赋权，用「CRITIC权重法」。
• 你要的是完整的排序择优方案而不只是权重：加权求和只是最简单的合成方式，按与正负理想解的贴近度排序用「优劣解距离法(TOPSIS)」，序列形态相似性用「灰色关联分析」，需要给出折衷方案排序用「多准则妥协解排序法(VIKOR)」。
• 数据行数不足 10 行，或存在常数指标、缺失偏多而被拦下：改用「熵值法」，同一套熵权公式但门槛更松（至少 3 行、常数指标自动剔除而不是拦截），代价是没有 Bootstrap 区间与显著性检验。
• 目的是把多个指标压缩成少数几个综合维度，而不是加权求和成一个总分：用「主成分分析(PCA)」，要提取并解释潜在构念用「因子分析(探索性)」。

容易误读的地方

• 熵权法定的是“区分能力”，不是“重要性”。 卡⑤ 的方法学提示写得很直白：一个理论上极重要、但各对象取值都差不多的指标，会被赋予极低的权重。把权重表当成“哪个指标更关键”的排序拿去汇报，是这个方法最根本的误用——它回答的是“哪个指标把这批对象拉开了差距”。
• 权重是这批评价对象的属性，而且由极差驱动、对极端值极敏感。 概览表注写明：权重完全由数据的离散程度决定，换一批评价对象权重就会变化。同一件事的另一面是单个极端值就能拉大某个指标的极差、人为抬高它的权重，所以卡① 用 3×IQR 规则逐指标实测极端值个数（示例 6 个指标都是 0），描述表也把变异系数 CV 列出来作为赋权结果的直观预告。别人论文里的熵权不能直接搬用，自己的权重必须连同样本构成与标准化方式一起报告。
• 权重高不等于对排名影响大。 卡④ 的图注原话：一个权重高但取值高度一致的指标，对最终排序其实没有区分贡献。示例剔除权重最高的“产品体验Q2”（32.31%）后，新排名与原排名的 Spearman ρ 掉到 0.7392、前 10% 名单只保留 60%，而剔除其余五个指标 ρ 都在 0.96 以上——它确实主导排名。同一张表里的 p 值全部极显著，但表注提醒那检验的是“两套排名是否相关”，几乎必然显著；有信息量的是 ρ 的大小与名单保留率。
• 删掉一个指标不会改变其余指标之间的相对权重，会变的是排名。 这是恒等式而非经验：信息熵只依赖该指标自己那一列的标准化取值，删掉别的列不改变它，剩下的权重只是按 Σd 等比重新归一化。表注专门写了这一条并说明它因此不作为一列输出。所以“再加一个指标进来会不会稀释某个指标的地位”这个担心在熵权法里不成立；真正需要担心的是新指标会不会改变谁排在前面。
• 没有指标显著偏离均权时，等权法可能是更稳妥的选择。 示例 6 个指标经 Holm 校正后 0 个显著偏离 1/m=16.667%，权重集中度只有 0.0417（0 表示完全等权），模块的结论句直接给出了这个建议。此时看到“产品体验Q2”拿到 32.31% 就宣布“它最关键”，忽略了它的 95%CI 是 [20.372, 37.101]、Holm 校正后 p=0.0600——那是把一次抽样的波动当成了结构。

报告里有什么

1. 输出结果一：数据概览与前提检验
2. 输出结果二：权重主结果表
3. 输出结果三：可视化（权重分布与综合得分分布）
4. 输出结果四：效应量与事后分析
5. 输出结果五：结论与学术表述