计算权重的8类方法汇总
权重的计算公式举例说明
权重的计算公式举例说明在数据分析和统计学中，权重是一种常见的概念，用于衡量不同变量或数据的重要性和影响力。
权重的计算公式可以根据具体的情况和需求来设计，下面我们将通过举例说明权重的计算公式及其应用。
一、加权平均值的计算公式。
加权平均值是一种常见的权重计算方法，它可以用来计算不同变量或数据的加权平均值。
其计算公式如下：加权平均值 = Σ（变量值权重） / Σ权重。
举例说明：假设有一组数据，分别是A、B、C三个变量的值，对应的权重分别为0.3、0.5、0.2。
则加权平均值的计算公式为：加权平均值 = （A 0.3 + B 0.5 + C 0.2） / （0.3 + 0.5 + 0.2）。
通过这个公式，我们可以得到这组数据的加权平均值，从而更准确地反映各个变量的影响程度。
二、加权系数的计算公式。
在某些情况下，我们需要计算变量之间的相关性或影响程度，这时可以使用加权系数来进行计算。
加权系数的计算公式如下：加权系数 = Σ（变量1值变量2值权重） / 根号下[Σ（变量1值^2 权重）Σ（变量2值^2 权重）]举例说明：假设有两个变量X和Y，对应的权重为0.4。
则加权系数的计算公式为：加权系数 = （X Y 0.4） / 根号下[（X^2 0.4）（Y^2 0.4）]通过这个公式，我们可以得到变量X和Y之间的加权系数，从而了解它们之间的相关性和影响程度。
三、加权得分的计算公式。
在评价和排名的过程中，我们经常需要对不同变量或数据进行加权得分的计算。
加权得分的计算公式如下：加权得分 = Σ（变量值权重）。
举例说明：假设有一组数据，分别是A、B、C三个变量的值，对应的权重分别为0.3、0.5、0.2。
则加权得分的计算公式为：加权得分 = A 0.3 + B 0.5 + C 0.2。
通过这个公式，我们可以得到这组数据的加权得分，从而进行评价和排名。
四、加权回归模型的计算公式。
在回归分析中，我们可以使用加权回归模型来进行数据拟合和预测。
计算权重的8类方法汇总
计算权重的8类方法汇总在实际应用中，我们常常需要计算权重来衡量不同因素或变量的重要性。
根据不同的需求和条件，可以使用各种方法来计算权重。
下面将介绍权重计算的八种常用方法。
1.主成分分析(PCA)：主成分分析是一种常用的多变量分析方法，可用于降维和计算权重。
通过对原始数据进行线性变换，找到能够最大程度地保留原始信息的新变量，然后根据各个主成分的方差解释比例作为权重。
2.层次分析法(AHP)：层次分析法是一种定性与定量相结合的方法，主要用于处理复杂决策问题。
通过构建判断矩阵，计算各个因素之间的相对重要性，在层次结构中将因素按照权重从大到小排列。
3.熵权法：熵权法是一种基于信息熵的权重计算方法。
通过计算变量的信息熵，衡量其离散度，离散度越大，变量的权重越小。
4.模糊综合评价法：模糊综合评价法是一种将模糊理论应用于权重计算的方法。
通过对各个因素的隶属度进行模糊化处理，将不确定性因素考虑在内，从而计算出权重。
5.灰色关联度法：灰色关联度法可以用于衡量变量之间的相关性和重要性。
通过计算各个因素与参考因素之间的关联度，来确定变量的权重。
6.欧几里德距离法：欧几里德距离法可以用于计算多个变量之间的相似性和权重。
通过计算变量间的欧几里德距离，距离越小，变量的权重越大。
7.解模糊模型：解模糊模型是一种结合模糊理论和数学规划模型的方法。
通过建立模糊模型，综合考虑多个因素的权重，进行最优化求解。
8.变异系数法：变异系数法是一种基于变异程度来计算权重的方法。
通过计算变量的标准差和平均值之比，作为权重的衡量。
以上是权重计算的八种常用方法。
在具体应用中，根据需求和实际情况选择合适的方法进行权重计算，可以更准确地衡量不同因素的重要性，并支持决策分析和问题解决。
权重计算公式大全
权重计算公式大全权重计算公式是用于计算不同变量或因素的重要性或影响力的数学公式。
它们常用于各种领域的分析和决策，例如金融、统计学、机器学习等。
以下是一些常见的权重计算公式：1.简单加权平均公式（Simple Weighted Average）：权重计算公式：WA = (w1 * x1 + w2 * x2 + ... + wn * xn) / (w1 + w2 + ... + wn)其中，WA表示加权平均值，wi表示第i个变量的权重，xi表示第i个变量的值。
2.实际投资收益率（Realized Rate of Return）：权重计算公式：RRR = (w1 * r1 + w2 * r2 + ... + wn * rn)其中，RRR表示实际投资收益率，wi表示第i个投资资产的权重，ri表示第i个投资资产的实际收益率。
3.对数收益率加权公式（Logarithmic Rate of Return）：权重计算公式：LRR = exp(w1 * ln(1 + r1) + w2 * ln(1 + r2) + ... + wn * ln(1 + rn)) - 1其中，LRR表示对数收益率加权值，wi表示第i个投资资产的权重，ri表示第i个投资资产的对数收益率。
4.主成分分析（Principal Component Analysis）：权重计算公式：PCi = (λi / Σλ) * Φi其中，PCi表示第i个主成分的权重，λi表示第i个主成分的特征值，Σλ表示所有主成分的特征值之和，Φi表示第i个主成分的特征向量。
5.回归系数（Regression Coefficients）：权重计算公式：y = b0 + b1 * x1 + b2 * x2 + ... + bn * xn 其中，yi表示因变量的值，xi表示自变量的值，bi表示第i个自变量的回归系数。
这些公式只是权重计算的一些常见方法。
在实际应用中，根据具体问题和数据的不同，可能会有各种不同的权重计算公式和方法。
权重计算方式
权重计算方式
在计算机科学和数据分析领域，权重计算是一种常见的技术，用于为不同的特征或变量分配相应的重要性或影响力。
权重计
算可以应用于各种场景，例如搜索引擎排名、推荐系统、数据
挖掘等。
1.等权重计算：即假设所有特征或变量都具有相同的重要性，可以简单地将它们的权重设置为相等值。
这种方法适用于不需
要区分不同特征或变量重要性的情况。
2.专家评分权重计算：如果针对特定问题有专家或领域知识
可供参考，可以通过专家评分的方式来确定权重。
专家评分可
以通过问卷调查、专家访谈等方式获得。
根据专家的意见和判断，为每个特征或变量分配一个权重值。
3.统计分析权重计算：通过统计方法来计算权重。
常见的统
计方法包括主成分分析（PCA）、因子分析、层次分析法（AHP）等。
这些方法可以利用数据的分布、相关性和方差等
信息，为不同特征或变量分配合理的权重。
4.机器学习权重计算：在机器学习任务中，可以使用一些特
定的算法来学习权重。
例如，逻辑回归、支持向量机、神经网
络等算法可以为特征学习适当的权重，以提高模型的性能。
最简单的权重计算方法
最简单的权重计算方法在我们的日常生活和工作中，经常会遇到需要对不同的因素进行权衡和比较的情况。
比如在选择工作时，我们可能会考虑薪资、工作环境、职业发展前景等因素；在评估一个项目的可行性时，我们会关注成本、收益、风险等方面。
而要对这些因素进行合理的比较和综合评估，就需要用到权重计算的方法。
权重计算，简单来说，就是给每个相关的因素赋予一个相对重要性的数值，然后根据这些数值来综合评估一个整体的情况。
接下来，我将为您介绍几种简单易懂的权重计算方法。
一、主观赋权法主观赋权法是根据个人的经验、知识和判断来确定权重的方法。
这种方法相对简单直接，但可能会受到个人主观因素的影响。
1、直接评分法直接根据自己对各个因素重要性的认识，给出一个 1 到 10 之间的分数。
比如，认为薪资非常重要，就给薪资打 9 分；认为工作环境相对不那么重要，就给工作环境打 5 分。
然后将这些分数进行归一化处理，使其总和为 1，得到的就是各个因素的权重。
2、两两比较法将需要考虑的因素两两进行比较，判断哪个因素更重要，并给出重要程度的比例。
比如，认为薪资的重要性是工作环境的两倍，那么就可以表示为薪资：工作环境＝ 2：1。
然后通过一系列的比较，构建一个比较矩阵。
最后对这个矩阵进行处理，得到各个因素的权重。
二、客观赋权法客观赋权法是基于数据本身的特征和规律来确定权重，相对更加客观和科学。
1、变异系数法首先计算每个因素的均值和标准差，然后用标准差除以均值，得到变异系数。
变异系数越大，说明该因素的离散程度越大，也就越重要。
最后将变异系数进行归一化处理，得到权重。
例如，我们有三个因素 A、B、C，它们的均值分别为 5、8、10，标准差分别为 2、1、3。
那么它们的变异系数分别为：A 的变异系数＝ 2 ／ 5 ＝ 04B 的变异系数＝ 1 ／ 8 ＝ 0125C 的变异系数＝ 3 ／ 10 ＝ 03将这些变异系数进行归一化处理，假设总和为 0825（04 ＋ 0125 ＋03），那么 A 的权重＝ 04 ／0825 ≈ 0485，B 的权重＝ 0125 ／ 0825≈ 0151，C 的权重＝ 03 ／0825 ≈ 03632、熵值法熵值法是根据各个因素所包含的信息量的大小来确定权重。
计算权重的方法
计算权重的方法计算权重的方法通常用于评估不同因素对结果的影响程度。
在各种场景下，如机器学习、统计学和投资等领域，都需要计算权重。
以下是一些常用的计算权重的方法：1. 归一化法：将所有因素的数值转化为相对于总和的比例值。
这种方法可以使得所有因素的权重和为1，便于比较。
计算步骤如下：a. 计算所有因素的总和；b. 将每个因素除以总和，得到每个因素的权重。
2. 标准化法：将所有因素的数值转化为相对于均值和标准差的标准分数，这种方法可以消除因素数值之间的量纲和量级差异。
计算步骤如下：a. 计算所有因素的平均值和标准差；b. 将每个因素减去平均值后，再除以标准差，得到每个因素的标准分数；c. 根据标准分数为每个因素分配权重，如按比例分配、按排序分配等。
3. AHP（层次分析法）：通过成对比较的方式确定各个因素之间的相对重要性，适用于多个因素之间相互影响的情况。
计算步骤如下：a. 构建层次结构，将目标、准则和方案进行分层；b. 对准则层的各个因素进行两两比较，构建判断矩阵；c. 计算判断矩阵的特征值和特征向量，得到权重向量；d. 检验一致性，确保计算结果的合理性。
4. 熵权法：根据信息熵的概念，计算各个因素的权重。
这种方法可以减少主观因素的影响。
计算步骤如下：a. 对原始数据进行标准化处理；b. 计算各个因素的信息熵；c. 计算各个因素的信息效用；d. 根据信息效用计算各个因素的权重。
5. 专家打分法：邀请专家对各个因素的重要性进行评分，然后根据评分计算权重。
这种方法适用于需要考虑专家经验和知识的情况。
计算步骤如下：a. 邀请专家对各个因素进行评分；b. 计算各个因素的平均分；c. 根据平均分计算各个因素的权重。
权重计算公式与8种确定权重的方法
权重计算公式与8种确定权重的方法权重计算是一种常用的数学方法，用于确定不同因素对一个问题或数据集的重要性。
在现实世界中，我们经常需要对不同的因素进行权重计算，以便更好地理解和解决问题。
一、权重计算公式W=(V/ΣV)×100其中，W是要计算的因素的权重，V是该因素的值，ΣV是所有因素值的总和。
这个公式的思想是将每个因素的值除以所有因素值的总和，然后将结果乘以100，得到每个因素的权重。
这样计算得到的权重是一个百分比，表示一些因素对整体的相对重要性。
确定权重的方法有很多种，以下是八种常用的方法：1.专家评估法：通过专家的经验和知识来确定各个因素的权重。
专家可以根据自己的判断和经验，给出不同因素的相对重要性。
2.层次分析法：将问题拆分成多个层次，然后通过对每个层次进行判断和评估，计算出每个因素的权重。
这个方法适用于复杂的问题，可以帮助人们更好地理解问题的本质。
3.权重矩阵法：将不同因素之间的相对重要性表示成一个矩阵，然后根据矩阵的特征值和特征向量来确定权重。
这个方法适用于多因素决策问题，可以很好地反映出不同因素之间的关系。
4.反馈循环法：不断循环迭代，将专家给出的权重和实际情况进行比较，利用反馈来调整权重。
这个方法适用于动态变化的问题，可以根据实时的情况来确定权重。
6.数据挖掘法：通过对数据集的分析和建模，确定不同因素之间的关系，并计算出权重。
这个方法适用于大规模的数据集，可以利用机器学习和统计学方法来计算权重。
7.统计方法：通过统计分析的方法，计算不同因素的权重。
例如，可以采用回归分析或者相关分析来计算权重。
8.先验权重法：根据实际情况和主观判断给出不同因素的先验权重。
这个方法适用于缺乏数据和专家意见的情况，可以根据个人的判断和经验来确定权重。
以上八种方法各有优劣，适用于不同的情况。
在实际应用中，可以根据问题的特点和要求选择合适的方法来确定权重。
总结：权重计算是一种重要的数学方法，用于确定不同因素的重要性。
权重的计算方法
权重的计算方法权重是指在信息检索和数据挖掘中用来衡量某一项指标在整体中的重要程度的数值。
在实际应用中，我们经常需要对不同的指标进行加权计算，以便更好地理解和分析数据。
本文将介绍权重的计算方法，包括简单加权平均、指数加权平均和加权累积等几种常见的计算方法。
简单加权平均是最常见的权重计算方法之一。
它的计算公式为，加权平均 = (权重1 指标1 + 权重2 指标2 + … + 权重n 指标n) / (权重1 + 权重2 + … + 权重n)。
在这种方法中，每个指标的权重都是相等的，因此适用于各个指标的重要程度相近的情况。
例如，在对产品质量进行评价时，我们可以将各个指标（如外观、性能、耐用性等）的权重设为相等，然后利用简单加权平均的方法得出综合评分。
指数加权平均是一种考虑指标重要程度差异的权重计算方法。
它的计算公式为，加权平均 = (权重1 指标1^指数 + 权重2 指标2^指数 + … + 权重n 指标n^指数) / (权重1 + 权重2 + … + 权重n)^(1/指数)。
在这种方法中，通过调整指数的数值，可以使得权重对指标的影响程度发生变化。
例如，当某个指标对整体的影响较大时，可以将其指数设为较大的值，以突出其重要性。
加权累积是一种将不同指标的权重逐步累积的权重计算方法。
它的计算公式为，累积权重 = 前一项权重 + 当前项权重。
在这种方法中，每个指标的权重都是基于前一项权重的基础上进行累积计算的，因此可以更好地反映出指标之间的相互关系。
例如，在对学生综合素质进行评价时，我们可以将各项素质的权重进行逐步累积，以得出更为全面的评价结果。
在实际应用中，我们需要根据具体情况选择合适的权重计算方法。
在确定权重时，我们可以考虑指标的重要程度、相互关系以及实际需求，以便得出更为准确和合理的结果。
同时，我们还可以结合数据分析和专业知识，对不同的权重计算方法进行比较和分析，以找到最适合具体情况的方法。
总之，权重的计算方法是信息检索和数据分析中的重要工具，通过合理的权重计算，我们可以更好地理解和分析数据，为决策提供有力支持。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计算权重的8类方法汇总目录第一、信息浓缩(因子分析和主成分分析) (3)第二、数字相对大小(AHP层次法和优序图法) (8)1针对AHP层次法。
(8)2针对优序图法。
(11)第三、信息量(熵值法) (13)第四、数据波动性或相关性(CRITIC、独立性和信息量权重) (14)1 CRITIC权重法 (14)2独立性权重法 (16)3信息量权重法 (17)计算权重是一种常见的分析方法，在实际研究中，需要结合数据的特征情况进行选择，比如数据之间的波动性是一种信息量，那么可考虑使用CRITIC权重法或信息量权重法；也或者专家打分数据，那么可使用AHP层次法或优序图法。
本文列出常见的权重计算方法，并且对比各类权重计算法的思想和大概原理，使用条件等，便于研究人员选择出科学的权重计算方法。
首先列出常见的8类权重计算方法，如下表所示：这8类权重计算的原理各不相同，结合各类方法计算权重的原理大致上可分成4类，分别如下：●第一类为因子分析和主成分法；此类方法利用了数据的信息浓缩原理，利用方差解释率进行权重计算；●第二类为AHP层次法和优序图法；此类方法利用数字的相对大小信息进行权重计算；●第三类为熵值法（熵权法）；此类方法利用数据熵值信息即信息量大小进行权重计算；●第四类为CRITIC、独立性权重和信息量权重；此类方法主要是利用数据的波动性或者数据之间的相关关系情况进行权重计算。
第一类、信息浓缩(因子分析和主成分分析)计算权重时，因子分析法和主成分法均可计算权重，而且利用的原理完全一模一样，都是利用信息浓缩的思想。
因子分析法和主成分法的区别在于，因子分析法加带了‘旋转’的功能，而主成分法目的更多是浓缩信息。
‘旋转’功能可以让因子更具有解释意义，如果希望提取出的因子具有可解释性，一般使用因子分析法更多；并非说主成分出来的结果就完全没有可解释性，只是有时候其解释性相对较差而已，但其计算更快，因而受到广泛的应用。
比如有14个分析项，该14项可以浓缩成4个方面(也称因子或主成分)，此时该4个方面分别的权重是多少呢？此即为因子分析或主成分法计算权重的原理，它利用信息量提取的原理，将14项浓缩成4个方面（因子或主成分），每个因子或主成分提取出的信息量（方差解释率）即可用于计算权重。
接下来以SPSSAU为例讲解具体使用因子分析法计算权重。
如果说预期14项可分为4个因子，那么可主动设置提取出4个因子，相当于14句话可浓缩成4个关键词。
但有的时候并不知晓到底应该多少个因子更适合，此时可结合软件自动推荐的结果和专业知识综合进行判断。
点击SPSSAU ‘开始分析’后，输出关键表格结果如下：上表格中黄色底纹为‘旋转前方差解释率’，其为没有旋转前的结果，实质上就是主成分的结果。
如果是使用因子分析，一般使用‘旋转后方差解释率’对应的结果。
结果中方差解释率%表示每个因子提取的信息量，比如第1个因子提取信息量为22.3%，第2个因子为21.862%，第3个因子为18.051%，第4个因子为10.931%。
并且4个因子累积提取的信息量为73.145%。
那么当前4个因子可以表述14项，而且4个因子提取出14项的累积信息量为73.145%。
现希望得到4个因子分别的权重，此时可利用归一化处理，即相当于4个因子全部代表了整体14项，那么第1个因子的信息量为22.3%/73.145%=30.49%；类似的第2个因子特征根方差解释率%累积%特征根方差解释率%累积%特征根方差解释率%累积17.62354.4554.457.62354.4554.45 3.12222.322.7.79862.248因子编号特征根旋转前方差解释率旋转后方差解释率为21.862%/73.145%=29.89%；第3个因子为18.051%/73.145%=24.68%；第4个因子为10.931%/73.145%=14.94%。
如果是使用主成分法进行权重计算，其原理也类似，事实上结果上就是‘旋转前方差解释率’值的对应计算即可。
使用浓缩信息的原理进行权重计算时，只能得到各个因子的权重，无法得到具体每个分析项的权重，此时可继续结合后续的权重方法（通常是熵值法），得到具体各项的权重，然后汇总在一起，最终构建出权重体系。
通过因子分析或主成分分析进行权重计算的核心点即得到方差解释率值，但在得到权重前，事实上还有较多的准备工作，比如本例子中提取出4个因子，为什么是4个不是5个或者6个；这是结合专业知识和分析方法提取的其它指标进行了判断；以及有的时候某些分析项并不适合进行分析，还需要进行删除处理后才能进行分析等，此类准备工作是在分析前准备好，具体可参考SPSSAU帮助手册里面有具体的实际案例和视频说明等。
因子分析：SPSSAU因子分析帮助手册主成分分析：SPSSAU主成分分析帮助手册第二类、数字相对大小(AHP层次法和优序图法)计算权重的第二类方法原理是利用数字相对大小，数字越大其权重会相对越高。
此类原理的代表性方法为AHP层次法和优序图法。
1. AHP层次法AHP层次分析法的第一步是构建判断矩阵，即建立一个表格，表格里面表述了分析项的相对重要性大小。
比如选择旅游景点时共有4个考虑因素，分别是景色，门票，交通和拥护度，那么此4个因素的相对重要性构建出判断矩阵如下表：表格中数字代表相对重要的大小，比如门票和景色的数字为3分，其说明门票相对于景色来讲，门票更加重要。
当然反过来，景色相对于门票就更不重要，因此得分为1/3=0.3333分。
AHP层次分析法正是利用了数字大小的相对性，数字越大越重要权重会越高的原理，最终计算得到每个因素的重要性。
AHP层次分析法一般用于专家打分，直接让多位专家（一般是4~7个）提供相对重要性的打分判断矩阵，然后进行汇总（一般是去掉最大值和最小值，然后计算平均值得到最终的判断矩阵，最终计算得到各因素的权重。
SPSSAU共有两个按键可进行AHP层次分析法计算。
如果是问卷数据，比如本例中共有4个因素，问卷中可以直接问“景色的重要性多大？”，“门票的重要性多大？”，“交通的重要性多大？”，“拥护度的重要性多大？”。
可使用SPSSAU【问卷研究】--【权重】，系统会自动计算平均值，然后直接利用平均值大小相除得到相对重要性大小，即自动计算得到判断矩阵而不需要研究人员手工输入。
AHP 层次分析：【问卷研究】--【权重】如果是使用【综合评价】--【AHP 层次分析法】，研究人员需要自己手工输入判断矩阵。
【综合评价】--【AHP层次分析】2.针对优序图法除了AHP层次分析法外，优序图法也是利用数字的相对大小进行权重计算。
数字相对更大时编码为1，数字完全相同为0.5，数字相对更小编码为0。
然后利用求和且归一化的方法计算得到权重。
比如当前有9个指标，而且都有9个指标的平均值，9个指标两两之间的相对大小可以进行对比，并且SPSSAU会自动建立优序图权重计算表并且计算权重，如下表格：优序图法上表格中数字0表示相对不重要，数字1表示相对更重要，数字0.5表示一样重要。
比如指标2的平均值为3.967，指标1的平均值是4.1，因此指标1不如指标2重要；指标4的平均值为4.3，重要性高于指标1。
也或者指标7和指标9的平均得发均为4.133分，因此它们的重要性一样，记为0.5。
结合上面最关键的优序图权重计算表，然后得到各个具体指标（因素）的权重值。
优序图法适用于专家打分法，专家只需要对每个指标的重要性打分即可，然后让软件SPSSAU直接结合重要性打分值计算出相对重要性指标表格，最终计算得到权重。
优序图法和AHP法的思想上基本一致，均是利用了数字的相对重要性大小计算。
一般在问卷研究和专家打分时，使用AHP层次分析法或优序图法较多。
AHP层次分析法：SPSSAU-AHP层次分析法帮助手册优序图法：SPSSAU优序图法帮助手册第三类、信息量(熵值法)计算权重可以利用信息浓缩，也可利用数字相对重要性大小，除此之外，还可利用信息量的多少，即数据携带的信息量大小（物理学上的熵值原理）进行权重计算。
熵值是不确定性的一种度量。
信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。
因而利用熵值携带的信息进行权重计算，结合各项指标的变异程度，利用信息熵这个工具，计算出各项指标的权重，为多指标综合评价提供依据。
在实际研究中，通常情况下是先进行信息浓缩法（因子或主成分法）得到因子或主成分的权重，即得到高维度的权重，然后想得到具体每项的权重时，可使用熵值法进行计算。
SPSSAU在【综合评价】模块中提供此方法，其计算也较为简单易懂，直接把分析项放在框中即可得到具体的权重值。
【综合评价】--【熵值法】熵值法：SPSSAU熵值法帮助手册第四类、数据波动性或相关性(CRITIC、独立性和信息量权重)可利用因子或主成分法对信息进行浓缩，也可以利用数字相对大小进行AHP或优序图法分析得到权重，还可利用物理学上的熵值原理（即信息量携带多少）的方法得到权重。
除此之外，数据之间的波动性大小也是一种信息，也或者数据之间的相关关系大小，也是一种信息，可利用数据波动性大小或数据相关关系大小计算权重。
1.CRITIC权重法CRITIC权重法是一种客观赋权法。
其思想在于用两项指标，分别是对比强度和冲突性指标。
对比强度使用标准差进行表示，如果数据标准差越大说明波动越大，权重会越高；冲突性使用相关系数进行表示，如果指标之间的相关系数值越大，说明冲突性越小，那么其权重也就越低。
权重计算时，对比强度与冲突性指标相乘，并且进行归一化处理，即得到最终的权重。
使用SPSSAU时，自动会建立对比强度和冲突性指标，并且计算得到权重值。
CRITIC权重法适用于这样一类数据，即数据稳定性可视作一种信息，并且分析的指标或因素之间有着一定的关联关系时。
比如医院里面的指标：出院人数、入出院诊断符合率、治疗有效率、平均床位使用率、病床周转次数共5个指标；此5个指标的稳定性是一种信息，而且此5个指标之间本身就可能有着相关性。
因此CRITIC权重法刚好利用数据的波动性（对比强度）和相关性（冲突性）进行权重计算。
SPSSAU综合评价里面提供CRITIC权重法，如下图所示：【综合评价】--【CRITIC权重】2.独立性权重法独立性权重法是一种客观赋权法。
其思想在于利用指标之间的共线性强弱来确定权重。
如果说某指标与其它指标的相关性很强，说明信息有着较大的重叠，意味着该指标的权重会比较低，反之如果说某指标与其它指标的相关性较弱，那么说明该指标携带的信息量较大，该指标应该赋予更高的权重。
独立性权重法仅仅只考虑了数据之间相关性，其计算方式是使用回归分析得到的复相关系数R 值来表示共线性强弱（即相关性强弱），该值越大说明共线性越强，权重会越低。