本文介绍八种常见的综合评价方法
目录
综合评价的目的在于提供一个全面、客观、系统的分析框架，帮助决策者在多个备选方案或多个目标之间做出更加合理和科学的决策。
通俗说来，综合评价的本质就是得到权重和分数，然后相乘相加
所以本文从指标和权重两个方面来介绍综合评价方法
确定权重的方法
熵权法
熵权法是一种客观赋权方法，它通过计算各指标的信息熵来确定权重。信息熵越小，表示指标的变异性越大，所提供的信息量越多，因此权重也越大。这种方法不需要主观判断，能够较为客观地反映各指标的重要性。
因子分析法（FA）
提取公共因子：FA旨在识别原始变量背后的潜在因子，这些因子能够解释变量之间的相关性。通过旋转（如最大方差法或斜交旋转）来获得更易于解释的因子结构。
权重确定：每个因子都有一个因子载荷矩阵，该矩阵的列向量代表了原始变量在各因子上的载荷。载荷的平方和可以作为原始变量在各因子上的权重。
主成分分析法（PCA）
降维：PCA通过正交变换将原始数据转换为一组统计上不相关的变量，称为主成分。
主成分按照方差的大小排序，方差越大，表示该主成分包含的信息越多。
权重确定：每个主成分都有一个特征值，特征值的大小代表了该主成分的重要性。
可以通过特征值来确定各主成分的权重，通常主成分的权重是其方差的倒数。
CA和FA在综合评价中的区别：
- 目的：PCA主要关注数据的方差，而FA更关注变量之间的相关性。
- 解释性：FA通常提供更易于解释的因子结构，有助于理解变量之间的关系。
- 应用：PCA适用于需要降维且变量间关系不明确的情况；FA适用于变量间存在潜在相关结构的情况。
确定分数的方法
理想解法（TOPSIS）
理想解法通过确定理想解和负理想解，计算评价对象与这两个解的距离，来评价对象的相对优劣。这种方法可以直接得到评价对象的得分，用于多准则决策。特点是确定正负理想解，理想解是所有指标下最优的方案，即效益型指标取最大值，成本型指标取最小值。负理想解反之。
灰色关联分析法（GRA）
灰色关联分析法通过计算评价对象与参照对象之间的关联度，来评价对象的优劣。它适用于数据不完全或信息不明确的情况，可以直接得出评价对象的得分。特点是选择一组参考数据（通常是最好的或最差的数据）作为比较基准。
模糊综合评价法（FCE）
模糊综合评价法（Fuzzy Comprehensive Evaluation, FCE）是一种基于模糊数学理论的评价方法，它利用模糊逻辑处理评价指标中的不确定性和模糊性，尤其适用于那些评价标准不够明确或者难以量化的评价问题。
特点在于对每个指标层的指标构建隶属度函数，将定性的评价转化为定量的隶属度值。
隶属度函数的选择和参数设置需要根据具体的评价问题和专家经验来确定。FCE通过模糊数学的方法，提供了一种处理不确定性和模糊性的有效工具，使得评价过程更加符合实际情况，提高了评价的客观性和准确性。
既可以确定权重又可以确定分数的方法
层次分析法（AHP）
层次分析法通过建立层次结构模型，并通过成对比较的方式确定准则的相对重要性，计算权重。然后，结合权重和准则得分，可以进行综合评价，得出各备选方案的得分。
首先这个方法是具有主观性的，另外，这个方法既可以确定权重又可以确定分数。
数模课的入门第一课，这里我就不细说了。
数据包络分析法（DEA）
数据包络分析法是一种非参数的效率评价方法，它通过构建决策单元的效率前沿面，评价各决策单元的相对效率。DEA可以直接得出评价对象的得分，并通过分析可以间接反映各输入和输出指标的相对重要性。
这个方法一般都是单独用，很少和别的方法组合
