简介CRITIC赋权法是一种综合考虑一致性、相关性与强度指标的多属性决策权重客观确定方法由Dimitriades和Tzafestas于1995年提出适用于项目选择、供应商评估、产品设计等具有不确定性和模糊性的决策场景。对应Matlab实现压缩包内仅有1个m文件体积仅586B代码结构精简包含数据预处理、属性归一化、一致性指标计算、属性间相关性分析、变异强度度量、权重求解及对象综合打分等完整子函数。用户只需将内置的随机示例数据替换为实际问题的决策矩阵即可直接获得各属性的CRITIC权重与每个方案的量化评分。该资源目前已有1657人学习下载适合正在学习多属性决策分析方法或需要快速获取可运行Matlab赋权脚本的本科生、研究生及科研工程人员使用便于在此基础上进一步扩展可视化展示或与其他评价方法结合。1. 什么时候你需要一份MATLAB版的CRITIC赋权法当我需要给一组评价指标分配权重时CRITIC赋权法是我在MATLAB里优先尝试的客观赋权方法。它不需要专家打分也不依赖决策者的经验只靠数据本身的信息量来定权重。相比熵权法只盯着指标的离散程度CRITIC还额外考虑了指标之间的冲突性特别适合处理那些指标彼此相关、甚至高度重合的评价体系。有人喜欢抱着“从入门到精通”式的教程啃语法但我更倾向于把一个能直接跑的项目当成最好的语法书。这份资源是一个完整的MATLAB实现包解决的是从Excel数据到权重输出的全部流程读取数据、正向化处理、极差标准化、计算标准差与相关系数、合成信息量、归一化得到权重最后还能画出一张权重柱状图。适用人群很明确写论文需要客观权重的研究生、做综合评价报告的开发者以及刚入门MATLAB但想把算法落地的初学者。2. 原理与代码结构先看懂信息量公式再看懂文件分工2.1 CRITIC的算法骨架对比强度与冲突性怎么合成信息量CRITIC的英文全称是Criteria Importance Through Intercriteria Correlation核心思路可以拆成两个维度。第一个维度叫对比强度衡量的是同一个指标在不同样本之间的差异大小。如果某个指标在所有样本上的取值几乎一样它对“区分样本好坏”就没什么贡献权重应该给低反过来取值差异越大说明它携带的区分信息越多权重应该给高。实现时通常用标准差表示差异大则标准差大。第二个维度是冲突性衡量的是某个指标与其余指标之间的相关性。假如两个指标高度正相关说明它们反映的信息大量重叠这时候两个指标都拿高权重就相当于把同一份信息重复计入了如果指标之间相关性弱甚至负相关说明各自携带独立信息应当保留较高的权重。CRITIC用相关系数矩阵来计算冲突性具体做法是把某个指标与其余所有指标的相关系数取绝对值后用1减去这个绝对值再求和。两个维度合在一起就得到每个指标的信息量C对比强度标准差乘以冲突性熵。最后把所有指标的信息量做归一化占比高的指标权重自然就大。这个思路和AHP最大区别在于没有任何主观打分环节也和熵权法有明显区别——熵权法只看离散程度CRITIC多看了指标间的相关性所以当你的指标体系里存在强相关指标时CRITIC的结果往往更合理。2.2 源码包结构主脚本、核心函数与数据文件的分工一个合格的MATLAB实现不会把所有代码塞进一个文件里通常分成三部分主控脚本负责流程编排核心函数负责算法计算数据文件负责输入输出。我拆过的这套资源大概也是这个结构对应关系如下表所示文件作用需要改动的内容main_critic.m主脚本读取数据、调用函数、打印权重、绘图数据路径、指标方向配置critic_core.m核心计算标准化、标准差、相关系数、信息量、权重归一化一般不用动normalize_minmax.m极差标准化实现若想换z-score可替换data_input.xlsx样例数据用你自己的数据覆盖如果你拿到的包里函数名不完全一样先打开main_critic.m按调用顺序往下追一般能找到“标准化”和“计算权重”两个关键函数。这种结构的好处是职责边界清晰换数据不用碰算法改算法不用动主脚本。做二次开发的时候只需要盯住critic_core.m这一个文件就够了。2.3 为什么选MATLAB矩阵化写法省掉三层for循环学过C语言指针的人第一次接触MATLAB会有点不适应矩阵不用手动遍历整列运算一句话就完成。这个项目恰恰是典型的矩阵化场景——标准差用std按列算相关系数用corrcoef一次得矩阵信息量用点乘完成全部不需要显式循环。代码短出错概率也低。对比Python实现MATLAB的优势在于统计函数开箱即用而且画图非常方便。corrcoef、std这些函数在MATLAB里是基础功能不需要额外装包bar画权重图也是一行代码的事。做算法验证的时候这种“数据进来图和表一起出去”的工作流很顺手。3. 核心代码逐段拆解数据从Excel到权重输出的完整链路3.1 第1步数据读入与指标正向化先处理数据入口。假设你的Excel表第1列是样本编号第2列开始是指标值第一行是指标名。用readmatrix读进来后去掉样本编号列得到纯数值矩阵% main_critic.m 片段读数据 正向化 % 数据表结构第1列样本ID其余列为指标值第1行是指标名 data readmatrix(data_input.xlsx, NumHeaderLines, 1); X data(:, 2:end); % 去掉样本ID列得到[m, n]数据矩阵 [n, m] size(X); % n个样本m个指标 % 成本型指标列号值越小越好按实际指标体系修改 costCols [2, 4]; % 正向化用倒数把“越小越好”转成“越大越好” X(:, costCols) 1 ./ X(:, costCols);正向化这一步非常关键。CRITIC本身不识别指标方向成本型指标如果不处理标准差算出来方向是反的权重会和实际含义打架。这里用倒数而不是取负数是因为后续要做极差标准化倒数变换仍然保持正向单调性而负数会让标准化后的区间变成[0,1]的反向映射容易把下游计算搞乱。参数说明costCols按你的指标体系配置如果全部是收益型指标越大越好这行直接留空或删除如果数据量纲差异极大比如有的指标是百分比、有的是金额不需要提前归一化极差标准化会在下一步统一处理。3.2 第2步极差法归一化把量纲抹平用min-max极差法把每一列压缩到[0,1]区间这样不同量纲的指标就能放在同一个尺度下比较。代码很短但背后有讲究% 极差法归一化单独对每列做不跨列 minVal min(X, [], 1); % 每个指标的最小值 maxVal max(X, [], 1); % 每个指标的最大值 X_norm (X - minVal) ./ (maxVal - minVal);这里选择极差法而不是z-score标准化是因为CRITIC的冲突性计算依赖相关系数矩阵极差法把所有指标统一到[0,1]区间后相关系数的数值解释更直观z-score会把数据变成均值为0、方差为1的分布本身也没问题但在信息量合成阶段标准差会恒定为1对比强度完全丢失。换句话说选了z-score就等于把CRITIC的“对比强度”维度废掉了权重只由冲突性决定这是最容易被忽略的坑。参数说明min(X, [], 1)里的第三个参数1表示沿列方向取最小值写成min(X)默认是对整个矩阵取全局最小值那就错了。每一列必须独立标准化否则量纲差异会顺着列间比较混进来。3.3 第3步标准差与相关系数计算这一步是CRITIC的核心对比强度和冲突性在这里算出来% 对比强度按列计算标准差0表示样本标准差除以n-1 sigma std(X_norm, 0, 1); % 冲突性相关系数矩阵取绝对值后再做1-r变换 R corrcoef(X_norm); % 减去1是为了去掉矩阵对角线上“指标与自身的相关系数” conflict sum(1 - abs(R), 1) - 1;std(X_norm, 0, 1)的第二个参数0表示除以n-1如果写1会除以n。两种结果绝对值不同但后面要做归一化只要所有指标统一用同一种设置权重结果完全一致所以这里不用纠结。相关系数矩阵R的维度是m×m对角线永远是1。abs(R)的处理值得单独说如果两个指标强负相关说明它们反映的是同一件事的相反方向本质上也是信息重复取绝对值后冲突性降低权重会被合理压低。如果不取绝对值负相关会被当作“高冲突”处理权重反而变高这就和CRITIC的设计初衷背道而驰了。所以我在实现里默认保留abs但你如果复现某些文献要先看清楚原文公式用的是哪种约定。3.4 第4步信息量合成与权重归一化有了对比强度和冲突性剩下就是简单的逐元素乘法和归一化% 信息量对比强度 × 冲突性 C sigma .* conflict; % 归一化权重 w C ./ sum(C); % 打印权重 for i 1:m fprintf(指标%d权重%.4f\n, i, w(i)); end % 绘制权重柱状图 bar(w); set(gca, XTickLabel, {指标1, 指标2, 指标3, 指标4});在MATLAB里sigma是1×m的行向量conflict也是1×m用.*做逐元素相乘不能写成sigma * conflict那样会变成矩阵乘法直接报维度错误。C的值越大说明这个指标既在样本间有区分度又和其他指标信息重叠少理所应当拿到更高的权重。如果一切正常输出结果大概是下面这种感觉以4个指标为例指标标准差σ冲突性信息量C权重w指标10.2412.7120.6530.312指标20.1582.1850.3450.165指标30.3321.8960.6290.301指标40.1272.3400.2980.142所有指标权重相加等于1。如果某个指标的C算出来是0先回头检查这一列数据是不是所有样本取值都相同——方差为0信息量为0权重必然被打到0这种指标要么剔除要么换数据。4. 跑通全程环境清单、三步启动与结果解读4.1 运行环境与文件清单这套代码不依赖任何额外工具箱纯基础MATLAB函数就能跑。版本方面R2019a以上比较稳妥因为readmatrix函数需要这个版本如果你还在用R2016a这类老版本把readmatrix改成xlsread就行用法是data xlsread(data_input.xlsx)它会自动跳过文本行直接返回数值矩阵。完整文件清单如下文件类型说明main_critic.m主脚本从读数据到输出权重的完整流程critic_core.m函数CRITIC核心算法一般不需要改动normalize_minmax.m函数极差标准化实现data_input.xlsx数据样例数据运行时替换成你自己的数据4.2 三步跑通替换数据、执行脚本、查看输出第一步是把数据整理成Excel表每行是一个样本每列是一个指标第一行放指标名第一列放样本名。如果你的指标里有成本型越小越好记下它的列号打开main_critic.m修改costCols这一行配置。注意正向化必须放在标准化之前顺序错了权重会直接失真。第二步是在MATLAB里把当前路径切换到源码目录命令行输入main_critic直接回车。脚本会自动读取data_input.xlsx跑完会在命令行打印每个指标的权重并弹出一张权重柱状图。工作区里会出现w、sigma、conflict、C几个变量w就是最终权重向量。第三步是检查结果。权重之和应该严格等于1任一指标的权重不应出现负值柱状图的高度应该和打印结果一致。如果发现某个权重特别小或特别大不要急着怀疑代码先回到数据检查那一列的分布情况。4.3 结果怎么进一步用算综合得分与灵敏度检查CRITIC算出来的权重通常不是终点后面还要做综合评价。最常见的用法是线性加权直接用标准化后的矩阵乘权重向量得出每个样本的综合得分score X_norm * w; % 加权综合得分 [~, idx] sort(score, descend); % 按得分降序排列这样就能对样本做排序了。如果你的后续流程是TOPSIS这个权重可以当成TOPSIS的输入权重直接使用。顺手做一次灵敏度检查能增加结果可信度随机剔除一个样本重新跑一遍CRITIC观察权重变化幅度。如果权重波动剧烈说明样本量太少、结果不稳定这时候CRITIC只能作为参考最好配合其他方法交叉验证。5. 常见问题与避坑记录CRITIC实现路上的5个典型踩坑点5.1 缺失值导致所有权重变成NaN现象运行脚本后命令行打印的全是NaN柱状图也是空白的。原因readmatrix读取Excel时空白单元格会被自动填充为NaN。后续的min、max、std、corrcoef遇到NaN会一路传染最终权重全部变成NaN。这不是算法问题是数据预处理没做好。解决在正向化之前先对数据做缺失值清理用rmmissing删除含缺失值的行或者用fillmissing按列插补。我一般习惯把缺失值处理放在读入之后第一件事优先级高于正向化。5.2 指标方向没统一导致权重和直觉相反现象某个成本型指标比如“故障率”算出来的权重高得离谱或者和领域经验完全相反。原因CRITIC是纯数据驱动的方法它不知道哪个指标是“越小越好”。你如果直接拿原始数据喂进去标准差和相关系数都不会区分方向结果的解释方向可能正好反了。解决在标准化之前对成本型指标做正向化推荐倒数变换。改完之后重新跑一遍这个指标的相关性符号会翻转权重分布才会回到正常范围。5.3 相关系数的负号处理不一致现象同一个数据集有人跑出来权重和你完全不一样尤其是某些负相关指标差很多。原因冲突性的计算存在两种约定。一种直接用1 - R负相关会得到大于1的冲突值另一种用1 - abs(R)负相关被折减为低冲突。两种做法没有绝对的对错但结果差异很大代码里写的是哪一种直接决定权重走向。解决先看你的参考资料用哪种公式。如果是自己用建议统一用abs版本理由很直接——指标的正负向编码有时是人为规定的比如“正向化”可以取倒数也可以取负编码方式一变相关系数符号就变用abs能保证结果不随编码方式漂移复用性更强。5.4 样本太少导致权重震荡现象只有三五个样本删掉一个样本重新跑权重排序完全变了像玄学一样不稳定。原因相关系数矩阵对样本量非常敏感。样本量低于8个时相关系数的置信区间很宽算出来的冲突性随机性强权重自然跟着抖。解决至少保证10个以上样本再谈客观赋权。实在凑不够样本就把CRITIC和熵权法做加权融合给两者各分配一个经验系数这种带有主观修正的组合方式比单一方法更能抗小样本干扰。5.5 和熵权法结果差异大怀疑自己算错了现象用同一份数据跑熵权法和CRITIC权重分布完全不同甚至出现了“熵权法给A最高、CRITIC给A最低”的翻车局面。原因这通常不是代码错而是两种方法的数学逻辑本质不同。熵权法只看指标离散程度CRITIC还考虑了指标间相关性。如果指标体系里存在强相关指标两个方法的结果差异会非常明显。解决按指标体系的性质选方法。指标间关联度低、相对独立时熵权法就够了指标间高度相关、想避免重复计权时优先选CRITIC。做研究时可以把两种都跑出来在论文里说明选择理由这反而比只丢一个权重更有说服力。6. 二次开发思路把脚本一步步改成可复用工具包6.1 第一步从脚本到函数加参数校验脚本只能在固定路径下运行换个数据就得打开代码改路径。我会先改成函数输入纯数据矩阵输出权重和信息量function [w, out] criticWeight(X, opt) arguments X double opt.method char abs % 默认取绝对值 opt.normalize char minmax % 默认极差标准化 end % 正向化、标准化、计算权重 % 校验X为空或含NaN直接报错 if isempty(X) || any(isnan(X), all) error(输入数据不能为空或包含NaN); end % ... 核心计算与输出 end这样main脚本只剩一行调用其他项目也能直接import这个函数。参数校验是必须的缺失值早暴露比晚暴露好。6.2 第二步支持多种冲突性变体我看过一些改进思路有人把相关系数换成协方差矩阵有人在信息量里加了熵值修正还有人研究过正负相关分开计算的情况。在函数里留一个method参数用switch切分即可switch opt.method case abs % 常用实现取绝对值 conflict sum(1 - abs(R), 1) - 1; case raw % 原始公式不取绝对值 conflict sum(1 - R, 1) - 1; case entropy % 引入熵值修正项 E entropy(X_norm); conflict sum(1 - abs(R), 1) - 1 E; otherwise error(未知method); end每个分支对应不同的方法论倾向。做对比实验时只需要切换method参数就能批量产出不同版本的结果省去反复改主脚本的麻烦。6.3 回归验证与习惯养成改造完之后最怕的一件事是“代码改着改着结果悄悄变了”。我每次改动后都会用data_input.xlsx作为基准数据跑一遍把权重结果和上一次的保存值做对比差值超过1e-10就直接报红。自从有过一次改标准化方式导致权重全变的经历我每次改完这套代码都会强制走一遍回归对比把结果表存档。希望帮到你。本文还有配套的精品资源点击获取
简介CRITIC赋权法是一种综合考虑一致性、相关性与强度指标的多属性决策权重客观确定方法由Dimitriades和Tzafestas于1995年提出适用于项目选择、供应商评估、产品设计等具有不确定性和模糊性的决策场景。对应Matlab实现压缩包内仅有1个m文件体积仅586B代码结构精简包含数据预处理、属性归一化、一致性指标计算、属性间相关性分析、变异强度度量、权重求解及对象综合打分等完整子函数。用户只需将内置的随机示例数据替换为实际问题的决策矩阵即可直接获得各属性的CRITIC权重与每个方案的量化评分。该资源目前已有1657人学习下载适合正在学习多属性决策分析方法或需要快速获取可运行Matlab赋权脚本的本科生、研究生及科研工程人员使用便于在此基础上进一步扩展可视化展示或与其他评价方法结合。1. 什么时候你需要一份MATLAB版的CRITIC赋权法当我需要给一组评价指标分配权重时CRITIC赋权法是我在MATLAB里优先尝试的客观赋权方法。它不需要专家打分也不依赖决策者的经验只靠数据本身的信息量来定权重。相比熵权法只盯着指标的离散程度CRITIC还额外考虑了指标之间的冲突性特别适合处理那些指标彼此相关、甚至高度重合的评价体系。有人喜欢抱着“从入门到精通”式的教程啃语法但我更倾向于把一个能直接跑的项目当成最好的语法书。这份资源是一个完整的MATLAB实现包解决的是从Excel数据到权重输出的全部流程读取数据、正向化处理、极差标准化、计算标准差与相关系数、合成信息量、归一化得到权重最后还能画出一张权重柱状图。适用人群很明确写论文需要客观权重的研究生、做综合评价报告的开发者以及刚入门MATLAB但想把算法落地的初学者。2. 原理与代码结构先看懂信息量公式再看懂文件分工2.1 CRITIC的算法骨架对比强度与冲突性怎么合成信息量CRITIC的英文全称是Criteria Importance Through Intercriteria Correlation核心思路可以拆成两个维度。第一个维度叫对比强度衡量的是同一个指标在不同样本之间的差异大小。如果某个指标在所有样本上的取值几乎一样它对“区分样本好坏”就没什么贡献权重应该给低反过来取值差异越大说明它携带的区分信息越多权重应该给高。实现时通常用标准差表示差异大则标准差大。第二个维度是冲突性衡量的是某个指标与其余指标之间的相关性。假如两个指标高度正相关说明它们反映的信息大量重叠这时候两个指标都拿高权重就相当于把同一份信息重复计入了如果指标之间相关性弱甚至负相关说明各自携带独立信息应当保留较高的权重。CRITIC用相关系数矩阵来计算冲突性具体做法是把某个指标与其余所有指标的相关系数取绝对值后用1减去这个绝对值再求和。两个维度合在一起就得到每个指标的信息量C对比强度标准差乘以冲突性熵。最后把所有指标的信息量做归一化占比高的指标权重自然就大。这个思路和AHP最大区别在于没有任何主观打分环节也和熵权法有明显区别——熵权法只看离散程度CRITIC多看了指标间的相关性所以当你的指标体系里存在强相关指标时CRITIC的结果往往更合理。2.2 源码包结构主脚本、核心函数与数据文件的分工一个合格的MATLAB实现不会把所有代码塞进一个文件里通常分成三部分主控脚本负责流程编排核心函数负责算法计算数据文件负责输入输出。我拆过的这套资源大概也是这个结构对应关系如下表所示文件作用需要改动的内容main_critic.m主脚本读取数据、调用函数、打印权重、绘图数据路径、指标方向配置critic_core.m核心计算标准化、标准差、相关系数、信息量、权重归一化一般不用动normalize_minmax.m极差标准化实现若想换z-score可替换data_input.xlsx样例数据用你自己的数据覆盖如果你拿到的包里函数名不完全一样先打开main_critic.m按调用顺序往下追一般能找到“标准化”和“计算权重”两个关键函数。这种结构的好处是职责边界清晰换数据不用碰算法改算法不用动主脚本。做二次开发的时候只需要盯住critic_core.m这一个文件就够了。2.3 为什么选MATLAB矩阵化写法省掉三层for循环学过C语言指针的人第一次接触MATLAB会有点不适应矩阵不用手动遍历整列运算一句话就完成。这个项目恰恰是典型的矩阵化场景——标准差用std按列算相关系数用corrcoef一次得矩阵信息量用点乘完成全部不需要显式循环。代码短出错概率也低。对比Python实现MATLAB的优势在于统计函数开箱即用而且画图非常方便。corrcoef、std这些函数在MATLAB里是基础功能不需要额外装包bar画权重图也是一行代码的事。做算法验证的时候这种“数据进来图和表一起出去”的工作流很顺手。3. 核心代码逐段拆解数据从Excel到权重输出的完整链路3.1 第1步数据读入与指标正向化先处理数据入口。假设你的Excel表第1列是样本编号第2列开始是指标值第一行是指标名。用readmatrix读进来后去掉样本编号列得到纯数值矩阵% main_critic.m 片段读数据 正向化 % 数据表结构第1列样本ID其余列为指标值第1行是指标名 data readmatrix(data_input.xlsx, NumHeaderLines, 1); X data(:, 2:end); % 去掉样本ID列得到[m, n]数据矩阵 [n, m] size(X); % n个样本m个指标 % 成本型指标列号值越小越好按实际指标体系修改 costCols [2, 4]; % 正向化用倒数把“越小越好”转成“越大越好” X(:, costCols) 1 ./ X(:, costCols);正向化这一步非常关键。CRITIC本身不识别指标方向成本型指标如果不处理标准差算出来方向是反的权重会和实际含义打架。这里用倒数而不是取负数是因为后续要做极差标准化倒数变换仍然保持正向单调性而负数会让标准化后的区间变成[0,1]的反向映射容易把下游计算搞乱。参数说明costCols按你的指标体系配置如果全部是收益型指标越大越好这行直接留空或删除如果数据量纲差异极大比如有的指标是百分比、有的是金额不需要提前归一化极差标准化会在下一步统一处理。3.2 第2步极差法归一化把量纲抹平用min-max极差法把每一列压缩到[0,1]区间这样不同量纲的指标就能放在同一个尺度下比较。代码很短但背后有讲究% 极差法归一化单独对每列做不跨列 minVal min(X, [], 1); % 每个指标的最小值 maxVal max(X, [], 1); % 每个指标的最大值 X_norm (X - minVal) ./ (maxVal - minVal);这里选择极差法而不是z-score标准化是因为CRITIC的冲突性计算依赖相关系数矩阵极差法把所有指标统一到[0,1]区间后相关系数的数值解释更直观z-score会把数据变成均值为0、方差为1的分布本身也没问题但在信息量合成阶段标准差会恒定为1对比强度完全丢失。换句话说选了z-score就等于把CRITIC的“对比强度”维度废掉了权重只由冲突性决定这是最容易被忽略的坑。参数说明min(X, [], 1)里的第三个参数1表示沿列方向取最小值写成min(X)默认是对整个矩阵取全局最小值那就错了。每一列必须独立标准化否则量纲差异会顺着列间比较混进来。3.3 第3步标准差与相关系数计算这一步是CRITIC的核心对比强度和冲突性在这里算出来% 对比强度按列计算标准差0表示样本标准差除以n-1 sigma std(X_norm, 0, 1); % 冲突性相关系数矩阵取绝对值后再做1-r变换 R corrcoef(X_norm); % 减去1是为了去掉矩阵对角线上“指标与自身的相关系数” conflict sum(1 - abs(R), 1) - 1;std(X_norm, 0, 1)的第二个参数0表示除以n-1如果写1会除以n。两种结果绝对值不同但后面要做归一化只要所有指标统一用同一种设置权重结果完全一致所以这里不用纠结。相关系数矩阵R的维度是m×m对角线永远是1。abs(R)的处理值得单独说如果两个指标强负相关说明它们反映的是同一件事的相反方向本质上也是信息重复取绝对值后冲突性降低权重会被合理压低。如果不取绝对值负相关会被当作“高冲突”处理权重反而变高这就和CRITIC的设计初衷背道而驰了。所以我在实现里默认保留abs但你如果复现某些文献要先看清楚原文公式用的是哪种约定。3.4 第4步信息量合成与权重归一化有了对比强度和冲突性剩下就是简单的逐元素乘法和归一化% 信息量对比强度 × 冲突性 C sigma .* conflict; % 归一化权重 w C ./ sum(C); % 打印权重 for i 1:m fprintf(指标%d权重%.4f\n, i, w(i)); end % 绘制权重柱状图 bar(w); set(gca, XTickLabel, {指标1, 指标2, 指标3, 指标4});在MATLAB里sigma是1×m的行向量conflict也是1×m用.*做逐元素相乘不能写成sigma * conflict那样会变成矩阵乘法直接报维度错误。C的值越大说明这个指标既在样本间有区分度又和其他指标信息重叠少理所应当拿到更高的权重。如果一切正常输出结果大概是下面这种感觉以4个指标为例指标标准差σ冲突性信息量C权重w指标10.2412.7120.6530.312指标20.1582.1850.3450.165指标30.3321.8960.6290.301指标40.1272.3400.2980.142所有指标权重相加等于1。如果某个指标的C算出来是0先回头检查这一列数据是不是所有样本取值都相同——方差为0信息量为0权重必然被打到0这种指标要么剔除要么换数据。4. 跑通全程环境清单、三步启动与结果解读4.1 运行环境与文件清单这套代码不依赖任何额外工具箱纯基础MATLAB函数就能跑。版本方面R2019a以上比较稳妥因为readmatrix函数需要这个版本如果你还在用R2016a这类老版本把readmatrix改成xlsread就行用法是data xlsread(data_input.xlsx)它会自动跳过文本行直接返回数值矩阵。完整文件清单如下文件类型说明main_critic.m主脚本从读数据到输出权重的完整流程critic_core.m函数CRITIC核心算法一般不需要改动normalize_minmax.m函数极差标准化实现data_input.xlsx数据样例数据运行时替换成你自己的数据4.2 三步跑通替换数据、执行脚本、查看输出第一步是把数据整理成Excel表每行是一个样本每列是一个指标第一行放指标名第一列放样本名。如果你的指标里有成本型越小越好记下它的列号打开main_critic.m修改costCols这一行配置。注意正向化必须放在标准化之前顺序错了权重会直接失真。第二步是在MATLAB里把当前路径切换到源码目录命令行输入main_critic直接回车。脚本会自动读取data_input.xlsx跑完会在命令行打印每个指标的权重并弹出一张权重柱状图。工作区里会出现w、sigma、conflict、C几个变量w就是最终权重向量。第三步是检查结果。权重之和应该严格等于1任一指标的权重不应出现负值柱状图的高度应该和打印结果一致。如果发现某个权重特别小或特别大不要急着怀疑代码先回到数据检查那一列的分布情况。4.3 结果怎么进一步用算综合得分与灵敏度检查CRITIC算出来的权重通常不是终点后面还要做综合评价。最常见的用法是线性加权直接用标准化后的矩阵乘权重向量得出每个样本的综合得分score X_norm * w; % 加权综合得分 [~, idx] sort(score, descend); % 按得分降序排列这样就能对样本做排序了。如果你的后续流程是TOPSIS这个权重可以当成TOPSIS的输入权重直接使用。顺手做一次灵敏度检查能增加结果可信度随机剔除一个样本重新跑一遍CRITIC观察权重变化幅度。如果权重波动剧烈说明样本量太少、结果不稳定这时候CRITIC只能作为参考最好配合其他方法交叉验证。5. 常见问题与避坑记录CRITIC实现路上的5个典型踩坑点5.1 缺失值导致所有权重变成NaN现象运行脚本后命令行打印的全是NaN柱状图也是空白的。原因readmatrix读取Excel时空白单元格会被自动填充为NaN。后续的min、max、std、corrcoef遇到NaN会一路传染最终权重全部变成NaN。这不是算法问题是数据预处理没做好。解决在正向化之前先对数据做缺失值清理用rmmissing删除含缺失值的行或者用fillmissing按列插补。我一般习惯把缺失值处理放在读入之后第一件事优先级高于正向化。5.2 指标方向没统一导致权重和直觉相反现象某个成本型指标比如“故障率”算出来的权重高得离谱或者和领域经验完全相反。原因CRITIC是纯数据驱动的方法它不知道哪个指标是“越小越好”。你如果直接拿原始数据喂进去标准差和相关系数都不会区分方向结果的解释方向可能正好反了。解决在标准化之前对成本型指标做正向化推荐倒数变换。改完之后重新跑一遍这个指标的相关性符号会翻转权重分布才会回到正常范围。5.3 相关系数的负号处理不一致现象同一个数据集有人跑出来权重和你完全不一样尤其是某些负相关指标差很多。原因冲突性的计算存在两种约定。一种直接用1 - R负相关会得到大于1的冲突值另一种用1 - abs(R)负相关被折减为低冲突。两种做法没有绝对的对错但结果差异很大代码里写的是哪一种直接决定权重走向。解决先看你的参考资料用哪种公式。如果是自己用建议统一用abs版本理由很直接——指标的正负向编码有时是人为规定的比如“正向化”可以取倒数也可以取负编码方式一变相关系数符号就变用abs能保证结果不随编码方式漂移复用性更强。5.4 样本太少导致权重震荡现象只有三五个样本删掉一个样本重新跑权重排序完全变了像玄学一样不稳定。原因相关系数矩阵对样本量非常敏感。样本量低于8个时相关系数的置信区间很宽算出来的冲突性随机性强权重自然跟着抖。解决至少保证10个以上样本再谈客观赋权。实在凑不够样本就把CRITIC和熵权法做加权融合给两者各分配一个经验系数这种带有主观修正的组合方式比单一方法更能抗小样本干扰。5.5 和熵权法结果差异大怀疑自己算错了现象用同一份数据跑熵权法和CRITIC权重分布完全不同甚至出现了“熵权法给A最高、CRITIC给A最低”的翻车局面。原因这通常不是代码错而是两种方法的数学逻辑本质不同。熵权法只看指标离散程度CRITIC还考虑了指标间相关性。如果指标体系里存在强相关指标两个方法的结果差异会非常明显。解决按指标体系的性质选方法。指标间关联度低、相对独立时熵权法就够了指标间高度相关、想避免重复计权时优先选CRITIC。做研究时可以把两种都跑出来在论文里说明选择理由这反而比只丢一个权重更有说服力。6. 二次开发思路把脚本一步步改成可复用工具包6.1 第一步从脚本到函数加参数校验脚本只能在固定路径下运行换个数据就得打开代码改路径。我会先改成函数输入纯数据矩阵输出权重和信息量function [w, out] criticWeight(X, opt) arguments X double opt.method char abs % 默认取绝对值 opt.normalize char minmax % 默认极差标准化 end % 正向化、标准化、计算权重 % 校验X为空或含NaN直接报错 if isempty(X) || any(isnan(X), all) error(输入数据不能为空或包含NaN); end % ... 核心计算与输出 end这样main脚本只剩一行调用其他项目也能直接import这个函数。参数校验是必须的缺失值早暴露比晚暴露好。6.2 第二步支持多种冲突性变体我看过一些改进思路有人把相关系数换成协方差矩阵有人在信息量里加了熵值修正还有人研究过正负相关分开计算的情况。在函数里留一个method参数用switch切分即可switch opt.method case abs % 常用实现取绝对值 conflict sum(1 - abs(R), 1) - 1; case raw % 原始公式不取绝对值 conflict sum(1 - R, 1) - 1; case entropy % 引入熵值修正项 E entropy(X_norm); conflict sum(1 - abs(R), 1) - 1 E; otherwise error(未知method); end每个分支对应不同的方法论倾向。做对比实验时只需要切换method参数就能批量产出不同版本的结果省去反复改主脚本的麻烦。6.3 回归验证与习惯养成改造完之后最怕的一件事是“代码改着改着结果悄悄变了”。我每次改动后都会用data_input.xlsx作为基准数据跑一遍把权重结果和上一次的保存值做对比差值超过1e-10就直接报红。自从有过一次改标准化方式导致权重全变的经历我每次改完这套代码都会强制走一遍回归对比把结果表存档。希望帮到你。本文还有配套的精品资源点击获取
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
