CRITIC赋权法原理与Matlab实现：从对比强度到权重计算-北京尧图网络

简介这是基于 Matlab 的 CRITIC 赋权法实现代码包面向多属性决策分析领域的科研人员、工程师及相关课程学习者用于解决属性权重依赖主观判断的问题。CRITIC 方法从一致性Cronbachs α系数、相关性和强度变异度三个维度刻画属性特征比简单熵权法或层次分析法更具客观性。代码包整体非常精简仅含1个 m 格式源码文件压缩包约 586B适合直接加载到 Matlab 中阅读、修改与运行内部覆盖数据归一化、相关系数矩阵计算、指标变异度测算、基于 CRITIC 准则的权重求解以及对象综合评分等完整流程。使用者只需按注释替换决策矩阵即可得到各属性权重和排序结果并可在清晰的代码结构基础上扩展可视化、与 TOPSIS 或灰色关联等方法集成对比。目前已有 1656 人学习下载对希望掌握 CRITIC 原理并在 Matlab 中落地应用的读者来说是一份轻量且实用的参考。1. 为什么在多指标权重计算里CRITIC比熵权法更稳做过多指标评价的人大概都遇到过这种场景手里有十几个指标的数据想算个综合得分但权重怎么定都心虚。熵权法用信息熵做权重只盯着离散程度层次分析法又太主观专家打分容易吵翻天。CRITIC赋权法在这类问题里是相对折中的选择——它同时考虑指标的对比强度标准差和冲突性相关系数把“这个指标自己波动大不大”和“它与其他指标是否重复”都算进了权重。我最早在某个跨平台系统的供应商评价中用CRITIC计算权重对比熵权法的结果后发现CRITIC给出的权重分布更分散也更能体现负相关指标的独立贡献。适合手头数据是原始观测值、指标可能存在多重共线性、又不想引入主观偏好的从业者。如果你正要处理这类多维数据这篇笔记带你从原理到Matlab实现完整走一遍顺便把几个容易翻车的地方提前标出来。2. CRITIC赋权法的原理与计算步骤从对比强度到冲突性矩阵2.1 两个核心指标对比强度与冲突性CRITIC的全称是Criteria Importance Through Intercriteria Correlation直译就是“通过指标间相关性来确定指标重要性”。它不依赖专家意见完全从数据本身出发核心由两个指标构成。第一个是对比强度用标准差来表示。标准差越大说明这个指标在不同样本间的数值波动越大区分度越高理应获得更大的权重。比如评价几个方案时如果某个指标所有样本取值都差不多那它对最终排序几乎没贡献权重就应该低。这和熵权法的思路有交集但CRITIC不只看波动还看指标之间的相关性。第二个是冲突性用相关系数来量化。两个指标如果正相关性很强说明它们传递的信息有重叠权重需要适当削减反之如果负相关甚至不相关说明这个指标提供了额外的独立信息权重应该提升。这里的“冲突性”计算公式是[ C_j \sigma_j \sum_{i1}^{m} (1 - r_{ij}) ]其中 (\sigma_j) 是第 (j) 个指标的标准差(r_{ij}) 是第 (i) 个和第 (j) 个指标的相关系数。求和是遍历所有指标(1 - r_{ij}) 越大表示冲突性越强。需要注意的是相关系数有正有负所以这个求和结果天然就会把正相关的重叠信息压下来把负相关的独立信息抬上去。2.2 计算流程拆解数据标准化、标准差、相关系数合成实际计算CRITIC权重时流程可以分为四步。第一步是标准化。因为不同指标的量纲不同比如一个指标是百分比另一个是金额直接算标准差和相关系数会失去意义。常用的是极差标准化把每个指标映射到[0,1]区间。正向指标用 ((x - \min) / (\max - \min))负向指标用 ((\max - x) / (\max - \min))这一步同时解决了量纲和指标方向问题。第二步计算标准差。标准化之后每个指标就是一组[0,1]之间的数值直接算样本标准差即可。标准差越大对比强度越高。第三步算相关系数矩阵。对标准化后的数据计算皮尔逊相关系数矩阵得到一个 (n \times n) 的方阵(n) 是指标数量。这个矩阵里的每一个元素表示两个指标之间的线性相关程度。第四步合成权重。先计算每个指标的冲突性 (C_j)再用对比强度和冲突性的乘积 (S_j \sigma_j \times C_j) 作为信息量最后对 (S_j) 归一化得到权重 (W_j S_j / \sum S_j)。这套流程的关键在于相关系数矩阵的处理。常见的实现里要么把全矩阵的 (1 - r_{ij}) 加总要么只取其中一半避免重复计算。两种做法结果有差异后文避坑章节会具体分析。无论如何计算逻辑本身并不复杂难点在于数据质量和代码细节。3. Matlab实现CRITIC赋权法完整代码与逐步说明3.1 数据预处理打平量纲的几个方案Matlab里实现CRITIC的第一步是读入数据并预处理。我一般用矩阵存储行为样本列为指标。预处理方式直接影响结果所以先把方案列清楚。极差标准化是最常用的但要注意异常值。如果数据里有极端大或极端小的值极差会被拉大导致大部分样本的标准化值集中在0附近标准差变小。另一种是Z-score标准化但Z-score不改变指标方向的区分且当指标里同时有正向和负向时需要额外处理方向。CRITIC本身不要求指标全部正向但冲突性计算依赖相关系数而相关系数对方向敏感。所以我的习惯是先判断指标方向全部转换为正向后再进行标准化这样后续的标准差和相关系数才有明确意义。% 读入原始数据行为样本列为指标 data xlsread(raw_data.xlsx); % 示例文件路径 % 定义指标方向1表示正向0表示负向 indicator_type [1, 0, 1, 1]; % 极差标准化 [n, m] size(data); norm_data zeros(n, m); for j 1:m min_val min(data(:, j)); max_val max(data(:, j)); if indicator_type(j) 1 norm_data(:, j) (data(:, j) - min_val) / (max_val - min_val); else norm_data(:, j) (max_val - data(:, j)) / (max_val - min_val); end end这段代码的逻辑很简单对每一列数据找到最小值和最大值根据指标方向选择正向或负向公式。注意这里如果用xlsread读取Excel需要确保数据文件在当前工作目录下或者使用绝对路径。我实际项目里更喜欢用readtable和table2array因为能保留变量名后续输出权重时方便对应。3.2 计算对比强度、冲突矩阵与权重核心代码实现标准化完成之后就可以计算核心变量了。标准差用Matlab内置的std函数默认是样本标准差除以n-1。相关系数矩阵用corrcoef函数。这里有一个容易踩坑的点corrcoef默认返回的是行列数相同的矩阵对角线为1。计算冲突性时对角线上的值对应 (1 - 1 0)不会对结果产生正向贡献但求和时需要决定是否包含对角线。常见做法是包含对角线因为对角线为0不影响求和也有实现只取上三角两者结果会差一个系数归一化后权重相同。我验证过只要最后归一化包含不包含对角线不影响最终权重所以放心用全矩阵即可。% 计算标准差 std_values std(norm_data, 0, 1); % 1表示沿列方向计算 % 计算相关系数矩阵 corr_matrix corrcoef(norm_data); % 计算冲突性包含对角线对角线为0不影响求和 conflict zeros(1, m); for j 1:m conflict_sum 0; for i 1:m conflict_sum conflict_sum (1 - corr_matrix(i, j)); end conflict(j) conflict_sum; end % 计算信息量 info std_values .* conflict; % 计算权重并归一化 weights info / sum(info); % 打印结果 for j 1:m fprintf(指标%d的权重: %.4f\n, j, weights(j)); end这段代码里std_values是长度为m的行向量conflict也是行向量。info是点乘得到每个指标的综合信息量。归一化用sum(info)做分母保证权重和为1。fprintf直接输出方便核对。如果想返回结构体或表格可以用array2table把下标和权重拼在一起。参数说明std(norm_data, 0, 1)中第二个参数0表示标准差除以n-1第三个参数1表示沿列方向corrcoef(norm_data)的列数就是指标数行数也是指标数和样本数无关。3.3 输出权重与排序结果可视化算完权重之后我通常还会做两件事一是绘制权重柱状图直观对比各指标贡献二是计算加权综合得分得到样本排序。这两步对于判断权重是否合理很有帮助。% 可视化权重 figure; bar(weights); xlabel(指标编号); ylabel(权重); title(CRITIC权重分布); grid on; % 计算综合得分 score norm_data * weights; % 注意weights是行向量转置后做矩阵乘法 % 排序 [sorted_score, idx] sort(score, descend); fprintf(样本排序(从高到低):\n); for i 1:n fprintf(第%d位: 样本%d, 得分%.4f\n, i, idx(i), sorted_score(i)); end这里的得分就是加权线性求和。矩阵乘法norm_data * weights中norm_data是 (n \times m)weights是 (m \times 1)结果是 (n \times 1)。排序用sort的降序模式得到索引后逐一打印。如果后续要和TOPSIS等方法结合这个得分可以作为综合排序的参考也可以用于后续敏感性分析。4. CRITIC赋权法避坑指南四个经常翻车的细节4.1 权重出现负值问题出在相关系数矩阵现象计算出的某个指标权重是负数总和还能归一化成1但负数权重明显不合理。原因冲突性计算中 (1 - r_{ij}) 如果遇到较强的正相关数值会小于1但不会出现负值因为相关系数最小是-1 (1 - (-1) 2)最大是2。理论上权重不会为负。真正的负权重来源是标准化后标准差极小比如某个指标标准化后几乎全是0或1标准差接近0信息量接近0归一化时由于浮点精度可能出现极小的负数尤其在分母接近0的时候。解决检查数据标准化结果看看是否有指标在标准化后存在大量相同的边界值比如极差标准化后出现很多0或1。如果某个指标90%的样本都是0说明这个指标区分度极差考虑直接剔除或改用其他标准化方法。我在实践中通常对标准化后的数据加一个极小值比如1e-10保护避免除零或浮点误差。4.2 相关系数方向处理不一致导致权重差异很大现象同一份数据两个版本代码算出的权重差别很大一个指标权重是0.3另一个版本是0.1。原因在预处理时一个版本做了负向指标转换另一个版本没做。如果原始数据里存在负向指标且未转换相关系数的符号就反了。比如两个本质正相关的指标由于一个指标方向未转换相关系数变成负值冲突性计算时会误判为强冲突导致权重异常抬高。解决在进入CRITIC计算之前先检查每列指标的数值方向。如果指标是越小越好要么先用max - x转换要么在计算相关系数前把该列乘上-1。我一般会把标准化步骤和方向转换合并这样后续所有计算都不用再关心方向问题。如果你想偷懒也可以用corrcoef的 Rows,complete 参数处理缺失值但这个参数解决不了方向问题。4.3 样本量太少时相关系数不可靠现象只有5个样本、8个指标算出的相关系数矩阵里很多接近1或-1权重看起来极端。原因皮尔逊相关系数对样本量敏感。小样本下相关系数方差大偶尔出现强相关完全是噪声。CRITIC里每个指标的冲突性要和其他所有指标算一遍样本量小于指标数时相关系数矩阵可能不满足正定性虽然代码能跑但结果没有统计意义。解决如果样本少于指标数建议先用因子分析或变量聚类压缩指标维度。最简单的判断方式样本数要大于指标数的5倍以上。我在做某图像处理Demo的评价指标权重时样本只有7个指标有6个算出的权重在剔除一个样本之后就完全变样后来扩充到20个样本才稳定下来。遇到小样本场景至少要做一次稳定性检验最后一章会讲。4.4 标准化方法选错了导致权重对极值敏感现象把原始数据标准化后算出的权重排序和用另一种标准化方法完全不同。原因极差标准化对最大最小值敏感如果某个指标有异常大或异常小的值标准化后大部分样本被压缩到一个小区间标准差偏小。用Z-score标准化则不会压缩到[0,1]但存在负值而负值参与相关系数计算会导致冲突性数值范围变化。解决评估数据分布。如果数据没有明显异常值优先用极差标准化因为CRITIC的冲突性计算基于相关系数而相关系数对线性关系敏感极差标准化保持线性关系Z-score也保持线性关系两者理论上对相关系数没有影响。但极差标准化会把标准差的大小改变进而影响对比强度。我在实践中会同时算两种标准化下的权重如果结果差异超过20%说明数据里有影响极差的异常点需要处理离群值而不是直接选一种完事。5. 把CRITIC扩展到综合评价加权得分与方案比选5.1 与TOPSIS结合用CRITIC权重替代人工权重CRITIC算出的权重可以直接嵌入TOPSIS流程。TOPSIS的核心是理想解和负理想解的距离距离计算需要权重。很多教材用熵权法但CRITIC考虑了相关性当指标间存在明显重叠时CRITIC的权重会让重复指标总体权重降低TOPSIS排序更贴近真实偏好。实现时只需要把上面算出的weights代进去不需要改动TOPSIS的其余步骤。% 假设norm_data已经是标准化后的数据weights是CRITIC权重 % 计算加权规范矩阵 weighted_matrix norm_data .* weights; % 找到正负理想解这里是正向指标已统一方向 ideal_best max(weighted_matrix, [], 1); ideal_worst min(weighted_matrix, [], 1); % 计算欧式距离 dist_best sqrt(sum((weighted_matrix - ideal_best).^2, 2)); dist_worst sqrt(sum((weighted_matrix - ideal_worst).^2, 2)); % 计算贴近度 closeness dist_worst ./ (dist_best dist_worst);这段代码的关键是weighted_matrix norm_data .* weights这里用的是广播乘法weights是1行m列的向量会自动对每一行应用。max和min的第三个参数1表示沿列找极值适用于全部指标已统一为正方向的情况。贴近度越高方案越优。相比直接加权求和TOPSIS能处理非完全补偿场景更适合多准则决策。5.2 用CRITIC做指标筛选剔除信息冗余的指标CRITIC的冲突性信息量还可以反过来用分析各指标的信息量大小与相关性关系找出高相关低权重的指标考虑合并或剔除。如果两个指标相关系数超过0.9并且其中一个的权重明显偏低说明后者对排序贡献很小可以删掉减少后续数据采集成本。我在某个供应商评估项目里原来有12个指标用CRITIC筛出3对高相关指标后每对只留一个指标维度降到8个排序结果与12个指标高度一致工作量明显下降。操作上可以输出相关系数矩阵和权重的对应表人工判断哪些指标可以合并% 找出相关系数绝对值大于0.9的指标对 threshold 0.9; [r_idx, c_idx] find(abs(corr_matrix) threshold); % 排除对角线 pairs []; for k 1:length(r_idx) if r_idx(k) c_idx(k) pairs [pairs; r_idx(k), c_idx(k)]; end end disp(相关系数超过0.9的指标对); disp(pairs);这里corr_matrix是前文算出的相关系数矩阵find返回满足条件的行列下标r_idx c_idx用来过滤上三角避免重复计数。注意这里使用了abs取绝对值因为负相关也代表信息重叠度较高但在CRITIC计算中负相关是被当作冲突性加权的两者含义不同。筛选指标时需要同时看正相关和负相关的绝对值但负相关指标通常不建议直接删除因为冲突性会抬高保留指标权重。6. 给CRITIC代码加一个“后悔药”权重稳定性检验权重算完不是结束尤其在样本量不大时结果可能对数据变化很敏感。我的习惯是输出权重前强制做一次稳定性检验方法是随机有放回地抽取样本子集重复计算CRITIC权重看权重均值和标准差。如果权重在子集间波动很大说明当前数据不足以支撑稳定的赋权结果那就需要收集更多数据或调整指标。% 稳定性检验多次抽样计算权重分布 rng(42); % 固定随机种子方便复现 num_bootstrap 200; sample_ratio 0.8; n_sample round(n * sample_ratio); bootstrap_weights zeros(num_bootstrap, m); for b 1:num_bootstrap idx randsample(n, n_sample, true); % 有放回抽样 sub_data norm_data(idx, :); sub_std std(sub_data, 0, 1); sub_corr corrcoef(sub_data); sub_conflict zeros(1, m); for j 1:m sub_conflict(j) sum(1 - sub_corr(:, j)); end sub_info sub_std .* sub_conflict; bootstrap_weights(b, :) sub_info / sum(sub_info); end weight_mean mean(bootstrap_weights, 1); weight_std std(bootstrap_weights, 0, 1); for j 1:m fprintf(指标%d: 权重均值%.4f, 标准差%.4f\n, j, weight_mean(j), weight_std(j)); end这段代码的核心是randsample(n, n_sample, true)第三个参数true表示有放回抽样。抽样比0.8意味着每次只用80%的样本计算权重重复200次后每个指标的权重分布就有了均值与标准差。如果某个指标的权重标准差超过0.05我通常认为这个指标权重不稳定需要警惕。参数上rng(42)固定随机种子保证结果可复现抽样次数200是经验值样本量小时可以提高到500但计算量会增大。从那以后我每次算权重都会强制跑一遍稳定性检验哪怕样本量再小也要看一眼波动范围。曾有一次数据只有12个样本首轮算出的权重看起来很合理但检验发现某个指标在抽样中权重在0.1到0.4之间剧烈震荡后来发现是数据采集时把这个指标的量纲搞混了修正之后才稳定。这套流程帮我在不少项目里避免了“拍脑袋”的结果。如果你也在用CRITIC赋权建议把这段检验代码集成到你的Matlab脚本里给决策一个后悔药。希望帮到你。本文还有配套的精品资源点击获取

CRITIC赋权法原理与Matlab实现：从对比强度到权重计算

相关推荐

OpenClaw龙虾场主模式：用状态机与检查点把多Agent协作拉回正轨

ARM内核深度对比：Cortex-M与Cortex-A运行模式及寄存器组解析

Python桌面截图文字识别：自适应分辨率与OCR实战

更多资讯

SQL Developer 4.0.3.16.84 配置与避坑实战指南

NIST 800-190中文版解读：容器安全五层模型与落地实践

Deepoc具身模型：打造真正懂生活的居家机器人

Java TCP Socket文件传输实战：协议设计与粘包处理

如何 5 分钟跑起 Laguna-S-2.1-GGUF 量化模型：llama-server 本地部署新手快速入门指南

基于SIFT与RANSAC的高分辨率图像复制-移动篡改检测实战

今日更新

NetSpot 实战：用信道分析与频宽优化解决 Wi-Fi 卡顿

C++ split() 字符串分割的五种实现与性能实测

R语言坐标轴范围设置：从xlim/ylim到coord_cartesian的完整指南

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？