综合评价方法•简单加权法1. 线性加权综合法 " ]; n0 p, M7 ?% j$ C% H' p# _" `: N' Q; C F & ^2 A: R# X3 p* Y2 y适用条件:各评价指标之间相互独立。 1 m) O% [7 N* w) z7 R% r7 e0 I! u& ?- F& @3 ?7 ~% {0 W
对不完全独立的情况,其结果将导致各指标间信息的重复,使评价结果不能客观地反映实际。& J n @1 a- `7 U. G( G- W* x9 O. r
0 ?) x( K7 u2 g2 j
主要特点: " O7 Q+ M1 M. W4 w1 R! f W+ I8 g S) d0 y% N8 u
(1)各评价指标间作用得到线性补偿,有“一俊遮百丑”或“一见钟情”的效果 ; 1 l% A8 w5 @! m ! v1 m9 W" Y- k& K2 Z (2)权重系数的对评价结果的影响明显; " n/ ^6 N: X+ H, y) L( m9 C. l; {% }$ H" [; W
(3)对指标数据无量纲化没有特定要求。 ) o( `& u J# N9 u" }: _9 z! H' S* X6 X$ c* w8 z# y
$ ~# ?6 `' {2 |7 \8 f
2. 非线性加权综合法 ; c/ [/ ~4 n$ l6 [0 `6 \5 i% l , c6 m: B6 D$ ~4 B% X) L7 ^8 J% r/ L. `" |/ B
主要特点:
(1)突出了各指标值大小的一致性,即平衡评价指标值较小的指标影响的作用;
(2)权重系数大小的影响不是特别明显,而对指标值的大小差异相对较敏感;
(3)要求无量纲指标数据均大于等于1。
8 G7 _" ^: \& v* ~+ a& k1 w5 m$ M7 W+ k" L* c •逼近于理想解的排序法(TOPSIS法). f7 M. f O5 n " s4 {% M( \; I Y3 ]( \3 u" l7 f4 D- f7 f& g6 H % n) P: y0 q! u) N6 Q3 w6 i6 h+ `$ k- [: k 4 M2 S: P3 m! b9 w9 c7 }
层次分析法2 @& S% \1 V( Q5 \7 @1 b+ c5 w/ P
! Z0 b; n. ?% Z2 ^. a. u
•主成分分析法4 W N2 g9 O& z+ K7 c9 M. O! n
; t3 L; \8 p0 S3 S7 ~•模糊综合评价法$ u e! u6 _$ N/ g4 v
5 ~6 ]5 Z8 t, M
•聚类分析法& A/ {5 p+ f0 V/ B+ x# k
' }' \# w l5 s: Q* ~预测方法(具体见http://blog.csdn.net/sanganqi_wusuierzi/article/details/54800341)! O( R' t0 i, }5 C
1.插值与拟合方法:小样本内部预测;% f. U0 D C& M! k {
' S: Y3 ?3 ~4 H: R# W U; W/ z
2.回归模型方法:大样本的内部预测;/ u% r1 e4 f# u$ P, @. S* p
9 \: Y- n( U. c) k8 h5 b0 y( k( ]. }0 F5 O. J* N+ {" C! s
3.灰色预测GM(1,1):小样本的未来预测; 3 W2 [ R" t* C8 A% i+ T9 @. P4 T( Q' j& O6 A) r
4.时间序列方法:大样本的随机因素或周期特征的未来预测;" T( Q U3 v) y6 _* b& ]9 s/ u
: c+ A$ G8 W! f " M9 `# [; R+ y8 a9 w5.神经网络方法:针对大样本的内部机理复杂的数据的未来预测.8 E/ J$ i' `5 W W
. }6 W% \0 d: s. d% L; P
+ G; p4 J" j2 W1 I9 w 8 N4 z: ?# q, e; Z- a1 t" c; z5 Y9 j' d1 H3 T5 l, |9 u# r
! B% ^% v1 N& w. ^9 X 2 I/ W3 b) C. ^: N/ l5 Z1 K# b