今天给各位分享目标优化矩阵表确定权重的知识，其中也会对目标优化矩阵方法进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
本文目录一览：
权重的确定
权重确定的第一步是用层次分析法（AHP）建立问题的递阶层次结构并建立判断矩阵，具体如下：
（1）建立问题的递阶层次结构
首先，根据对问题的了解和初步分析，把复杂的问题按特定的目标、准则和约束条件等分解成被称为因素的各个组成部分，把这些因素属性做不同分层排列。地质环境评价是个复杂得决策系统，根据层次分析法的基本原理，可划分为三个层次：
目标层（A）：把基坑降水环境评价作为工作的目标。
准则层（B）：把影响基坑降水环境评价的因素归为3个主要方面，并列为评价的基本准则如设计要素、施工要素、环境条件。
指标层（C）：根据评价准则，将上述基坑降水环境评价的因素进一步细分为9个具体评价指标，如降水方式、岩土性质、渗透系数、水文地质边界、基坑侧壁状态、边载分布、建设年代、基础型式、监测数据。
（2）确定判断矩阵B
按表3.2所示的T.L.Satty的1～9标度，每位专家独立地两两比较所有的评价因子后得出各自的判断矩阵，接着将每个成员构造的判断矩阵集中得到综合判断矩阵，并经全体专家讨论修改直至所有专家对综合判断矩阵没有意见为止。
表3.2 层次分析定权法的判断矩阵标度及其含义
（3）构造的判断矩阵如下表3.3、表3.4、表3.5、表3.6
表3.3 A→B
表3.4 B→C1
表3.5 B→C2
表3.6 B→C3
权重确定的第二步是计算指标权重（即求解判断矩阵的最大特征向量）具体如下：
（1）计算各行n个元素乘积
基坑降水工程的环境效应与评价方法
A→B：m1=3/5，m2=1/18，m3=30
B→C1：m1=40，m2=4/5，m3=1/32
B→C2：m1=1/21，m2=3/5，m3=35
B→C3：m1=3/5，m2=1/21，m3=35
（2）计算n次方根
基坑降水工程的环境效应与评价方法
A→B：x1=0.84，x2=0.38，x3=3.11
B→C1：x1=3.42，x2=0.93，x3=0.31
B→C2：x1=0.36，x2=0.84，x3=3.27
B→C3：x1=0.84，x2=0.36，x3=3.27
（3）对向量进行规范量化
将上述n次方根所得的n个向量组成矩阵，并对向量进行归一化处理。
基坑降水工程的环境效应与评价方法
A→B：w1=0.19，w2=0.09，w3=0.72
B→C1：w1=0.73，w2=0.20，w3=0.07
B→C2：w1=0.08，w2=0.19，w3=0.73
B→C3：w1=0.19，w2=0.08，w3=0.73
（4）计算矩阵的特征值
基坑降水工程的环境效应与评价方法
A→B：
基坑降水工程的环境效应与评价方法
B→C1：
基坑降水工程的环境效应与评价方法
B→C2：
基坑降水工程的环境效应与评价方法
B→C3：
基坑降水工程的环境效应与评价方法
（5）一致性检验
由于客观事物的复杂性及对事物认识的片面性，构造的判断矩阵不一定是一致性矩阵，但当偏离一致性过大时，会导致一些自相矛盾的问题。因此，得到λmax后，还需进行随机一致性检验，检验公式为
基坑降水工程的环境效应与评价方法
式中C.I——一致性指标；
λmax——最大特征根；
n——矩阵阶数。
R.I——平均随机一致性指标，取值如表3.7所示，C.R为随机一致性比率。
只有当C.R＜0.10时，判断矩阵才具有满意的一致性，才认为所获取的权值是合理的。
表3.7 层次分析法的平均随机一致性指标值
A→B：C.I=（3.10-3）/（3-1）=0.05 C.R=C.I/R.I=0.05/0.58=0.09＜0.10
B→C1：C.I=（3.10-3）/（3-1）=0.05 C.R=C.I/R.I=0.05/0.58=0.09＜0.10
B→C2：C.I=（3.04-3）/（3-1）=0.02 C.R=C.I/R.I=0.02/0.58=0.03＜0.10
B→C3：C.I=（3.04-3）/（3-1）=0.02 C.R=C.I/R.I=0.02/0.58=0.03＜0.10
如果在第一次专家打分后，打分结果不能通过一致性检验，则返回重新进行打分，直到通过检验为止。
权重确定的第三步是计算各层次因子的组合权重。即：求出某一层的因素权重后，再按第二步的步骤计算其他层次的因素权重并最终求得指标层（最下层）的组合权重。
权重矩阵：B=[ 0.14 0.04 0.01 0.01 0.02 0.07 0.13 0.06 0.52 ]
多目标优化中权重设置问题？
你这个问题太专业了。我试着回答一下。
权重指数你可以在计算的时候分开计算。比如温湿度合计权重40%，在计算的时候你就分开计算，例如：15%+25%。然后你在最后合计的时候写成一个数值就可以了。这样也不影响精度，也达到了你的要求。
某教育机构经营分析
一、案例背景
某教育机构成立于1999年，早年发展下线职业教育，已做到一定规模，有一定的群众基础。近年，互联网教育火热，公司积极向互联网领域转型。如今，已开设9个方向的大专业，覆盖互联网企业的多个热门职位。其主打的大数据开发教育，Java教育，数据分析教育课程销售数量逐年上升，已经开始扭亏为盈。
该公司的优秀增长效果得益于其完备的用户平台和高效的用户变现体系。该公司在转型初期，并不是简单的线上教育方式，而是 教育社区+线上课程平台 的模式。通过教育社区，吸引用户讨论职业问题，在有一定的职业知识信息积累以后，通过SEO，用户分享讨论帖，将对职业知识有需求的网民转化为社区用户。之后通过社区内广告位，公众号推广、外头广告推广、外呼等方式，来搜集对课程有需求的潜在用户线索。统一使用电话销售团队转化线索，让学员通过购买会员的方式开通课程平台的小课体验功能，实现第一步转化；之后对有大可需求的学员，再做进一步的转化，让其购买平台的大课服务，成为平台学员。在学员学习过程中，其教研团队，产品开发团队也在不断打磨课程，优化产品。通过多年积累，平台已经积累了较高的口碑，转化的学员中，有近60%的学员表示愿意继续上该公司的其他课程或者进阶课程。有70%的学员愿意为他的同学或者朋友推荐公司的课程；同时，营销团队还通过设计营销活动，让学员在各种节假日分享课程活动信息或者名师讲座来达到裂变传播的效果。整个自传播的学员已经具有一定规模，为公司的推广节省了很大的费用。
教育行业的营收转化模型
该公司比较关心线上教育的盈利能力，主要考核毛利额， 毛利额 = 营业收入-商品成本 来计算的，而对于细化到具体商品，毛利额也可以以 毛利额= ∑（单品售价-单品成本）* 单品数量 来计算。这时，单品的售价、单品成本、单品销量就是影响毛利额的主要因素。
线上教育产品有互联网产品都有的特点：即一次生产，可以无限次售卖。而售卖次数越多，每份课程承担的成本费用越低，这时，即使保持单品售价不变，也能有效提高毛利额。所以，一般来说，提高课程销量，就可以提升毛利额。
今年的盈利目标为1000万元毛利额，从一月到八月的毛利额情况来看，完成情况并不理想，仅完成378.9万，占全年任务的38%，之后经过领导层商议，将1000万元的毛利额目标调整为现有的700万元， 预计9月至12月，需完成320万的毛利额目标。 由于9，10月是换工作的热门月份，这段时间的培训课程需求也会比其他月更高，所以9，10月会承担毛利额的70%部分，也就是224万，平均每个月112万，之后的两个月承担30%，平均每个月承担48万元。
而近期该公司遇到一个问题，近期课程销售额提升，而毛利额却在下降，这就要求数据分析师分析问题产生原因，并给出解决方案。
二、问题确认与指标拆解
1、确认毛利额异常的问题
2、提升毛利额的方案
三、问题解决思路
四、实际方法应用
1、数据涨跌异动分析–问题拆解（逻辑树）
1）统计个月销量与毛利额的折线图，从图示中查看是否销量上升，毛利下降
2）计算各月毛利率和毛利率环比并绘制折线图，查看是否为正常波动。
3）从渠道促销开始验证，统计各类型渠道的销量与毛利率，并绘制象限图，从图示中找到销量高利率低的类型渠道。
4）从渠道类型细化到具体渠道，同样统计各渠道销量和毛利率并绘制象限图，从图示中找到销量高毛利率低的渠道。
逻辑树拆解分析介绍
逻辑树结果
通过月环比数据得知本月的毛利额下降并非数据波动，下降幅度为32%
通过逻辑树，我们将订单数据按照渠道类型和具体渠道细拆，使用关联矩阵分析找出销量和毛利率低于平均水平的渠道类型：免费渠道。在免费渠道中细拆出销量和毛利率都低于平均值的渠道名称：站内广告位。
之后我们仔细观察站内广告位8月份的数据，发现数据异常是由8月17日的大课促销引起的。
从渠道类型出发，绘制各渠道的销量和毛利率象限图（矩阵关联分析）
下钻免费渠道类型下的细分渠道，发现8月数据站内广告位 销售额极高，毛利率极低，说明很可能是站内广告位的相关活动影响了整体的毛利额；
通过对比分析，确定站内广告位的问题， 通过7、8月份的渠道毛利率和渠道销售额对比，发现毛利率主要下降的渠道为站内广告位、EDM、短信、0元体验课。
其中，由于站内广告位渠道在8月17日做了促销活动，当日出现20单毛利额为负的订单。导致该渠道本月毛利率为负值。
而考察不同明细渠道对免费渠道的销售额涨幅贡献率（即免费渠道的销售额上升中有多少额度是出自这个具体的渠道。）可以看出由于EDM短信的渠道销售额有下降，站内广告位的销售额贡献率超过100%，达到100.69%；
说明8月的销售额上升、利润额下降的问题，主要是由于站内广告位的渠道销售额大量上升而毛利率大量下降引起的。从以上两方面说明8月销售额上升而毛利额下降的问题主要出在免费渠道的站内广告位渠道。该渠道在8 月17日的招生出现了毛利额为负的情况，；而由于该活动促销的是本月一门新开大课，课程按本月成本分摊较高，所以出现了毛利额为负的情况，拉低了整体的毛利额。
2、渠道排名—-综合分析
1）、对渠道的四个关键指标（ROI,报名人数转化率，跳出率，线索量）通过优化矩阵进行权重划分确定各指标的权重值。
2）、对渠道各指标进行0-1标准化，消除量纲差异的影响。
3）、利用标准化后的指标与指标进行乘积求和计算各渠道的综合得分。利用综合得分对渠道进行排名。
综合分析法：
结论:
现有渠道最好的为站内广告位，最次的渠道位知乎KOL。
但是由于投放广告涉及很多因素，如广告复投问题，文案周期问题，转化周期长短问题，后续的改进策略还需要进一步与营销部门商议。
数据介绍:9个渠道ROI，报名转化率等4个渠道关键指标
目标优化矩阵方式确认指标权重
3 、分析培训班的各环节转化情况—产品用户行为分析(漏斗分析）
1）、做出漏斗分析
2）、找到问题环节
3）、分析问题环节原因
4）、实验设计的环节
5）、目标提升度的分析，改进后的结果估计可以提升多少毛利额。这部分需要写出具体的估算算法。
上个分析有具体到各个渠道的分析，但是这个分析里没有渠道数据；是整体数据的分析；
漏斗分析法：
漏斗分析结论：通过漏斗分析，发现漏斗中的留电环节转化率明显低于其他环节
从总体最终转化来看低于行业转化水平3%-5%，并且咨询到预留电话环节转化明显较低，考虑是从客服响应时间或话术方面进行优化。
之后，我们分析了预留联系方式环节的日志数据，发现用户等待时间过长问题。
a）、人工客服的平均用户等待时间过长
从人工客服响应时长分析，用户平均响应时长为187秒，约为3分钟。事后通过用户访谈，发现人工等待时间较长的问题也出现在较多反馈问题的区域中（该问题排名为30个中的第四个）。
b）、需要后续ABtest得出相应结论
4 ）、学员价值分析—RFM建模
1、我们在日活10万的小课人群中随机抽取0.3%的用户，通过RFM区分学员的等级
RFM分析法结果：
后续计划：
为学员设计精细化运营方案，首先利用推荐算法计算出客户的兴趣领域。
对于重要价值客户：可以采用直接推荐大课购买的方案来吸引客户转化。
对于重要保持客户：可用小课促销的方案吸引客户复购，之后再逐步推荐大课来促进用户转化。
对于重要发展客户：可用买大课送会员的方式吸引客户转化。
对于重要挽留客户：可用小课促销的方案吸引客户复购，之后再逐步用买大课送会员的方式吸引客户转化。
对于一般价值客户：可以用大课限时促销的方案吸引用户转化。
对于一般发展客户：可用小课转大课促销的方案吸引用户转化。
对于一般保持客户：可用小课促销的方案吸引客户复购，之后再逐步推荐大课来促进用户转化。
对于一般挽留客户：可以先做用户召回，然后在逐渐开始用小课促销的方案吸引客户复购，之后再逐步推荐大课来促进。
1、8月站内广告位虽然出现亏损活动，但1-8月数据评估仍然是优质渠道，后续需要重点打磨，通过分析我们发现8月销售额上升而毛利额异常下降，是由于站内广告渠道做打折促销引发的。由于折价，设置失误导致出现账面亏损，从而引发毛利额下降的问题。该问题已经反馈营销团队，后续会设计价格，预警系统，如果有类似价格设置失误情况，会及时预警；通过综合分析，对各渠道的ROI、报名人数转化率、跳出率、线索量做综合指数，计算出19年前8月的最，优渠道为站内广告位渠道。后续会与营销团队依据各渠道特点进一步商议渠道改进方案。
2、留电环节为重点优化环节，优化完成后对整体转化率提高。通过漏斗分析，发现用户转化环节中，留电环节的转化率较低；我们与客服、产品团队制定改进方案。经过一个月改进后，留电环节转化率从22.57%提高至44.16%，整体转化率有提高。大课转化人数较8月增加330人，按每人人均1600元毛利额计算，预计能提升52.8万毛利额（注：实际利润需要在会计核算后才能得知）；按当月浏览人数16034人计算，预计报名人数有586人，预计该改进能完成93.76万元的毛利额任务；
3、用户精细化运营模型推广后，已转化大课501人，小课3377人，将模型推广至10万日活小课用户群体中，得到完整的客户分层分布，见下图。经过用户精细化运营模型推广后，已转化大课501人，小课3377人由于大课完成毛利额任务已经包含在之前的分析中。按照小课人均毛利额17元来推算，小课预计能完成5.7万元毛利额任务。
目标层、准则层和方案层的权重矩阵d数据怎样确定
准则层和方案层：层次分析法（AHP）属于多目标决策问题，根据研究的课题应遵循的原则；采用定性定量相结合的评价方法。定性指采用专家集体意见来确定。你做个几个因素的权重矩阵让专家打分评价，比如，评价供应商的选择问题（见图片）定量评价是根据调查来的数据或者二手数据，可以计算出来的数据进行评价（见图片）。
目标层、准则层：大多采用专家集体评价法，你做个几个因素的权重矩阵让专家打分评价）
（个人的肤浅的见解，还望指教！） 我还有一张专家打分的图片传不上去？？？
不知道怎样计算权重？告诉你8种确定权重方法
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、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。
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。
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。
2. 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，数字相对更我码为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：
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。
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。
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：
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。比如有5个指标，那么指标1作为因变量，其余4个指标作为自变量进行回归分析，就会得到复相关系数R 值，余下4个指标重复进行即可。计算权重时，首先得到复相关系数R 值的倒数即1/R ，然后将值进行归一化即得到权重。
比如某企业计划招聘5名研究岗位人员，应聘人员共有30名，企业进行了五门专业方面的笔试，并且记录下30名应聘者的成绩。由于专业课成绩具有信息重叠，因此不能简单的直接把成绩加和用于评价应聘者的专业素质。因此使用独立性权重进行计算，便于得到更加科学客观的评价，选出最适合的应聘者。
SPSSAU综合评价里面提供独立性权重法，如下图所示：
3. 信息量权重法
信息量权重法也称变异系数法，信息量权重法是一种客观赋权法。其思想在于利用数据的变异系数进行权重赋值，如果变异系数越大，说明其携带的信息越大，因而权重也会越大，此种方法适用于专家打分、或者面试官进行面试打分时对评价对象（面试者）进行综合评价。
比如有5个水平差不多的面试官对10个面试者进行打分，如果说某个面试官对面试者打分数据变异系数值较小，说明该面试官对所有面试者的评价都基本一致，因而其携带信息较小，权重也会较低；反之如果某个面试官对面试者打分数据变异系数值较大，说明该面试官对所有面试者的评价差异较大，因而其携带信息大，权重也会较高。
SPSSAU综合评价里面提供信息量权重法，如下图所示：
对应方法的案例说明、结果解读这里不再一一详述，有兴趣可以参考SPSSAU帮助手册。
目标优化矩阵表确定权重的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于目标优化矩阵方法、目标优化矩阵表确定权重的信息别忘了在本站进行查找喔。