SPSS在线 |
您所在的位置:网站首页 › 衣服找款式的软件 › SPSS在线 |
模糊综合评价借助模糊数学的一些概念,对实际的综合评价问题提供评价,即模糊综合评价以模糊数学为基础,应用模糊关系合成原理,将一些边界不清、不易定量的因素定量化,进而进行综合性评价的一种方法。 举例来讲:某服装品牌生产某种服装新款式,欲了解消费者对该种款式的接受程度。一共有五个评价指标(分别是花色,式样,价格,耐用度,舒适度),以及评语共有四项(分别是很欢迎,欢迎,一般,不欢迎)。现在希望分析出消费者的综合评价情况如何,到底是很欢迎,还是欢迎,也或者一般或者不欢迎等。 上述例子中评价指标则为五项(花色,式样,价格,耐用度,舒适度),以及评语为四项(很欢迎,欢迎,一般,不欢迎)。如果说评价指标的权重不一样,此时则需要有指标权重指标值,也称作权重向量A(默认是五项的权重一样)。除此之外,消费者对于五项评价指标的评价打分情况(或者选择比例情况),我们称之为权重判断矩阵R。比如下表格: 指标项 很欢迎 欢迎 一般 不欢迎 花色 0.2 0.5 0.3 0.0 式样 0.1 0.3 0.5 0.1 价格 0.0 0.1 0.6 0.3 耐用度 0.0 0.4 0.5 0.1 舒适度 0.5 0.3 0.2 0.0上表格展示出消费者对于五个评价指标的评语选择比例情况(当然表格中为选择个数也可以),比如针对价格,选择“很欢迎”的比例是0,但是选择一般的比例是0.6(即60%)。上述表格即称之为权重判断矩阵R,在使用SPSSAU操作时,直接拖拽“很欢迎”,“欢迎”,“一般”和“不欢迎”这四列进入分析框中即可。(当然上表中写成选择个数即数字也可以,SPSSAU会默认进行归一化处理,即将数字自动转化成百分数后进行计算) 如果说五项指标(花色,式样,价格,耐用度,舒适度)的权重不一样(默认是权重一样),此时可自行构评价指标权重向量A,比如下表: 指标项 指标项权重 花色 0.1 式样 0.1 价格 0.15 耐用度 0.30 舒适度 0.35花色在评价体系中占的权重是0.1(即10%),而舒适度的权重是0.35(即35%)。(当然如果权重写成数字也可以,SPSSAU会默认进行归一化处理,即将数字自动转化成百分数后进行计算)【多数情况下,各项评价指标的权重均一致不需要单独处理】。 有了上述两个矩阵,即权重向量矩阵A和权重判断矩阵R;此时则可直接进行模糊综合评价权重计算,得出评价的综合情况,到底是是很欢迎,还是欢迎,也或者一般或者不欢迎等。以及也可以计算出综合得分,用于表示消费者的综合评价情况。 综上所述:模糊综合评价共分为三个步骤,分别如下:第一步:确定评价指标和评语集; 第二步:确定权重向量矩阵A和构造权重判断矩阵R; 第三步:计算权重并进行决策评价。 特别提示模糊综合评价共有四种计算方式(即四种模糊算子),SPSSAU默认推荐使用加权平均型这种综合最优的评价方式; 编号 模糊算子类型 说明 1 主因素突出型:M(Λ, V) 较少使用A矩阵和R矩阵信息,不推荐使用 2 主因素突出型:M(., V) 较少使用A矩阵和R矩阵信息,不推荐使用 3 加权平均型:M(Λ, +) 更多使用R矩阵信息,推荐使用 4 加权平均型:M(., +) 综合利用A矩阵和R矩阵信息,推荐使用关于权重向量矩阵A,如果不提供,SPSSAU默认会以所有指标的权重一致进行计算;如果提供,则按照提供的权重进行计算; 关于权重向量矩阵A,无论如何,SPSSAU均需要先进行归一化处理,然后再进行计算;因此不论是数字还是小数均会得到正确的结果; 关于权重判断矩阵R,无论如何,SPSSAU均需要先进行归一化处理,然后再进行计算;因此不论是数字还是小数均会得到正确的结果; SPSSAU分析结果表格示例如下: 权重计算结果 很欢迎 欢迎 一般 不欢迎 隶属度 0.205 0.320 0.390 0.085 隶属度归一化【权重】 0.205 0.320 0.390 0.085 综合得分计算 综合得分 很欢迎 欢迎 一般 不欢迎 2.645 4 3 2 1 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |