常用综合评价方法(版).docVIP

一、Topsis法(对多个对象作评价) TOPSIS（Technique for order preference by similarity to ideal solution）法，即逼近理想解排序法，意为与理想方案相似性的顺序选优技术，是系统工程中有限方案多目标决策分析的一种常用方法。 它是基于归一化后的原始数据矩阵，找出有限方案中最优方案和最劣方案（分别用最优向量和最劣向量表示），然后分别计算诸评价对象与最优方案和最劣方案的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。 步骤： 1. 设有n个评价对象、m个评价指标，原始数据可写为矩阵X＝(Xij)n×m 2. 对高优、低优指标分别进行同向化、归一化变换 3. 归一化得到矩阵Z＝(Zij)n×m，其各列最大、最小值构成的最优、最劣向量分别记为 Z＋＝(Zmax1 Zmax2 … Zmaxm) Z－＝(Zmin1 Zmin2 … Zminm) 4. 第i个评价对象与最优、最劣方案的距离分别为 5. 第i个评价对象与最优方案的接近程度Ci为 例 某儿童医院1994～1998年7项指标的实际值，用Topsis法比较该医院这5年的医疗质量 年份 出院 人数 病床使用率 平均住院日 病死率 抢救成功率 治愈好转率 院内感染率 1994 21584 76.7 7.3 1.01 78.3 97.5 2.0 1995 24372 86.3 7.4 0.80 91.1 98.0 2.0 1996 22041 81.8 7.3 0.62 91.1 97.3 3.2 1997 21115 84.5 6.9 0.60 90.2 97.7 2.9 1998 24633 90.3 6.9 0.25 95.5 97.9 3.6 平均住院日、病死率、院内感染率为低优指标，其余为高优指标，同向化、归一化变换 变换后，得到矩阵 计算各列最大、最小值构成的最优、最劣向量分别为 Z＋＝(0.4833 0.4805 0.4634 0.8178 0.4776 0.4487 0.5612 Z－＝(0.4142 0.4081 0.4321 0.2024 0.3916 0.4455 0.3118) 计算各年与最优、最劣向量的距离（以94年为例） 计算接近程度（以94年为例） C1＝0.2497/(0.6289＋0.2497)＝0.2842 年份 D+ D- Ci 排序 1994 0.6289 0.2497 0.2842 3 1995 0.5640 0.2754 0.3281 2 1996 0.5369 0.1514 0.2200 5 1997 0.5141 0.1762 0.2552 4 1998 0.2494 0.6302 0.7164 1 可以看出，1998 年综合效益最好，其次为 1995年，随后为 1994年、1997年，1996 年最差 二、秩和比(RSR)法 ?是利用秩和比RSR（Rank-sum ratio）进行统计分析的一组方法。 ?RSR是一个内涵较为丰富的综合性指标，具有0—1连续变量的特征，它以非参数分析方法为基础，通过指标数（列）、分组数（行）作秩的转换，再运用参数分析的概念和方法研究RSR的分布，解决多指标综合评价问题。 步骤： 分别对要评价的各项指标进行编秩 计算各指标的秩和比（RSR） 确定RSR的分布 求回归方程 排序分档 例：采用秩和比法对某病区护士的4项考核指标进行综合评价 业务考试成绩（X1） 操作考核结果（X2） 科内测评（X3） 工作量考核（X4） 第一步，分别对要评价的各项指标进行编秩 遇相等评分时，取平均等级。 第二步，计算各指标的秩和比（RSR） 其中：m为指标个数，n为分组数，Ri为各指标的秩次，RSR值即为多指标的平均秩次，其值越大越优 第三步，确定RSR的分布 RSR→频数f→累积频数 →秩号范围 →平均秩次 →累积频率→Y（概率单位）。 Y为RSR的累积频率对应的概率单位值，Y=uα+5，uα标准正态分布的上分位点（α= /n） RSR值正态性检验：Z=0.4772，双侧检验P=0.9767，说明RSR值呈正态分布 第四步，求回归方程：RSR=A+BY 经相关和回归分析，应变量RSR 与自变量概率单位Y之间具有线性相关（r=0.9528） 线性回归方程为：RSR=0.1877Y-0.4232 ，F=59.078，P=0.0002说明所求线性回归方程有统计学意义 第五步，根据RSR值排序分档 最佳分类归档的涵义是各档方差一致，相差具有显著性。最佳分档准则为每档至少2例，尽量多分几组。最佳分档步骤，首先进行方差一致性检验