CRITIC赋权法Matlab实现：从权重计算到综合评价的完整指南

简介：这份资源面向需要在多属性决策分析中客观确定指标权重的Matlab用户，提供CRITIC赋权法的完整实现代码，适合具备一定Matlab基础、从事评价建模或科研计算的学习者。压缩包共1个文件，为单个.m脚本，体积约586B，代码结构围绕数据预处理、属性归一化、一致性指标、相关性指标、强度指标与权重计算等环节组织，并包含对象打分与示例数据生成部分，便于替换为实际问题数据后直接运行。已有1658人学习下载，说明该方法在项目选择、供应商评估、产品设计等场景中具有较稳定的参考需求。读者可据此理解CRITIC准则的计算流程，掌握从决策矩阵到权重与综合评分的完整实现思路，并在此基础上扩展可视化或与其他赋权方法组合使用。

1. 从一张“权重表”说起：CRITIC赋权法到底解决什么问题

做综合评价时，最容易被忽略的一步不是算得分，而是定权重。指标一多，主观打分就变成玄学：谁嗓门大谁权重高，换个人评一遍结果全变。CRITIC赋权法就是来治这个病的——它同时看两件事，一是指标自身的波动大小（对比强度，用标准差衡量），二是指标之间的冲突程度（用相关系数衡量）。波动大、又跟别人不重复的指标，权重自然高。这份 Matlab 实现把整套流程封装成可直接调用的脚本，输入一个数据矩阵，输出权重向量和综合得分，适合做课程设计、论文复现、多指标评价原型的开发者直接拿去改。下面按“能干什么、怎么跑、怎么改”拆开讲。

2. 项目结构与技术选型：一个纯 Matlab 脚本工程长什么样

2.1 目录组织与文件职责

这类赋权法实现通常不依赖任何工具箱，纯基础 Matlab 语法就能跑，所以工程结构很轻。拿到源码包后，先别急着点运行，按下面的职责划分过一遍文件，能省掉后面一半的排查时间。

主脚本负责“串流程”，核心函数负责“算数学”，归一化单独拆出来是因为不同指标方向不一样——效益型越大越好，成本型越小越好，混在一起算标准差会翻车。这种拆法看着朴素，但二次开发时最舒服：换数据只动main.m，换归一化策略只动normalize_data.m，核心算法基本不用碰。

2.2 为什么选 CRITIC 而不是熵权法

很多人第一反应是熵权法，毕竟名气大。但熵权法只看指标内部的离散程度，完全不考虑指标之间的相关性。举个典型场景：你选了“GDP”和“人均GDP”两个指标，它们高度相关，信息其实是重复的，熵权法照样给两个都分高权重，最后等于同一个维度被算了两次。CRITIC 的相关系数项就是专门压这种重复的——相关性越高，冲突性越低，权重被拉下来。

用公式说清楚，第 j 个指标的信息量：

% C_j = sigma_j * sum(1 - r_ij), i = 1..n, i ~= j % sigma_j : 第 j 列的标准差（对比强度） % r_ij : 指标 i 与 j 的相关系数（冲突性） % 1 - r_ij 越大，说明两指标越不重复，该指标信息量越高

这里有个细节容易写错：求和时要把i == j那一项排除，因为自己跟自己的相关系数是 1，1 - 1 = 0，留着不影响结果但逻辑上不干净；更常见的错误是忘了取绝对值，负相关其实也是“有信息”，1 - r在 r 为负时会大于 1，反而放大权重，这符合 CRITIC 的原意，但如果你先对相关系数取了绝对值再算，结果会偏。我一般保留原始相关系数直接算，跟主流文献口径一致。

2.3 运行环境与最小可跑示例

环境要求很低：Matlab R2016b 及以上即可，不需要 Statistics Toolbox（标准差和相关系数用基础函数std、corrcoef就够）。跑通的最小步骤如下。

第一步，把数据整理成一个数值矩阵，行是样本、列是指标，存成data.xlsx放在工程根目录。第二步，确认每个指标的方向，在main.m顶部维护一个方向向量。

% main.m 片段：数据加载与方向配置 raw = xlsread('data.xlsx'); % 读原始数据，行=样本，列=指标 direction = [1 1 -1 1 -1]; % 1=效益型(越大越好), -1=成本型(越小越好) X = normalize_data(raw, direction);% 正向化 + 归一化 w = critic_weight(X); % 核心：算权重 score = X * w; % 加权求和得综合得分 [~, idx] = sort(score, 'descend'); % 降序排名 disp(table((1:numel(idx))', score(idx), 'VariableNames', {'Rank','Score'}));

xlsread在新版 Matlab 里会提示推荐readmatrix，功能一样，老版本没有readmatrix就继续用xlsread。direction的长度必须等于指标列数，这是最常见的报错来源——少写一个-1，成本型指标没被翻转，权重和排名全歪。score = X * w这一步是线性加权，如果你的评价模型要求非线性聚合，这里就是改造点。

3. 核心算法拆解：从原始矩阵到权重向量的四步链路

3.1 第一步：指标正向化与归一化

原始数据里量纲五花八门，有的指标是百分比，有的是绝对数值，直接算标准差没有可比性。所以第一步必须统一。效益型指标（越大越好）和成本型指标（越小越好）处理方式不同，区间型指标还要单独处理，这里先覆盖前两类，够绝大多数场景用。

function Xn = normalize_data(X, direction) % X: 原始矩阵 m×n；direction: 1×n，1 效益型，-1 成本型 [m, n] = size(X); Xn = zeros(m, n); for j = 1:n col = X(:, j); if direction(j) == 1 % 效益型：极差归一化，(x - min) / (max - min) Xn(:, j) = (col - min(col)) / (max(col) - min(col)); else % 成本型：翻转，(max - x) / (max - min) Xn(:, j) = (max(col) - col) / (max(col) - min(col)); end end end

逻辑说明：极差归一化把每列压到[0,1]，成本型用max - x翻转方向，翻转后所有指标都变成“越大越好”。参数上要注意max(col) - min(col)不能为 0，如果某列所有样本值完全相同，这里会除零得到NaN，后面标准差全是NaN，权重直接崩。稳妥做法是加一行判断，遇到常数列直接跳过或给零权重。

提示：如果数据里有负值或极端离群点，极差归一化会被离群点主导，这时可以换成 z-score 标准化，但要注意 z-score 后可能出现负值，标准差计算不受影响，加权求和时得留意符号含义。

3.2 第二步：对比强度——标准差的计算口径

归一化之后，每个指标的波动程度就用标准差衡量。这里有个口径选择：用样本标准差（除以n-1）还是总体标准差（除以n）。Matlab 的std默认是样本标准差，std(X, 1)才是总体标准差。CRITIC 文献里两种都有，差别在小样本时比较明显。

% 对比强度：按列求标准差，默认样本标准差(n-1) sigma = std(Xn, 0, 1); % 0 = 样本标准差, 1 = 总体标准差 % 若样本量很小(<10)，建议统一用总体标准差，避免权重被放大

std(Xn, 0, 1)三个参数分别是：输入矩阵、权重标志（0 表示按 n-1 归一）、维度（1 表示按列算）。如果你的样本只有五六个，样本标准差会让波动被高估，权重分布更极端，这时候换成std(Xn, 1, 1)更稳。这个细节论文里经常一笔带过，但复现时结果对不上，八成就是这里口径不一致。

3.3 第三步：冲突性——相关系数矩阵与信息量合成

冲突性是 CRITIC 区别于熵权法的灵魂。先算指标间的相关系数矩阵，再对每个指标求sum(1 - r_ij)，最后乘上标准差得到信息量C_j，归一化就是权重。

function w = critic_weight(Xn) [~, n] = size(Xn); sigma = std(Xn, 0, 1); % 1×n 对比强度 R = corrcoef(Xn); % n×n 相关系数矩阵 conflict = zeros(1, n); for j = 1:n % 排除自身，累加 (1 - r_ij) others = [1:j-1, j+1:n]; conflict(j) = sum(1 - R(j, others)); end C = sigma .* conflict; % 信息量 w = C / sum(C); % 归一化为权重 end

逐段看：corrcoef(Xn)返回对称矩阵，对角线上是自己跟自己的相关系数 1。others用索引拼接排掉第 j 个，避免把1 - 1 = 0算进去（虽然不影响和，但语义清楚）。C = sigma .* conflict是逐元素相乘，得到每个指标的信息量。最后除以总和归一化，权重之和为 1。

参数上要盯住两点：一是corrcoef对常数列会返回NaN，所以 3.1 里的常数列判断必须做；二是当指标数n = 1时，others为空，conflict为 0，权重算不出来——单指标场景没有赋权意义，代码里加个n < 2的断言更友好。

3.4 第四步：综合得分与排序输出

权重拿到后，综合得分就是归一化矩阵乘权重向量。这一步简单，但输出格式值得花点心思，方便直接贴进报告。

score = Xn * w'; % m×1 综合得分 [sortScore, idx] = sort(score, 'descend'); resultTable = table((1:numel(idx))', idx, sortScore, ... 'VariableNames', {'Rank','SampleIndex','Score'}); writetable(resultTable, fullfile('result','ranking.csv')); fprintf('权重向量: %s\n', mat2str(round(w, 4)));

Xn * w'里w是行向量，转置后做矩阵乘，得到每个样本的加权得分。sort的'descend'保证第一名在前，idx保留原始样本序号，方便回查。writetable输出 CSV，路径用fullfile拼，跨平台不会因为斜杠翻车。round(w, 4)只是打印好看，实际权重别截断，后面还要用。

4. 避坑与排查：五个真实会踩的坑

4.1 权重全是 NaN

现象：跑完w全是NaN，得分排序无意义。原因：某列数据全相同，max - min = 0导致归一化除零，或者corrcoef遇到常数列返回NaN并污染整行。解决：在normalize_data里加if max(col) == min(col)分支，给该列全零或直接剔除该指标，并在日志里打印被剔除的列号。

4.2 排名和参考文献对不上

现象：同样的数据，自己算的排名和论文里的不一致。原因：九成是归一化口径不同——论文可能用了 z-score 或向量归一化，而你用了极差归一化；也可能是标准差用了总体而非样本。解决：先确认论文的标准化方法，再对齐std的第二个参数，最后核对相关系数是取原始值还是绝对值。

4.3 成本型指标方向搞反

现象：某个“越小越好”的指标（比如污染排放）权重异常高，排名明显不合理。原因：direction向量里对应位置写成了1，成本型没被翻转，归一化后数值大的反而得分高。解决：把direction和指标名做成一张对照表放在脚本顶部，逐列核对，别凭记忆填。

4.4 相关系数矩阵报错维度不匹配

现象：corrcoef报错或返回空。原因：输入矩阵里有NaN或Inf，常见于原始数据缺失值没处理。解决：加载数据后先跑一遍sum(isnan(raw(:)))和sum(isinf(raw(:)))，缺失值用列均值填补或整行剔除，别让脏数据流进算法。

4.5 新版 Matlab 读 Excel 报错

现象：xlsread提示不推荐或直接失败。原因：新版 Matlab 对xlsread支持收紧，且需要 Excel 组件。解决：换成readmatrix('data.xlsx')，返回纯数值矩阵，不依赖 Excel 安装；老版本没有这个函数就退回xlsread，或者把数据另存为.mat用load读，最省事。

5. 二次开发：把赋权脚本改成可复用的评价模块

5.1 从脚本到函数的封装思路

原始工程是脚本式写法，跑一次改一次数据，复用性差。二次开发第一步是把main.m里的流程收进一个函数，输入数据矩阵和方向向量，输出权重、得分、排名三件套，这样别的项目直接addpath调用就行。

function [w, score, rank] = evaluate_critic(X, direction, varargin) % 可复用评价入口 p = inputParser; addParameter(p, 'StdFlag', 0); % 0样本标准差, 1总体标准差 addParameter(p, 'NormMethod', 'range'); % range / zscore parse(p, varargin{:}); Xn = normalize_data(X, direction, p.Results.NormMethod); w = critic_weight(Xn, p.Results.StdFlag); score = Xn * w'; [~, rank] = sort(score, 'descend'); end

用inputParser把标准差口径和归一化方法做成可选参数，默认值保持和原脚本一致，老调用不受影响。varargin的好处是不改函数签名就能加新选项，后面想接熵权法做对比，再加一个'Method'参数即可。这种封装方式在 Matlab 里很常见，比全局变量干净得多。

5.2 加一个权重敏感性检查

CRITIC 权重对数据扰动敏感，样本一换权重可能大变。上线前我习惯加一段扰动检查：对每个指标加 5% 随机噪声，重算权重，看排序是否稳定。

base_w = critic_weight(Xn); perturb = zeros(100, numel(base_w)); for k = 1:100 Xp = Xn .* (1 + 0.05 * randn(size(Xn))); perturb(k, :) = critic_weight(Xp); end w_std = std(perturb, 0, 1); % 每个指标权重的波动

w_std大的指标说明权重不稳，报告里要注明“该指标权重对数据敏感，结论需谨慎”。这一步不改变算法，但能提前发现“换个样本排名就翻”的隐患，比事后被质疑强。

5.3 和熵权法做交叉验证

单一赋权法容易被挑刺，稳妥做法是同时跑熵权法和 CRITIC，看两者权重排序的 Spearman 相关系数。如果两种方法给出的权重高度一致，结论可信度就高；差异大的指标单独拎出来分析原因。实现上把critic_weight旁边加一个entropy_weight，共用归一化后的矩阵，主流程里并行调用，输出一张对比表。这个改造量不大，但对报告的说服力提升明显。

5.4 一个我踩过的坑

早些年我把这套脚本直接塞进一个批量评价流程，数据是循环读进来的，结果某批数据里有一列全零，corrcoef返回NaN，整批权重全废，但脚本没报错，静默输出了NaN表格，直到人工核对才发现。从那以后我每次封装评价函数，都在入口强制加一道数据体检：assert(all(isfinite(X(:))))，再补一个常数列检测，宁可提前报错也不让脏数据静默流过。这个习惯帮我省了不止一次返工。希望这套拆解能帮你把 CRITIC 赋权快速跑起来，也少走我走过的弯路。

本文还有配套的精品资源，点击获取