主成分分析法:
优点:
①可消除评估指标之间的相关影响。因为主成分分析法在对原始数据指标变量进行变换后形成了彼此相互独立的主成分,而且实践证明指标间相关程度越高,主成分分析效果越好。
②可减少指标选择的工作量,对于其他评估方法,由于难以消除评估指标间的相关影响,所以选择指标时要花费不少精力,而主成分分析法由于可以消除这种相关影响,所以在指标选择上相对容易些。
③主成分分析中各主成分是按方差大小依次排列顺序的,在分析问题时,可以舍弃一部分主成分,只取前面方差较大的几个主成分来代表原变量,从而减少了计算工作量。用主成分分析法作综合评估时,由于选择的原则是累计贡献率≥85%,不至于因为节省了工作量却把关键指标漏掉而影响评估结果。
缺点:
①在主成分分析中,我们首先应保证所提取的前几个主成分的累计贡献率达到一个较高的水平(即变量降维后的信息量须保持在一个较高水平上),其次对这些被提取的主成分必须都能够给出符合实际背景和意义的解释(否则主成分将空有信息量而无实际含义)。
②主成分的解释其含义一般多少带有点模糊性,不像原始变量的含义那么清楚、确切,这是变量降维过程中不得不付出的代价。因此,提取的主成分个数m通常应明显小于原始变量个数p(除非p本身较小),否则维数降低的“利”可能抵不过主成分含义不如原始变量清楚的“弊”。
③当主成分的因子负荷的符号有正有负时,综合评价函数意义就不明确。
线性加权法:
优点:计算简单易懂,包含全部原始数据指标变量;
缺点:线性加权法通常都采用主观权重,人为色彩较浓、客观性较差,计算量较大;其次,该法无法反映某些评价指标的所具有的突出影响,从而导致评价结果失真。(所谓指标的突出影响即指指标对评价结果的影响仅靠增大权重无法完全体现.具体的说,当被评对象某个指标值很高而其他指标值相对较低时,实际情况下可以认为其是优秀的或不良的,但应用加权平均法后,由于权重影响的不足,这个指标的突出影响就无法体现,而使整体的评价结果与实际相悖)。
主成分分析法:
优点:
①可消除评估指标之间的相关影响。因为主成分分析法在对原始数据指标变量进行变换后形成了彼此相互独立的主成分,而且实践证明指标间相关程度越高,主成分分析效果越好。
②可减少指标选择的工作量,对于其他评估方法,由于难以消除评估指标间的相关影响,所以选择指标时要花费不少精力,而主成分分析法由于可以消除这种相关影响,所以在指标选择上相对容易些。
③主成分分析中各主成分是按方差大小依次排列顺序的,在分析问题时,可以舍弃一部分主成分,只取前面方差较大的几个主成分来代表原变量,从而减少了计算工作量。用主成分分析法作综合评估时,由于选择的原则是累计贡献率≥85%,不至于因为节省了工作量却把关键指标漏掉而影响评估结果。
缺点:
①在主成分分析中,我们首先应保证所提取的前几个主成分的累计贡献率达到一个较高的水平(即变量降维后的信息量须保持在一个较高水平上),其次对这些被提取的主成分必须都能够给出符合实际背景和意义的解释(否则主成分将空有信息量而无实际含义)。
②主成分的解释其含义一般多少带有点模糊性,不像原始变量的含义那么清楚、确切,这是变量降维过程中不得不付出的代价。因此,提取的主成分个数m通常应明显小于原始变量个数p(除非p本身较小),否则维数降低的“利”可能抵不过主成分含义不如原始变量清楚的“弊”。
③当主成分的因子负荷的符号有正有负时,综合评价函数意义就不明确。
线性加权法:
优点:计算简单易懂,包含全部原始数据指标变量;
缺点:线性加权法通常都采用主观权重,人为色彩较浓、客观性较差,计算量较大;其次,该法无法反映某些评价指标的所具有的突出影响,从而导致评价结果失真。(所谓指标的突出影响即指指标对评价结果的影响仅靠增大权重无法完全体现.具体的说,当被评对象某个指标值很高而其他指标值相对较低时,实际情况下可以认为其是优秀的或不良的,但应用加权平均法后,由于权重影响的不足,这个指标的突出影响就无法体现,而使整体的评价结果与实际相悖)。