用户画像之指标权重

用户画像之指标权重

1、指标确认
2、指标缩减
3、权重确定

关键指标–主成分分析（SPSS）

PCA（主成分分析）是一种降维方法，常用于对高维数据集作降维，它会将一个大的变量集合转化为更少的变量集合，同时保留大的变量集合中的大部分信息。即对指标进行降维操作使其只保留关键指标。

1、判断数据是否适合主成分分析

• KMO检验：KMO值大于0.6说明适合进行分析，反之，说明不适合进行分析。
• Bartlett检验：对应P值小于0.05也说明适合分析。

2、确定主成分个数

• 方差解释率表格：方差解释率越大说明主成分包含原数据信息的越多。
• 碎石图：折线由陡峭突然变得平稳时，陡峭到平稳对应的主成分个数即为参考提取主成分个数。
• 载荷系数表格：载荷系数绝对值大于0.4归于第一主成分，共同度为可被提取的信息量，越高说明指标能被主成分解释的程度越高，被提取的信息量越多。一般以0.4作为标准。

3、利用主成分得到综合得分

数据处理中进行得分结果汇总。
综合得分=主成分1得分主成分1权重+主成分2得分主成分2权重+…
权重=各主成分对应的方差贡献率/累计方差贡献率

权重确认–嫡值法

详细视频操作指路

1、数据标准化

• 数据缺失值极值处理

• 确认正负样本(为了避免求熵值时无意义，每个指标结果加上实数，如+0.001)
  正相关指标（指标为正向，越多越好）
  X = Xij-Min(Xij) / Max(Xij)−Min(Xij)

  负相关指标（指标为反向，越少越好）
  X = Max(Xij )-Xij / Max(Xij)−Min(Xij)

2、计算样本比重

3、计算指标嫡值

4、 计算差异系数

5、 计算指标权重
某项指标的信息效用值取决于该指标的信息熵与 1 之间的差值，它的值直接影响权重的大小。权重越大，对评价结果的贡献就越大

6、 计算综合得分