- 上一篇：风险投资对上市公司IPO影响的实证分析
- 下一篇：上市公司交叉持股对其主营业务盈利能力的影响研究
第三步：一致性检验.判断矩阵的最大特征值为λmax= ,式中 表示判断矩阵B与权重向量W之积的第i个分量.计算一致性指标 .根据表2确定平均随机一致性指标Ir的值,则随机一致性比例为 当CR<0.1时,可认为获得的各指标权重有满意的一致性。
3.2 D-S证据理论和TOPSIS方法
3.2.1Dempster-Shafer理论
Dempster-Shafer理论是贝叶斯方法的概括，最早是由Dempster在20世纪60年代提出的。20世纪70年代，Shafer改进和提炼了他的理论。这个理论可以处理不完备数据管理的缺陷。（Shafer，1976），这个理论的基础是Dempster理论中概率的上限和下限。假设Θ={Θ1、Θ2…ΘN、}是互斥的非空有限集合，Θ被称为识别框架（Shafer，1976），这种识别框架包含了每个可能的假设，枚举θ中的元素有2θ个，为θ的幂级数，包含了θ中所有可被枚举的子集。
如果集函数M：2θ→[0,1]且满足
and
（φ为空集，A是θ的任一子集，2θ为θ的幂级数）称M为框架θ上的基本可信度。 度量了支持A的证据度。任何一个证据的信任度在[0,1]之间且О为θ的任何子集，记为 。每一子集包含一个或多个假设。空集没有信任度。所有的基本可信度加起来为一个整体。
信任度是dempster-shafer理论的重要概念，定义如下：
众信度函数 反应了A的集合的所有基本可信度。 为众信度之和函数。 和 不同之处在于 仅仅度量A的可信度，而不是A及其子集的所有的可信度。
似真度（似然函数）是Dempster-Shafer理论的另一重要概念，定义如下：
包含了所有与A相容的那些命题集的基本可信度。 为A的置信区间的上下限。Dempster法则汇总的独立信息公式，这是Dempster-Shafer理论的核心。