德尔菲法统计分析时遇到的问题怎么解决？

Question

我在做德尔菲法·统计分析的时候，为什么我发现明显专家意见更加集中，肯德尔系数却越小呢？这个问题怎么解决。以及对于统一条目，选择大部分具备和完全具备的人数一致，且变异系数符合要求，在做结论的时候是应该选择大部分具备还是完全具备呢？

Answer 1

让【道友老李】来帮你解答，本回答参考通义千问大模型编写，并整理提供，如果还有疑问可以点击头像关注私信或评论。

如果答案让您满意，请采纳、关注，非常感谢！

### 问题解析与解答

1. 德尔菲法中专家意见集中但肯德尔系数反而变小的原因及解决方法

原因分析

在使用德尔菲法进行统计分析时，如果发现专家意见明显更加集中，但肯德尔系数（Kendall's W）却越小，这可能有以下几个原因：

1. 数据分布不均匀：虽然专家意见整体上趋于一致，但在某些特定的条目或问题上，专家的意见可能存在较大的分歧。这种局部的分歧可能会导致肯德尔系数下降。
2. 样本量不足：如果参与评估的专家数量较少，即使意见集中，也可能因为样本量不足而导致肯德尔系数不稳定。
3. 评分尺度不一致：专家在评分时可能对同一标准的理解存在差异，导致评分尺度不一致，从而影响肯德尔系数的计算结果。

解决方法

1. 增加专家数量：通过增加参与评估的专家数量来提高样本量，使肯德尔系数更稳定。
2. 细化评分标准：确保所有专家对评分标准有一致的理解，可以提供详细的评分指南，并在正式评估前进行培训。
3. 多次迭代：在德尔菲法中，通过多次迭代反馈，逐步调整和优化专家意见，使其趋于一致。
4. 检查数据异常值：对数据进行仔细检查，排除异常值的影响。

2. 对于统一条目，选择大部分具备和完全具备的人数一致，且变异系数符合要求，在做结论的时候是应该选择大部分具备还是完全具备

分析

当对于统一条目，选择“大部分具备”和“完全具备”的人数一致，且变异系数符合要求时，需要考虑以下几点：

1. 实际情况：根据实际情况判断该条目是否真的能够达到“完全具备”的标准。如果实际情况确实达到了“完全具备”的标准，则应选择“完全具备”。
2. 保守原则：在不确定的情况下，可以选择较为保守的选项，即“大部分具备”。这样可以避免过高估计实际情况，减少风险。
3. 专家意见：参考专家的具体意见和理由，如果专家认为“完全具备”更为合适，可以优先选择“完全具备”。

结论

• 如果实际情况确实达到了“完全具备”的标准，且专家意见也支持这一选择，则应选择“完全具备”。
• 如果存在不确定性，或者为了保守起见，可以选择“大部分具备”。

案例说明

假设我们在评估某项技术的成熟度时，有10位专家进行了打分。每个专家对某个条目的评分如下：

专家	评分
1	5
2	5
3	5
4	5
5	5
6	4
7	4
8	4
9	4
10	4

在这个案例中，评分集中在4和5之间，看起来意见比较集中。但是，由于评分在4和5之间存在一定的分歧，肯德尔系数可能会受到影响。

计算肯德尔系数（Kendall's W）

import numpy as np
from scipy.stats import kendalltau

# 专家评分
scores = np.array([5, 5, 5, 5, 5, 4, 4, 4, 4, 4])

# 计算肯德尔系数
kendall_w, _ = kendalltau(scores, scores)
print(f"肯德尔系数 (Kendall's W): {kendall_w}")

输出结果：

肯德尔系数 (Kendall's W): 1.0

在这个例子中，肯德尔系数为1.0，表示完全一致。但如果评分分布略有不同，肯德尔系数可能会降低。

总结

• 在德尔菲法中，如果专家意见集中但肯德尔系数反而变小，可以通过增加专家数量、细化评分标准、多次迭代和检查数据异常值等方法来解决。
• 对于统一条目，选择“大部分具备”还是“完全具备”，应根据实际情况、保守原则和专家意见综合判断。