熵值法算法中有一个内部处理为求对数，负数或者0无法取对数。如果原始数据中有负数或者0则会出现null值，建议使用筛选样本功能，或者异常值功能将数据处理好后再分析即可。

如果数据的量纲不同（单位不同），一般需要进行无量纲化处理。无量纲化处理常见处理办法有标准化、归一化等；

建议使用归一化（SPSSAU的生成变量功能），而不使用标准化（原因是标准化会导致非常多的数据出现负数，导致有效样本明显减少）。

如果是使用归一化处理【公式为：（X-Min）/(Max-Min)】，处理后会出现数字0，这会导出结果出现null值；建议分析前先进行筛选，或者直接将数字0设置成null值（SPSSAU的异常值功能）后再进行分析。

如果需要对数据正向或者逆向化处理，请使用SPSSAU生成变量功能。正向化或者逆向化处理均会导致新数据中有数字0，这会导出最终结果出现null值，建议分析前先进行筛选，或者直接将数字0设置成null值（SPSSAU的异常值功能）后再进行分析。

如果分析结果出现null值，原因是原始数据中有小于或者等于0的原始数据；因此将小于或等于0的数据处理即可。具体操作为：SPSSAU数据处理->异常值功能操作截图如下：

如果量纲不同，一般是需要进行归一化处理等。但结合熵值法来讲，如果进行无量纲化处理(比如归一化或标准化)，这会导致数据中出现数字0，这种情况会导致计算不出结果（结果显示为null值）；类似的正向化、逆向化也会出现类似的情况（结果显示为null值）。

建议量纲不同时进行归一化处理即可（不使用标准化），但在分析前需要把数字为0的样本过滤掉（筛选样本功能），类似地，如果数据进行过正向化或逆向化处理时，也有可能出现此类情况，也一样先筛选样本再进行分析即可。

第一种：SPSSAU非负平移功能是指，如果某列（某指标）数据出现小于等于0，则让该列数据同时加上一个‘平移值’【该值为某列数据最小值的绝对值+0.01】，以便让数据全部都大于0，因而满足算法要求。

第二种：研究者也可以手工查看数据并将小于等于0的数据设置为异常值，但此种做法会让样本减少。

熵值法得到权重值后，此时数据与对应的权重相乘，并且进行累加，最终得到一列数据即为‘综合得分’。

熵值法的原理是针对数据不确定性进行度量，从而计算权重。无论是什么数据（包括面板数据），均可正常的进行熵值法，一般不需要进行处理。

当然面板数据进行熵值法分析时，也可以先筛选出不同的年份，重复进行多次熵值法均可。

一般情况下面板数据只进行一次熵值法分析即可，数据格式上比如有10年且每年有100个省份，那么就为10*100=1000行数据即可（把数据重叠起来后一次性上传进行分析）。

第一：多次使用主成分分析，并且保存得到‘成分得分’，使用主成分得分来表示对应的二级指标数据；

第二：将所有的三级指标数据进行因子分析（进阶方法里面），然后利用方差解释率去评估二级指标的权重；

第三：使用主观评价方法，重新收集专家打分数据进行AHP层次分析得到权重。 类似，如果只有二级指标数据但无一级指标数据，也是类似的道理。

正向化和逆向化有两个功能，首先可以将指标方向进行统一，其次是数据量纲化。因此如果进行过正向或逆向处理，数据就不需要再进一步标准化。当然再次进一步标准化也没有问题。

如果分析时出现‘分析样本量’小于样本量，有3种可能。1是免费版（免费版仅分析前100行数据）；2是做过‘筛选样本’功能（即主动设置只分析其中一部分数据）；3是原始数据中有缺失数据（系统右上角‘我的数据’处可查看原始数据，也可下载原始数据等）。

如果是面板数据希望进行熵值法，其数据格式如下图所示，比如有100家公司分别5年的指标数据，那么一共就有100*5=500行数据。数据格式上需要如此，但在分析时只需要放入‘指标列’数据即可。

熵值法计算综合得分，如果说做了‘非负平移’处理，而且确实原始数据满足‘非负平移’的规则，那么算法进行计算时，是以‘非负平移处理后’的数据与权重相乘累加得到综合得分。

涉及到组合赋权法的使用，可参考此页面。

比如有三层结构如下图，通常有着指标层即指标1到指标9的数据，因此可以分别得到具体指标的权重（可考虑比如准则层1对应的3个指标做1次熵值法，准则层2的3个指标做1次熵值法，准则支3的3个指标做1次熵值）。接着3个准则层的权重如何计算呢？常见有以下几种处理办法，1是将9个指标做主成分分析并且设置为3个主成分，利用主成分方差解释率来得到3个准则层的权重；2是收集专家打分数据进行AHP层次分析法得到3个准则层的权重；3是分别做3次熵值法并且保存综合得分，分别得到准则层对应的数据（综合得分），然后利用综合得分进一步分析比如再一次熵值法或其它分析方法等。更多关于组合赋权，可参考此页面。