简介：面向多准则决策分析与评价建模的学习者和研究者，这份开源 MATLAB 代码包实现贝叶斯最佳-最差方法（Bayesian BWM），可用于在成对比较中估计准则权重并给出后验推断。包内共 8 个文件，以 6 个 .m 脚本为主，另含 1 个 readme.md 与 1 个示例数据 txt，压缩后约 15KB；脚本涉及主算法、JAGS 调用接口、MCMC 链重构与收敛诊断、结果绘图以及示例运行入口，结构紧凑，便于按流程阅读和改造。使用前需在本机安装 JAGS 并配置环境变量，重启 MATLAB 后即可在 runMe.m 中替换准则名称、最优-最差比较数据等变量开展实验。已有 2174 人学习，适合希望把贝叶斯 BWM 用于权重测算、方案排序或论文复现的读者参考，也能帮助理解先验设定、后验采样与收敛判断之间的衔接。

1. 从一次评审会上的追问说起

去年帮一个做设备选型的团队看他们的评分模型，会上有人问了一句：这套权重如果换个专家重新打分，会不会整个排序都翻过来？负责模型的同事当场把最优准则的偏好值从 8 改成 7，一跑，原本排第二的方案跳到了第一。会议室安静了两秒。这件事之后我开始认真看贝叶斯 BWM 这类实现——传统 BWM（Best-Worst Method）给的是权重的点估计，而贝叶斯版本把"专家打分"当带噪观测，输出的是每个权重的后验分布。这份 MATLAB 资源BayesianBWM走的就是这条路：用 BWM 的最优/最差两两比较降低提问量，再用 MCMC 把不确定性显式采样出来。适合两类人：手上有多准则评价场景、被问过"权重稳不稳"的算法同学；以及想把 BWM 从 Excel 搬进脚本、又不想只拿一个干巴巴数字的工程开发者。

2. 项目定位与技术选型：BWM 为什么值得用贝叶斯重写一遍

2.1 BWM 的输入是一对向量，不是一张矩阵

AHP 那套要专家填完整的判断矩阵，n 个准则就是 n(n-1)/2 次两两比较，准则一多专家就开始乱填。BWM 的思路是把提问量压到 2n-3 次：先让专家指认哪个准则最重要、哪个最不重要，然后只问两件事——最优准则相对其余每个准则重要多少，其余每个准则相对最差准则重要多少。得到两个向量之后，权重就由一组带约束的优化问题解出来。

落到数据上就是三个东西，准则名列表、最优准则下标、最差准则下标，加上两条长度为 n 的整数向量。下面的结构是这类项目最常见的输入约定，看代码前先把它记住：

偏好刻度沿用 Saaty 的 1-9 语义，1 表示同等重要，9 表示极端重要。这两条向量里有两个位置是"占位"的：aB(idxBest)和aW(idxWorst)按定义恒为 1，不携带信息，建模时要排除，否则会把 1 当成一次真实观测喂进似然里，权重会被无端拉平。这是后面代码里第一个容易看漏的细节。

2.2 点估计的软肋，恰好是贝叶斯的长处

传统 BWM 的目标函数是最小化最大绝对偏差，形式上是 min max_j { |w_B/w_j − a_Bj|, |w_j/w_W − a_jW| }，线性化之后用一个辅助变量 ξ 把它转成线性规划，解出来的 ξ* 还能当一致性指标用。这套做法成熟、快、可解释，问题在于它只回答"给定这组打分，权重是多少"，不回答"这组打分本身有多可信"。

专家打分天然带噪。同一个专家隔一周再填，8 可能变成 7；换个专家，最优准则的指认都可能不同。点估计把这些波动全部吸收进一个数字里，你看不出哪个权重的估计是稳的、哪个是勉强凑出来的。贝叶斯化的做法是把观测写成 w_B/w_j 的带噪版本，给权重配一个单纯形上的先验，跑 MCMC 得到后验。这样每个权重是一个分布，可以算 95% 可信区间，可以算"方案 A 优于方案 B 的后验概率"，评审会上被追问时拿得出东西。

代价也很明确：从解一个线性规划变成跑几千次迭代的采样，慢，而且要处理收敛诊断。所以这类项目一般不会把贝叶斯版当成唯一入口，常见做法是保留传统 BWM 作为快速粗筛和一致性前置检查，贝叶斯版负责在关键决策上给出不确定性刻画。

2.3 MATLAB 配 JAGS，是这条路线上最省事的组合

采样器可以自己写 Metropolis-Hastings，但在这个场景里没必要。权重要满足非负且和为 1，落在单纯形上，Dirichlet 分布正好是它的共轭先验，JAGS 直接支持ddirch；再配一个观测模型，模型文件十来行就能写完，剩下的交给 Gibbs 采样。MATLAB 侧用 matjags 这个接口把数据推过去、把链拉回来，整个流程不需要离开 MATLAB 生态。

选型上有几个现实考虑。一是团队如果本来就在 MATLAB 里做评价和画图，加一个 JAGS 比引入 Python 或 R 的整条工具链轻。二是 JAGS 的模型文件是纯文本，审稿或者交接时别人能直接读，比一堆采样器代码好解释。三是 MATLAB 的矩阵操作在处理多专家、多方案的后验汇总时确实顺手，quantile、prctile、排序这些一行就够。

提示：matjags 是第三方接口，不是 MathWorks 官方工具箱。它依赖本机已安装的 JAGS 可执行程序，装完 JAGS 之后要把它的 bin 目录加进系统 PATH，否则 MATLAB 里调用会直接报找不到可执行文件。

至于为什么用 JAGS 而不是 Stan，实际差别没那么大，两者都能写这个模型。JAGS 的语法更接近 BUGS 的老写法，模型短，调试时打印中间节点方便；Stan 的 HMC 在高维下效率更好，但这个模型维度低（n 一般不超过十几个），采样效率不是瓶颈。我一般按团队已有环境选，别为了一个十几维的模型去折腾新工具链。

3. 目录结构与数据流：从准则打分到后验权重

3.1 仓库拆开之后是四层

这类项目的目录不会太深，但分层要清楚，否则改一个观测分布要翻三个文件。下面是我按这类资源常见组织方式整理的结构，实际拿到手可能文件名略有出入，但职责划分基本一致：

BayesianBWM/ ├── data/ │ ├── criteria.csv # 准则名称，一行一个 │ └── comparisons.csv # 最优/最差下标与两条偏好向量 ├── model/ │ └── bwm.jags # JAGS 模型定义，观测分布和先验都在这里 ├── src/ │ ├── run_bwm.m # 主入口，串起整个流程 │ ├── check_consistency.m # 传统 BWM 一致性比率粗检 │ ├── prep_jags_data.m # 把表格转成 JAGS 能吃的 list │ └── summarize_posterior.m # 后验汇总、排序、出图 ├── results/ # 采样结果与图表落盘位置 └── README.md

四个目录对应四个职责：data存原始输入，model存统计模型，src存流程代码，results存输出。把模型单独抽成一个.jags文件而不是硬编码在 MATLAB 字符串里，是这类项目里我认为最值得保留的习惯——换似然、换先验只动这一个文件，MATLAB 侧完全不用改。

src里四个脚本的依赖关系是单向的：run_bwm.m调用其余三个，反过来不行。这意味着你可以单独拿check_consistency.m去做批量打分筛查，不用启动采样器，这在数据量大的时候很实用。

3.2 输入文件的两个约定

criteria.csv就是一行一个准则名，读进来转成 cell 数组。comparisons.csv稍微讲究一点，它要同时承载下标和两条向量。下面是一种能用的写法，用两行分别放aB和aW，前面用一列标记类型：

type,idxBest,idxWorst,c1,c2,c3,c4,c5 aB,3,5,4,3,1,2,7 aW,3,5,2,3,9,5,1

第一行说明最优准则是第 3 个、最差是第 5 个；aB行里第 3 个位置是 1（占位），表示准则 3 相对自己；aW行里第 5 个位置是 1。读的时候要做的校验至少三条：两条向量长度等于准则数、aB(idxBest)与aW(idxWorst)都为 1、所有值落在 1 到 9 的整数区间内。

校验这一步看着琐碎，但它是后面所有玄学问题的分水岭。我见过最典型的一次翻车是aB和aW放反了，程序照样跑完、照样出图，权重排序全错，直到有人拿手算结果对了一遍才发现。所以读入之后立刻断言，别等到采样完再看。

3.3 一次运行里数据经过了什么

把主脚本从头读到尾，数据流是这样的：

1. 从data/读入准则与比较向量，做合法性断言；
2. 调check_consistency.m跑传统 BWM 线性规划，拿到 ξ* 和一致性比率；
3. 比率超阈值就打警告并中止，否则继续；
4. prep_jags_data.m剔除两个占位位置，把向量、下标、样本量打包成 struct；
5. 调 matjags 读model/bwm.jags，传入数据和初值，跑若干条链；
6. summarize_posterior.m把链合并、算后验均值与分位数、按均值排序，出图落盘。

这个顺序有个隐含前提：一致性检查在前，采样在后。逻辑上说得通——打分本身自相矛盾的话，后验也只是把矛盾分布化了，没有意义。但第 2 步用的是线性规划，第 5 步用的是 MCMC，两者对同一组数据的"一致性"判断未必完全同步，后面排查章会专门讲这个差异怎么处理。

4. 核心模块拆解：BWM 约束、贝叶斯模型与 MCMC 采样链路

4.1 一致性前置检查：先确认打分不是自相矛盾的

传统 BWM 的线性规划形式是：最小化 ξ，约束为 |w_B − a_Bj·w_j| ≤ ξ·a_Bj 和 |w_j − a_jW·w_W| ≤ ξ·a_jW，加上权重非负、和为 1。MATLAB 里用linprog直接写。下面这段是这类脚本的骨架：

function [w, xi, CR] = check_consistency(aB, aW, idxBest, idxWorst) % 传统 BWM 线性规划求解，返回权重、最小最大偏差和一致性比率 n = numel(aB); % 决策变量顺序：[w1..wn, xi]，共 n+1 个 f = [zeros(1, n), 1]; % 不等式约束 A*x <= b，逐条展开绝对值 A = []; b = []; for j = 1:n if j == idxBest, continue; end % 占位位置不产生约束 row = zeros(1, n + 1); row(idxBest) = 1; row(j) = -aB(j); row(end) = -aB(j); % 移项后 xi 的系数 A = [A; row]; b = [b; 0]; row = zeros(1, n + 1); row(j) = 1; row(idxWorst) = -aW(j); row(end) = -aW(j); A = [A; row]; b = [b; 0]; end % 等式约束：权重和为 1 Aeq = [ones(1, n), 0]; beq = 1; lb = [zeros(1, n), 0]; ub = []; opts = optimoptions('linprog', 'Display', 'off'); [w, xi] = linprog(f, A, b, Aeq, beq, lb, ub, opts); % 一致性比率：xi* 除以同规模下的最大可能 xi CI = consistency_index(n); CR = xi / CI; end

约束的展开是关键。原始式子是 |w_B − a_Bj·w_j| ≤ ξ·a_Bj，拆成两条线性不等式之后，把 ξ 当成第 n+1 个决策变量放进系数矩阵，符号要跟着移项一起翻。第 5 行的row(end) = -aB(j)就是那个容易写错的位置：如果漏了负号，linprog会给出一个 ξ 为负的解，看起来收敛了，实际毫无意义。

参数上，aB和aW是两条偏好向量，idxBest、idxWorst用来跳过占位位置。返回值CR一般跟 0.1 到 0.2 之间的阈值比，超过就提示专家重新打分。consistency_index(n)是按准则数量查表得到的最大偏差参考值，不同文献给的表略有出入，工程上按项目约定固定一张表就行，别每次换。

4.2 组装 JAGS 数据：占位位置必须剔除

JAGS 侧只认它需要的观测，所以 MATLAB 到模型的这一步是"减法"：把占位的位置去掉，只留下真实比较。同时要把最优、最差准则的下标单独传过去，因为模型里的比值是围绕这两个位置组织的。

function jdata = prep_jags_data(aB, aW, idxBest, idxWorst) % 剔除 aB(idxBest) 与 aW(idxWorst) 两个占位观测 n = numel(aB); % 最优准则向量的真实观测位置 maskB = true(1, n); maskB(idxBest) = false; % 最差准则向量的真实观测位置 maskW = true(1, n); maskW(idxWorst) = false; jdata.n = n; jdata.B = idxBest; jdata.W = idxWorst; jdata.aB = aB(maskB); % 长度 n-1 jdata.aW = aW(maskW); % 长度 n-1 jdata.idxB = find(maskB); % 记录对应的是哪个准则 jdata.idxW = find(maskW); end

为什么一定要保存idxB和idxW？因为剔除之后，aB的第 k 个元素对应的已经不是准则 k，而是idxB(k)。模型里要用这个映射把观测挂到正确的权重上。丢了映射，观测会被错配到相邻准则，结果看起来"差不多对"，实际全错位。

aB和aW剔除后长度都是 n−1，这也解释了为什么 BWM 的提问量是 2n−3：两条向量合计 2n 个位置，减去两个占位就是 2n−2，再减去"最优准则相对最差准则"这个被两条向量重复覆盖的偏好，剩下 2n−3 次独立比较。

4.3 JAGS 模型逐段读：先验、似然、导出量

模型文件是整个项目的核心，十行左右，但每一行都有讲究。下面这版用的是对数正态观测，把aB(j)看作w_B/w_j的带噪版本：

model { # 1) 权重先验：单纯形上的均匀 Dirichlet for (i in 1:n) { alpha[i] <- 1 } w[1:n] ~ ddirch(alpha[]) # 2) 最优准则的观测：log(aB) ~ N(log(w_B/w_j), tauB) for (k in 1:(n-1)) { j <- idxB[k] log(muB[k]) <- log(w[B]) - log(w[j]) log(aB[k]) ~ dnorm(muB[k], tauB) } # 3) 最差准则的观测：log(aW) ~ N(log(w_j/w_W), tauW) for (k in 1:(n-1)) { j <- idxW[k] log(muW[k]) <- log(w[j]) - log(w[W]) log(aW[k]) ~ dnorm(muW[k], tauW) } # 4) 噪声精度先验，弱信息 tauB ~ dgamma(0.01, 0.01) tauW ~ dgamma(0.01, 0.01) }

第 1 段是权重先验。ddirch要求参数向量每个分量大于 0，全取 1 就是单纯形上的均匀分布，等价于"没有任何准则被预先认为更重要"。如果你有历史数据支撑某个准则一贯更重要，把这组 alpha 改成非均匀的，模型会自动往那个方向偏，这是二次开发里最常用的一个旋钮。

第 2、3 段是似然。为什么取对数？因为aB是 1 到 9 的正整数，而w_B/w_j也是正数，直接在原尺度上建正态模型，方差会随均值一起变大，残差结构不对。取对数之后，比值变成差值，尺度统一，正态假设更站得住。muB[k]用的是<-而不是=，因为它是确定性节点，不参与采样。

第 4 段的tauB、tauW是精度参数（方差的倒数），用 Gamma 弱信息先验让数据自己决定噪声大小。这里有个坑：dgamma(0.01, 0.01)这种极小参数在低维模型里通常没问题，但如果观测数很少（比如 n=4，只有 3 个观测），后验可能贴着 0 跑，采样器会抖动。后面排查章会讲怎么判断。

注意：JAGS 里dnorm的第二个参数是精度不是标准差。把标准差填进去是新手最常见的错误，症状是后验窄得离谱、所有链几乎重合，看着"收敛很好"，其实是先验把数据压死了。

4.4 MATLAB 侧采样与后验汇总

模型写完之后，MATLAB 这边就是调接口、设参数、收结果。下面这段是主流程里的采样和汇总部分：

% 采样参数：4 条链，每条 20000 次迭代，前 5000 次预热丢弃 nChains = 4; nBurnin = 5000; nSamples = 20000; % 初值：每条链给一个不同的随机 Dirichlet 起点，帮助诊断收敛 init = cell(1, nChains); for c = 1:nChains init{c}.w = drchrnd(ones(1, jdata.n), 1)'; % 和为 1 的随机向量 init{c}.tauB = 1; init{c}.tauW = 1; end monitors = {'w', 'tauB', 'tauW'}; samples = matjags(jdata, fullfile('model', 'bwm.jags'), init, ... 'nchains', nChains, 'nburnin', nBurnin, 'nsamples', nSamples, ... 'monitorparams', monitors, 'thin', 1, 'dic', true); % 合并链，算后验均值与 95% 可信区间 W = samples.w; % 维度 [迭代数, 准则数, 链数] W = reshape(W, [], jdata.n); % 合并所有链 wMean = mean(W, 1); wCI = prctile(W, [2.5 97.5], 1); % 按后验均值排序，输出带区间的表 [~, order] = sort(wMean, 'descend'); fprintf('%-10s %10s %20s\n', '准则', '后验均值', '95% 可信区间'); for i = order fprintf('%-10s %10.4f [%.4f, %.4f]\n', ... criteria{i}, wMean(i), wCI(1,i), wCI(2,i)); end

初值那一段值得单独说。ddirch采样出来的向量天然和为 1，但如果你给初值一个和为 2 的向量，JAGS 会在第一次迭代时报"节点 w 的初始值无效"。所以初始化必须走 Dirichlet 采样或者手工归一化，drchrnd是常见的一个小工具函数，没有的话用-log(rand(...))归一化也能替代。

monitors里我只留了w和两个精度参数。刚上手时容易把所有中间节点都加进去，结果内存爆掉、读回来一堆用不上的东西。建议默认只监控最终关心的量，需要排查再加。

thin设为 1 是因为迭代数不算大，保留全部样本便于算分位数。如果 nSamples 加到十万级，thin设 5 到 10 能省内存，对后验估计几乎没影响。

prctile那行算的是可信区间，注意它和置信区间的语义不同：这里说的是"权重落在这个区间的后验概率是 95%"，不是频率派的重复抽样含义。汇报的时候措辞要准确，否则容易被懂统计的人挑刺。

5. 跑通与常见问题排查：环境、参数与五类翻车现场

5.1 环境准备与最小可运行闭环

跑起来需要三样东西：MATLAB（带 Optimization Toolbox，linprog要用）、JAGS 可执行程序、matjags 接口。前两个是外部依赖，第三个是一个 .m 文件集合，放进路径即可。下面这段是环境自检，我一般存成一个env_check.m，换机器先跑它：

function ok = env_check() % 检查三项依赖是否就位，返回是否可继续 ok = true; % 1) Optimization Toolbox 是否可用 if isempty(which('linprog')) warning('缺少 linprog，传统 BWM 检查无法运行'); ok = false; end % 2) matjags 是否在路径上 if isempty(which('matjags')) warning('matjags 不在路径上，检查 src 目录是否 addpath'); ok = false; end % 3) JAGS 可执行文件是否可见（靠系统调用试探） [status, ~] = system('jags --version'); if status ~= 0 warning('系统找不到 jags 命令，检查 PATH'); ok = false; end end

三项检查对应三类失败。第一项挂了说明 MATLAB 装的是精简版；第二项挂了是路径问题，which直接告诉你有没有；第三项最隐蔽，因为system走的是操作系统 shell，PATH 配的是系统级环境变量而不是 MATLAB 的path，两者不是一回事。Windows 上装完 JAGS 一般要重启一次 MATLAB 才能读到新的 PATH，这一点很多说明里不写，但确实会卡人。

自检通过之后，最小闭环是：把data/里的样例数据喂给run_bwm.m，看它能否不报错地吐出results/下的后验表和图。第一次跑不要改任何参数，先确认默认路径能通，再动数据。

5.2 采样参数怎么定，别拍脑袋

nChains、nBurnin、nSamples三个参数没有放之四海皆准的值，但有一组经验起点：链数 4，预热不少于 5000，有效样本至少几千。链数少于 3 就没法算 R-hat，等于放弃了收敛诊断，不建议。预热不够的典型症状是某条链从完全不同的位置出发、还没走到后验主体就停了，合并之后分布出现双峰。

判断收敛我一般看两个量：R-hat 和有效样本量。R-hat 接近 1（经验阈值 1.1 以下）说明链之间一致；有效样本量太小说明自相关严重，需要加迭代或者加 thin。这两个量都可以从samples结构里手算，也可以装个诊断小函数。下面是一个够用的 R-hat 计算片段：

function rhat = calc_rhat(X) % X 维度：[迭代数, 参数数, 链数] [m, p, c] = size(X); chainMean = squeeze(mean(X, 1)); % [p, c] chainVar = squeeze(var(X, 0, 1)); % [p, c] W = mean(chainVar, 2); % 链内方差 B = m * var(chainMean, 0, 2); % 链间方差 varPlus = (m - 1) / m * W + B / m; % 后验方差估计 rhat = sqrt(varPlus ./ W); % [p, 1] end

W是链内方差的平均，B是链均值的方差乘上迭代数，varPlus把两者加权成总体方差估计。R-hat 大于 1.1 就该回头查模型，别硬着头皮解读结果。

5.3 五类高频翻车现场

下面这几条是我在类似实现上实际遇到或者见别人踩过的，按"现象 → 原因 → 解决"写，碰上了直接对号入座。

第一类：启动就报找不到 jags 命令。现象是 MATLAB 里调matjags直接抛错，提示无法执行外部程序。原因基本是两个：JAGS 没装，或者装了但 bin 目录没进系统 PATH。解决是先单独在终端里跑jags --version确认命令行能用，能用之后重启 MATLAB，让它重新读环境变量。如果终端能用、MATLAB 还是不行，检查是不是在 IDE 里启动的 MATLAB，某些启动方式会继承旧的环境副本。

第二类：初始值无效。现象是采样器在第一轮就报某个节点的初始值不在支撑集内。原因几乎都是权重初值不满足单纯形约束，比如手工写了[0.2 0.2 0.2 0.2 0.2]但 n 是 6，和不为 1；或者写了负数。解决是统一用 Dirichlet 采样生成初值，别手写常量。另外tauB、tauW的初值必须为正，Gamma 先验的支撑集是正半轴。

第三类：后验窄得不正常。现象是所有准则的 95% 可信区间都窄到小数点后三位，看起来"结论非常确定"。原因通常是观测模型里的精度参数被填成了标准差，方差被系统性低估；也可能是tauB的先验设得太强，比如写成了dgamma(100, 1)。解决是回头确认dnorm第二个参数确实是精度，并把 Gamma 先验放弱，让数据主导。

第四类：传统 CR 通过，贝叶斯排序却翻了。现象是前置一致性检查显示 0.08、远低于阈值，但贝叶斯后验给出的排序和linprog的点估计不一致。原因是两套方法优化的目标不同：线性规划最小化最大绝对偏差，贝叶斯建模的是对数尺度的残差，尺度变换会改变"谁离谁更近"。解决不是二选一，而是把两者都作为证据看——如果某个准则在两套方法下的区间重叠严重，就老老实实说明这个位次不确定，别硬排。

第五类：改了准则数量但模型跑不动。现象是数据里加了第 6 个准则，prep_jags_data之后采样器报维度不匹配。原因是模型文件里的循环上界写成了常数，或者idxB、idxW的长度没跟着更新。解决是把所有硬编码的长度换成n或者n-1，并在prep_jags_data里加一条断言：assert(numel(jdata.aB) == jdata.n - 1)。这类错误一旦被抓到，改起来很快，但如果没有断言，它会在采样阶段以莫名其妙的维度报错出现，查起来反而绕。

6. 二次开发：换先验、扩群决策、接自己的业务

拿到这份代码之后，最值得动的三个地方我都试过，按投入产出排一下。

换先验是最轻的改动，只动alpha[]那几行。如果你手上有一批历史评审数据，统计各准则被指认为最优的频率，用频率加一个小常数当 alpha，就是一个经验贝叶斯先验。这样新一次评审的结果会向历史均值收缩，样本少的时候特别管用。下面的写法把先验强度做成可调参数：

% 传入历史最优准则频次，构造经验 Dirichlet 先验 histCount = [12 5 20 8 3]; % 各准则历史被指认为最优的次数 alpha0 = 2; % 收缩强度，越大越依赖历史 alpha = histCount + alpha0; jdata.alpha = alpha / sum(alpha) * numel(alpha); % 保持总强度稳定

扩成群决策是这类方法真正的用武之地。多个专家各自给一组aB、aW，不要先平均再建模——平均会抹掉专家之间的分歧，而这部分分歧恰恰是你想知道的。更合适的做法是层次模型：每个专家有自己的权重向量，都来自一个共同的群体分布，MCMC 同时估计个体权重和群体均值。改动量不小，但 JAGS 里加一层循环就能表达，比在 MATLAB 里手工做加权平均诚实得多。

接业务数据管道是工程侧的活。现有实现的输入是 CSV，实际项目里通常从数据库或者接口取。我的习惯是把prep_jags_data的签名改成接收一个 struct 而不是两条向量，读数据的那一层单独抽出去，这样模型代码永远不需要知道数据从哪来。改完之后写一组单元测试，用固定输入对固定输出，验证重构没改变数值结果。

验证方法上，我一般做三件事：一是拿传统 BWM 的linprog结果和后验均值比，差得离谱就说明观测模型有问题；二是用已知权重的模拟数据反向生成aB、aW，看能不能把真值捞回来，这是检验模型设定最直接的办法；三是把后验样本按排序统计，输出"各方案排第一的概率"，这个数比均值排序更能说服做决策的人。

有次改完观测分布忘了同步改tau的先验，跑出来的区间宽到所有准则都重叠，差点把结论写成"这几个准则重要性差不多"。从那以后我每次改模型文件，都强制先用模拟数据做一遍真值回收，过了再碰真实数据。希望这些能帮到你，少走一遍我踩过的路。

本文还有配套的精品资源，点击获取