熵值法是一种在多指标综合评价中常用的客观赋权方法。它基于信息熵的概念，通过计算各指标观测值的变异程度来确定各指标的权重。下面简要介绍熵值法的基本原理、计算步骤以及在考研复试中的应用：
基本原理
信息熵：信息熵是对不确定性的一种度量，信息量越大，不确定性越小，熵值也越小；反之，信息量越小，不确定性越大，熵值也越大。
熵值法：通过计算熵值来判断一个事件的随机性及无序程度，也可以用来判断某个指标的离散程度。在综合评价中，熵值法根据各指标观测值的变异程度来确定各指标的权重。
计算步骤
收集原始数据：
形成一个有m个样本组成，n个指标进行综合评价的问题，形成原始数据矩阵。
数据标准化处理：
由于各指标的量纲和数量级可能有差异，需要对各指标进行标准化处理，以消除量纲的影响。
求熵值：
计算各指标下各样本值的比重，进而计算各指标的熵值。
求差异系数：
计算各指标的差异系数，反映各指标相对于其他指标的变异程度。
求权值：
根据差异系数和熵值，计算各指标的权重。
求综合价值：
将各指标的权重与其标准化后的值相乘，得到各样本的综合评价得分。
评价
优点：熵值法是一种客观赋权法，能够根据各指标观测值所提供的信息大小来确定指标权重，具有较高的可信度和精确度。
缺点：缺乏各指标之间的横向比较，权数随样本变化而变化，依赖于样本，在应用上可能受到限制，且无法减少评价指标的维数。
考研复试中的应用
在考研复试中，熵值法可以用于确定复试指标体系的权重，通过专家调查法确定复试指标体系后，利用熵值法修正复试指标的主观权重，最后采用理想点法建立复试排序模型。这种方法比传统方法更具科学性，可以为硕士研究生复试选拔工作提供参考。
注意事项
在应用熵值法时，如果数据中存在负数，需要进行非负化处理，并且可能需要对数据进行平移或反转，以避免求熵值时对数的无意义。
以上是熵值法的基本介绍和在考研复试中的应用，希望对你有所帮助。