CRITIC, ölçüt ağırlıklarını <b>karar matrisinin kendisinden</b> türetir: bir ölçüt seçenekleri ne kadar <b>ayırıyorsa</b> (σ) ve diğer ölçütlerden ne kadar <b>bağımsızsa</b> (düşük korelasyon) o kadar ağırlık alır. Kimseye önem sorulmaz.
C<sub>j</sub> = σ<sub>j</sub> · Σ(1 − ρ<sub>jk</sub>), ardından toplama bölünür. Başka ölçütlerle güçlü ilişkili bir ölçüt, tekrar eden bilgi taşıdığı için ağırlığını kaybeder.
Çıkan ağırlıklar TOPSIS, VIKOR ya da ELECTRE I sayfalarındaki ağırlık satırına yazılabilir — AHP'nin öznel ağırlıklarının yerine geçer.
TOPSIS, VIKOR ve ELECTRE I bir ağırlık vektörü ister. O ağırlık nereden gelir? İki yol vardır:
AHP bunu yapar: ölçütler ikişer ikişer karşılaştırılır, ağırlıklar insanın önem yargısından türetilir. Veriye hiç bakmaz.
CRITIC ve Standart Sapma bunu yapar: ağırlık karar matrisinin kendisinden çıkarılır, kimseye "bu ölçüt ne kadar önemli" diye sorulmaz. Mantık şu: bir ölçüt seçenekleri birbirinden ne kadar ayırıyorsa o kadar bilgilendiricidir. Bütün seçeneklerin aynı puanı aldığı bir ölçüt hiçbir karar bilgisi taşımaz, ağırlığı sıfırdır.
Çelişki bilgidir: karar vericinin çok önemli saydığı bir ölçütte seçenekler birbirine çok yakınsa, o ölçüt pratikte kararı belirlemiyor demektir. Uygulamada yaygın yaklaşım ikisini birleştirmektir (ör. çarpıp yeniden normalleştirmek); bu uygulama şimdilik ikisini ayrı ayrı verir, birleştirmeyi kullanıcıya bırakır.
Veriye bakar, amaca bakmaz. Ölçülmesi kolay ama önemsiz bir ölçüt çok ayrışıyorsa yüksek ağırlık alır. Bu yüzden nesnel ağırlık genellikle öznel yargıyla birlikte kullanılır, onun yerine değil.
CRITIC — CRiteria Importance Through Intercriteria Correlation (Diakoulaki ve ark., 1995). Ağırlığı iki şeyin çarpımı olarak kurar: bir ölçüt ne kadar ayırıyor ve ne kadar özgün bilgi taşıyor.
Her sütun 0–1 aralığına çekilir; en iyi seçenek 1, en kötüsü 0 olur.
σj, normalize sütunun standart sapmasıdır. Büyükse seçenekler o ölçütte birbirinden ayrışıyor, yani ölçüt karar için bilgi taşıyor demektir. Bütün seçeneklerin aynı değeri aldığı bir ölçütte σ = 0'dır ve ağırlığı tam olarak sıfır çıkar.
ρjk, j ve k ölçütleri arasındaki Pearson korelasyonudur. İki ölçüt güçlü ilişkiliyse (ρ → 1) aslında aynı bilgiyi iki kez taşıyorlar demektir; 1 − ρ → 0 olduğu için ikisi de ağırlık kaybeder. Kimseyle ilişkisi olmayan bir ölçüt ise özgün bilgi taşır ve öne çıkar.
"Tekrar eden ölçüt" örneği bunu doğrudan gösterir: Satış ile Ciro ρ ≈ 0,9999 ilişkilidir; Standart Sapma yöntemi üçüne de yakın ağırlık verirken CRITIC bu ikisini kırıp üçüncü ölçütü öne çıkarır.
Normalize matris, ortalama, varyans, kovaryans ve ρ² tam kesirlidir. Ama σ = √varyans bir kareköktür; ρ, C ve ağırlıkların kendisi de zorunlu olarak irrasyoneldir ve 50 haneli ondalıkla hesaplanır. Bu, uygulamada çıktısı tam kesir olamayan ilk yöntem ailesidir — VIKOR'un tam tersi.
Fark etmez. Ağırlık bir oran olarak normalleştirildiği için ortak çarpan sadeleşir; iki seçim de aynı ağırlıkları verir. Uygulama anakütle (÷m) kullanır.