Mean-based incomplete pairwise comparisons method with the reference values

Diese Arbeit stellt zwei quantitative Methoden zur Berechnung von Gewichtvektoren für unvollständige paarweise Vergleichsmatrizen unter Verwendung von Referenzwerten vor, erweitert dabei arithmetische und geometrische Heuristiken, beweist die Optimalität der geometrischen Variante und liefert hinreichende Bedingungen für die Existenz von Lösungen.

Das Wesentliche

Der "Fahrrad-Reparatur-Shop" für Entscheidungen: Wie man mit Lücken im Raster trotzdem das Beste findet

Stellen Sie sich vor, Sie sind der Chef eines großen Fahrradgeschäfts. Sie haben viele neue Modelle (die Alternativen), aber Sie kennen den genauen Wert oder die Qualität von einigen noch nicht. Dafür haben Sie jedoch zwei alte, bewährte Modelle (die Referenzwerte), deren Preis und Qualität Sie genau kennen.

Normalerweise müssten Sie, um alle neuen Räder zu bewerten, jedes einzelne mit jedem anderen vergleichen. Das ist wie ein riesiges Turnier, bei dem jedes Rad gegen jedes andere Rad fährt. Bei 10 Rädern wären das schon 45 Vergleiche! Das ist mühsam, zeitaufwendig und oft unmöglich, weil man nicht immer alles direkt vergleichen kann (z. B. wenn zwei Räder zu unterschiedlichen Zeiten getestet wurden).

Das Problem:
Wie bewertet man die neuen Räder, wenn man nur einige Vergleiche hat und einige Daten fehlen? Und wie nutzt man dabei die bekannten Werte der alten Räder als Anker?

Die Lösung des Papers:
Die Autoren (Konrad Kułakowski und Kollegen) haben zwei neue Methoden entwickelt, die wie ein cleverer "Reparatur-Service" für diese Lücken in den Daten funktionieren. Sie nennen es HRE (Heuristische Schätzung von Bewertungen).

Stellen Sie sich vor, Sie versuchen, die Höhe eines Berges zu schätzen, aber Sie haben nur einen unvollständigen Höhenmesser. Sie wissen aber genau, wie hoch zwei bekannte Gipfel in der Nähe sind.

Methode 1: Der "Durchschnitts-Detektiv" (Arithmetische Methode)

Diese Methode funktioniert wie ein Koch, der einen perfekten Suppen-Geschmack sucht.

• Das Prinzip: Wenn Sie wissen wollen, wie gut Rad A ist, schauen Sie sich alle Vergleiche an, die Sie haben. Wenn Rad A "etwas besser" als Rad B ist, und Rad B "sehr gut" ist, dann ist Rad A "gut".
• Die Logik: Der Koch nimmt alle diese Hinweise und macht einen arithmetischen Durchschnitt. Er sagt: "Okay, Rad A wurde einmal als doppelt so gut wie Rad B bewertet und einmal als halb so gut wie Rad C. Also nehme ich den Mittelwert."
• Der Vorteil: Es ist sehr intuitiv und leicht zu verstehen. Wenn Sie zwei Schätzungen haben (eine optimistische, eine pessimistische), ist der Mittelwert oft eine faire Entscheidung.
• Der Haken: Manchmal funktioniert diese Methode nicht, wenn die Daten zu chaotisch oder zu lückenhaft sind. Es ist wie ein Koch, der versucht, eine Suppe zu kochen, aber ihm fehlen so viele Zutaten, dass die Rechnung aufgeht.

Methode 2: Der "Geometrische Multiplikator" (Geometrische Methode)

Diese Methode ist wie ein Kettenreaktions-Experiment.

• Das Prinzip: Hier wird nicht addiert, sondern multipliziert. Wenn Sie eine Kette von Vergleichen haben (A ist besser als B, B ist besser als C), multiplizieren Sie diese Stärken.
• Die Logik: Diese Methode ist mathematisch gesehen der "Königsweg". Die Autoren beweisen, dass diese Methode immer eine Lösung findet, solange die Daten nicht völlig absurd sind (wie ein Berg, der unter der Erde liegt).
• Der Vorteil: Sie ist extrem stabil. Selbst wenn die Daten "unvollständig" sind (wie bei einem Puzzle, bei dem ein paar Teile fehlen), findet diese Methode den besten Weg, die fehlenden Teile so einzufügen, dass das Gesamtbild am wenigsten verzerrt aussieht. Sie minimiert den "Fehler" in der Schätzung.
• Der Nachteil: Sie ist mathematisch etwas komplexer zu verstehen als der einfache Durchschnitt.

Warum ist das so wichtig? (Die "Referenz"-Idee)

Das Geniale an dieser Arbeit ist die Nutzung von Referenzwerten.
Stellen Sie sich vor, Sie bewerten 100 Filme. Normalerweise müssten Sie 4.950 Vergleiche machen (Film A gegen B, A gegen C, etc.).
Mit dieser neuen Methode sagen Sie: "Ich kenne den Wert von Inception und Titanic genau (das sind meine Referenzen). Ich vergleiche die neuen Filme nur mit diesen beiden und untereinander, wo es nötig ist."

• Ergebnis: Sie sparen enorm viel Zeit. Sie müssen nicht jeden Film mit jedem vergleichen, sondern können sich auf die "Anker" konzentrieren.
• Sicherheit: Wenn Sie einen neuen Film hinzufügen, ändern sich die Bewertungen der alten Filme nicht. Das verhindert, dass sich die Rangliste plötzlich umdreht (ein Phänomen, das in der Entscheidungstheorie als "Rank Reversal" bekannt ist und oft zu Chaos führt).

Welchen Weg soll man wählen?

Die Autoren sagen: Es kommt auf die Situation an!

1. Wählen Sie den "Durchschnitts-Detektiv" (Arithmetisch), wenn:

   • Sie glauben, dass alle Ihre Einschätzungen gleich wichtig sind.
   • Sie eine einfache, leicht erklärbare Zahl wollen (z. B. "Dieses Produkt kostet im Durchschnitt 5,75 $").
   • Die Daten relativ sauber sind.

2. Wählen Sie den "Geometrischen Multiplikator", wenn:

   • Sie absolute Sicherheit wollen, dass eine Lösung existiert.
   • Sie die mathematisch "perfekteste" Rangfolge wollen, die den Fehler minimiert.
   • Die Daten sehr unvollständig oder widersprüchlich sind.

Fazit in einem Satz

Die Autoren haben zwei neue Werkzeuge entwickelt, mit denen man auch mit unvollständigen Informationen und wenigen Vergleichen eine faire und stabile Rangliste erstellen kann, indem man bekannte "Anker-Werte" als Fundament nutzt – ähnlich wie ein Architekt, der ein neues Haus auf einem stabilen Fundament baut, ohne jeden einzelnen Stein neu verlegen zu müssen.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Titel:

Mittelwertbasierte Methode für unvollständige paarweise Vergleiche unter Verwendung von Referenzwerten

1. Problemstellung

Die Entscheidungsfindung auf Basis von paarweisen Vergleichen (Pairwise Comparisons, PC) ist ein etabliertes Verfahren, insbesondere im Rahmen der Analytic Hierarchy Process (AHP). Ein zentrales Problem in der Praxis ist jedoch die Unvollständigkeit der Vergleichsmatrizen. Entscheidungsträger (DM) sind oft nicht in der Lage oder bereit, alle $n(n-1)/2$ möglichen Vergleiche zwischen $n$ Alternativen durchzuführen.

Zusätzlich existieren Methoden, die auf Referenzwerten basieren (z. B. TOPSIS, BWM, HRE), bei denen die Prioritäten bestimmter Alternativen (Referenzalternativen) bereits bekannt sind. Bisherige Erweiterungen der Heuristic Rating Estimation (HRE) Methode setzten jedoch voraus, dass eine vollständige Menge an paarweisen Vergleichen vorliegt. Es fehlte an einem robusten quantitativen Verfahren, das sowohl unvollständige Daten als auch bekannte Referenzwerte kombiniert, um Gewichte für die unbekannten Alternativen zu berechnen.

2. Methodik

Die Autoren schlagen zwei quantitative Erweiterungen der HRE-Methode vor, die speziell für unvollständige Matrizen entwickelt wurden:

A. Grundlegende Annahmen

• Die Menge der Alternativen $A$ wird in zwei disjunkte Teilmengen unterteilt:
  • $A_U$: Alternativen mit unbekannten Prioritäten (zu berechnen).
  • $A_K$: Referenzalternativen mit bekannten und fixierten Prioritäten.
• Für fehlende Vergleiche ($c_{ij} = ?$) wird angenommen, dass sie konsistent mit dem Endergebnis sind, d. h. $c_{ij} = w(a_i) / w(a_j)$.

B. Die beiden vorgeschlagenen Verfahren

1. Arithmetische unvollständige HRE (aiHRE):

   • Prinzip: Die Priorität einer Alternative wird als arithmetisches Mittel der gewichteten Prioritäten aller anderen Alternativen approximiert.
   • Mathematik: Dies führt zu einem linearen Gleichungssystem $Cw = b$. Die Matrix $C$ hat eine spezifische Struktur (diagonaldominant unter bestimmten Bedingungen).
   • Lösung: Die Lösung erfolgt durch Invertierung der Matrix $C$, sofern diese nicht singulär ist.

2. Geometrische unvollständige HRE (giHRE):

   • Prinzip: Die Priorität wird als geometrisches Mittel der gewichteten Prioritäten berechnet. Dies entspricht einer Erweiterung der Geometric Mean Method (GMM).
   • Mathematik: Das ursprüngliche nichtlineare System wird durch Logarithmierung in ein lineares Gleichungssystem $\bar{C}\bar{w} = \bar{b}$ transformiert, wobei $\bar{w}$ die Logarithmen der Gewichte sind.
   • Lösung: Nach Lösung des linearen Systems werden die Gewichte durch Exponentiation zurückgewonnen.

3. Wichtige Beiträge und Theoretische Ergebnisse

• Existenz von Lösungen:

  • Für die geometrische Variante (giHRE) wird bewiesen, dass eine eindeutige, reelle und positive Lösung immer existiert, sofern die Vergleichsmatrix irreduzibel ist und jede nicht-referenzielle Alternative direkt oder indirekt mit mindestens einer Referenzalternative vergleichbar ist. Dies gilt selbst dann, wenn die Matrix nicht strikt diagonaldominant ist.
  • Für die arithmetische Variante (aiHRE) werden hinreichende (aber nicht notwendige) Bedingungen für die Existenz einer Lösung hergeleitet. Diese basieren auf der Irreduzibilität der Matrix und der Diagonaldominanz. Es wird gezeigt, dass die Lösung existiert, wenn die Anzahl der Referenzalternativen und die Anzahl der vorhandenen Vergleiche bestimmte Schwellenwerte im Verhältnis zu den fehlenden Vergleichen erfüllen. Falls diese Bedingungen nicht erfüllt sind, kann das Problem als Optimierungsproblem formuliert werden.

• Optimalität:

  • Es wird bewiesen, dass die giHRE-Methode optimal ist. Das berechnete Gewicht minimiert die Summe der quadrierten logarithmischen Fehler (Least Squares Error) für die vorhandenen Vergleiche. Dies ist eine direkte Vererbung der Optimalitätseigenschaft der klassischen GMM-Methode.

• Flexibilität:

  • Die Methoden erlauben eine flexible Auswahl der Anzahl der Referenzalternativen und des Umfangs der durchgeführten Vergleiche (von einem Minimum von $n-1$ bis zum vollständigen Satz).

4. Ergebnisse und Numerische Beispiele

Die Autoren illustrieren die Methoden anhand von zwei numerischen Beispielen:

1. Werbung: Bewertung von Werbeplakat-Designs, wobei zwei historische Designs als Referenz mit bekannten "Gewinn"-Werten dienen.
2. Party-Snacks: Auswahl von Vorspeisen, wobei zwei bewährte Gerichte als Referenz dienen.

In beiden Fällen wurden die Gewichte sowohl mit der arithmetischen (aiHRE) als auch der geometrischen (giHRE) Methode berechnet.

• Ergebnis: Die Rangfolgen der Alternativen waren in den Beispielen identisch, obwohl die absoluten Gewichtswerte leicht variierten.
• Vergleich: Die arithmetische Methode liefert intuitivere Ergebnisse (Mittelwert der Schätzungen), während die geometrische Methode robuster gegenüber extremen Werten ist und die Optimalitätseigenschaft besitzt.

5. Bedeutung und Diskussion

• Integration mit AHP: Die vorgeschlagenen Methoden lassen sich nahtlos in die hierarchische Struktur des AHP integrieren. Jeder Knoten im Baum kann mit dieser Methode bearbeitet werden, was die Flexibilität erhöht und die Anzahl der erforderlichen Vergleiche pro Knoten reduziert.
• Vermeidung von Rangumkehr (Rank Reversal): Da die Gewichte der Referenzalternativen fixiert bleiben, bietet die Methode Schutz vor der unerwünschten Phänomen der Rangumkehr beim Hinzufügen neuer Alternativen.
• Wahl der Methode:
  • Bei konsistenten Matrizen liefern beide Methoden identische Ergebnisse.
  • Bei inkonsistenten Matrizen hängt die Wahl von der Problemstellung ab:
    • Die arithmetische Methode ist geeignet, wenn alle Schätzungen als gleich wahrscheinlich angesehen werden und eine intuitive Interpretation (Durchschnitt) gewünscht ist.
    • Die geometrische Methode ist theoretisch überlegen aufgrund ihrer garantierten Lösbarkeit und Optimalität (Minimierung des Fehlers). Sie ist besonders geeignet, wenn es um die reine Rangfolge geht und extreme Schätzungen gedämpft werden sollen.

Fazit

Das Paper liefert einen wichtigen theoretischen und praktischen Beitrag zur Multi-Kriterien-Entscheidungsfindung (MCDM). Es schließt die Lücke zwischen der Nutzung von Referenzwerten und der Verarbeitung unvollständiger Daten. Durch den Nachweis der Existenz und Optimalität der geometrischen Lösung sowie die Bereitstellung von Bedingungen für die arithmetische Lösung bieten die Autoren robuste Werkzeuge für Entscheidungsträger, die mit komplexen und unvollständigen Vergleichsszenarien konfrontiert sind.