On strict ranking by pairwise comparisons

1. Problemstellung

Das Paper adressiert ein zentrales Problem der Pairwise-Comparison-Methode (PC-Methode): Die Erzeugung einer strengen Rangfolge (strict ranking) von $n$ Alternativen aus einer Matrix paarweiser Vergleiche, ohne dass dabei Elemente den gleichen Rang erhalten.

• Hintergrund: In der PC-Methode werden Alternativen paarweise verglichen (z. B. $a_{i,j}$ gibt an, wie viel besser Alternative $i$ gegenüber $j$ ist). Ein konsistentes Matrix erfüllt die Transitivität $a_{i,k} = a_{i,j} \cdot a_{j,k}$.
• Das Dilemma: In der Praxis sind PC-Matrizen oft inkonsistent (durch menschliche Urteilsfehler oder Konflikte). Herkömmliche Verfahren versuchen, diese Matrizen durch „Konsistenzierungsverfahren" (z. B. orthogonale Projektion) in konsistente Matrizen zu überführen.
• Die Lücke: Es besteht die Gefahr, dass diese Konsistenzierungsverfahren die ursprüngliche Rangordnung zerstören oder zu Ranggleichheiten führen (d. h. $a_{i,j} = 1$ für $i \neq j$), obwohl eine strenge Unterscheidung gewünscht ist. Das Ziel ist es, eine strenge Rangfolge zu garantieren, ohne zwingend von einer perfekten Konsistenz der Ausgangsmatrix auszugehen.

2. Methodik und Theoretischer Rahmen

Der Autor nutzt mathematische Strukturen aus der Topologie, der Lie-Theorie und der Geometrie, um das Problem neu zu formulieren.

A. Logarithmische Transformation und Lie-Theorie

Die Multiplikationsgruppe der positiven reellen Zahlen $(\mathbb{R}^*_+, \cdot)$ wird via Logarithmus in die additive Gruppe $(\mathbb{R}, +)$ überführt. Dies erlaubt die Anwendung linearer Methoden (wie orthogonale Projektionen) auf die logarithmierten Daten. Der Autor verweist dabei auf Zusammenhänge mit der Yang-Mills-Theorie und der Loop-Quantengravitation, wo die Minimierung von Abständen zu Holonomien eine Rolle spielt.

B. Die R-Bedingung (Ranking Condition)

Eine neue Kernbedingung wird eingeführt, die R-Bedingung:
Eine PC-Matrix erfüllt die R-Bedingung, wenn sie eine strenge Rangfolge impliziert, d. h., es existiert eine Permutation $\sigma$ der Indizes, sodass für alle $i < j$ gilt:
$$a_{\sigma(i), \sigma(j)} < 1$$
Dies bedeutet, dass das Element mit dem Index $\sigma(i)$ strikt „schlechter" (oder besser, je nach Definition der Skala) ist als $\sigma(j)$, und zwar ohne dass $a_{i,j} = 1$ (Gleichstand) auftreten darf.

C. Topologische Analyse der Räume

Der Autor definiert den Raum aller PC-Matrizen ($PC_n$) und unterteilt ihn basierend auf der R-Bedingung:

• $RPC_n$: Matrizen, die die R-Bedingung erfüllen.
• $RCPC_n$: Konsistente Matrizen, die die R-Bedingung nicht erfüllen (d. h. sie enthalten Gleichstände).
• $APC_n$: Der zulässige Raum, definiert als $PC_n \setminus RCPC_n$ (Matrizen, die eine strenge Rangfolge zulassen).

Es wird gezeigt, dass $RPC_n$ aus $2^{n(n-1)/2}$ zusammenhängenden Komponenten besteht. Eine Teilmenge dieser Komponenten sind die zulässigen Loci (admissible loci), die einer eindeutigen Permutation (Rangordnung) entsprechen.

3. Wichtige Ergebnisse und Theoreme

A. Unabhängigkeit von Konsistenz

Ein zentrales Ergebnis ist, dass eine strenge Rangfolge nicht von der Konsistenz der Matrix abhängt.

• Theorem 3.3: Es existiert eine Bijektion zwischen der symmetrischen Gruppe $S_n$ (alle möglichen Rangordnungen) und den zulässigen Loci in $RPC_n$.
• Theorem 3.6: Für $n \ge 3$ gibt es Loci in $RPC_n$, die nicht zulässig sind (d. h. sie widersprechen einer logischen Rangordnung, z. B. zyklische Widersprüche wie $a>b, b>c, c>a$).

B. Instabilität herkömmlicher Konsistenzierungsverfahren

Theorem 3.8 zeigt, dass gängige Verfahren zur Konsistenzierung (wie die orthogonale Projektion) problematisch sind:

1. Eine Matrix, die die R-Bedingung erfüllt, kann durch Konsistenzierung in eine Matrix überführt werden, die die R-Bedingung nicht mehr erfüllt (Verlust der strengen Rangfolge).
2. Eine Matrix kann von einem zulässigen Locus in einen anderen (falschen) Locus springen (Änderung der Rangordnung).
3. Das Ziel der Konsistenzierung kann also im Widerspruch zum Ziel der strengen Rangfolge stehen.

C. Das Minimierungsproblem und das Funktional $\Phi$

Da herkömmliche Methoden versagen, schlägt der Autor ein neues Optimierungsproblem vor.

• Es wird ein Funktional $\Phi: APC_n \to \mathbb{R}^+$ definiert.
• Eigenschaft: $\Phi(A) = 0$ gilt genau dann, wenn die Matrix $A$ sowohl konsistent ist als auch die R-Bedingung erfüllt.
• Formel: Das Funktional kombiniert einen Inkonsistenz-Indikator $ii(A)$ mit einem Term, der logarithmierte Abweichungen von 1 bestraft. Der Nenner enthält Terme wie $(\log a_{i,j})^2$, die sicherstellen, dass das Funktional gegen Unendlich divergiert, wenn $a_{i,j} \to 1$ (was Gleichstand bedeuten würde).
• Implikation: Die Minimierung von $\Phi$ erzwingt, dass die Lösung in den Bereich konsistenter Matrizen mit strenger Rangordnung führt, ohne dass Gleichstände auftreten.

4. Signifikanz und Implikationen

• Paradigmenwechsel: Das Paper stellt die traditionelle Annahme in Frage, dass Konsistenz das primäre Ziel sein muss. Stattdessen wird die strenge Rangfolge als primäres mathematisches Ziel definiert, das durch eine spezifische Topologie (die R-Bedingung) erzwungen wird.
• Robustheit: Die vorgeschlagene Methode ist robust gegenüber der Instabilität herkömmlicher Konsistenzierungsverfahren. Sie bietet einen mathematischen Rahmen, um sicherzustellen, dass keine zwei Elemente den gleichen Rang erhalten.
• Psychologische und angewandte Aspekte: Der Autor diskutiert, dass menschliche Urteile oft „fuzzy" (unscharf) sind und nicht perfekt in Zahlen übersetzbar. Während Zahlen für technische Anwendungen (z. B. drahtlose Netzwerke) ausreichen, könnte für psychologische Probleme komplexere Strukturen (z. B. nicht-abelsche Lie-Gruppen) notwendig sein.
• Offene Fragen: Die vollständige Analyse des Funktionals $\Phi$, insbesondere die Regularität und die Konvergenz von Gradientenverfahren zur Minimierung, bleibt als offene Forschungsfrage bestehen.

5. Fazit

Jean-Pierre Magnot liefert einen rigorosen mathematischen Beweis dafür, dass die Erhaltung einer strengen Rangfolge bei der Konsistenzierung von PC-Matrizen mit Standardmethoden nicht garantiert ist. Durch die Einführung der R-Bedingung und des Funktionals $\Phi$ wird ein neuer Pfad aufgezeigt, der die Topologie der positiven reellen Zahlen nutzt, um Ranggleichheiten mathematisch auszuschließen. Dies ist ein signifikanter Schritt zur Verbesserung der Entscheidungsfindung in Bereichen, in denen eine klare Hierarchie (ohne Gleichstand) essenziell ist.