Refined thresholds for inconsistency: The effect of the graph associated with incomplete pairwise comparisons

Diese Arbeit verfeinert die Schwellenwerte für Inkonsistenz bei unvollständigen paarweisen Vergleichen, indem sie nachweist, dass diese nicht nur von der Matrixgröße und der Anzahl fehlender Einträge, sondern auch von der Struktur des zugrunde liegenden Graphen abhängen, was eine präzisere Fehlererkennung während der Datenerhebung ermöglicht.

Das Wesentliche

Das große Rätsel: Wenn nicht alle Puzzleteile da sind

Stell dir vor, du musst eine große Gruppe von Leuten (oder Alternativen) nach ihrer Beliebtheit oder Wichtigkeit sortieren. Die beste Methode dafür ist oft, sie paarweise zu vergleichen.

• „Ist A besser als B?"
• „Ist B besser als C?"
• „Ist A besser als C?"

Das Problem: Manchmal sind die Antworten nicht logisch. Wenn A doppelt so gut ist wie B, und B dreimal so gut wie C, müsste A eigentlich sechsmal so gut wie C sein. Aber oft sagen die Leute: „Nein, A ist nur fünfmal so gut." Das nennt man Inkonsistenz (Widersprüchlichkeit).

In der Wissenschaft gibt es eine berühmte Regel (die „10%-Regel"), die sagt: „Wenn die Widersprüchlichkeit zu hoch ist, musst du die Antworten nochmal überdenken."

Das neue Problem: Unvollständige Daten

In der echten Welt können wir oft nicht alle Paare vergleichen. Vielleicht gibt es 100 Kandidaten, und es wäre zu viel Arbeit, alle 4.950 möglichen Vergleiche anzustellen. Also lassen wir einige Fragen offen. Das nennt man unvollständige Paarvergleiche.

Bisher gab es eine Faustregel: Man hat geschaut, wie viele Fragen insgesamt fehlen, und basierend darauf berechnet, wie viel „Widersprüchlichkeit" noch erlaubt ist.

Aber die Autoren dieser Studie sagen: „Moment mal! Das reicht nicht!"

Die Entdeckung: Es kommt auf die Form an

Die Forscher haben entdeckt, dass es nicht nur darauf ankommt, wie viele Fragen fehlen, sondern welche Fragen genau fehlen.

Die Analogie vom Straßennetz:
Stell dir die Alternativen als Städte vor und die bekannten Vergleiche als Straßen, die sie verbinden.

• Szenario A: Die fehlenden Straßen sind so verteilt, dass die Städte gut miteinander verbunden sind (wie ein dichtes Netz).
• Szenario B: Die fehlenden Straßen trennen die Städte in zwei Gruppen, die kaum miteinander verbunden sind (wie ein zerklüftetes Netz).

Die Studie zeigt: Ein Netzwerk, das gut verbunden ist (ein „dichtes" Netz), ist viel strenger. Wenn dort Widersprüche auftreten, ist das ein größeres Problem als in einem zerklüfteten Netz. Die bisherige Faustregel hat das ignoriert und war bei manchen Formen zu nachsichtig, bei anderen zu streng.

Der geheime Schlüssel: Der „Spectral Radius"

Wie messen die Forscher nun diese „Form" des Netzes? Sie benutzen ein mathematisches Werkzeug namens Spektraler Radius.

Die Metapher vom Schwingen:
Stell dir das Netzwerk wie ein großes Seilnetz vor, auf dem Menschen tanzen.

• Der spektrale Radius ist ein Maß dafür, wie stark das ganze Netz schwingt, wenn man an einer Stelle zieht.
• Ein Netz, das sehr stark schwingt (hoher spektraler Radius), ist empfindlicher. Ein kleiner Fehler (eine widersprüchliche Antwort) breitet sich hier schneller aus und macht das ganze Ergebnis unbrauchbar.
• Ein Netz, das nur wenig schwingt (niedriger spektraler Radius), ist stabiler und verzeiht mehr Fehler.

Die Autoren haben herausgefunden: Je höher der „Schwingungs-Wert" (spektraler Radius) deines Netzes ist, desto strenger muss die Grenze für Widersprüche sein.

Warum ist das wichtig? (Der praktische Nutzen)

1. Genauere Entscheidungen: Wenn du eine Software benutzt, die dich fragt: „Ist A besser als B?", dann „C besser als D?", kann das System jetzt sofort sagen: „Achtung! Bei dieser spezifischen Anordnung deiner Fragen ist deine Antwort schon zu widersprüchlich, auch wenn sie nach der alten Regel noch okay aussah."
2. Fehler sofort finden: Statt am Ende zu merken, dass die ganze Umfrage kaputt ist, kann man den Fehler sofort korrigieren, während man noch fragt. Das spart Zeit und Nerven.
3. Bessere Software: Die Ergebnisse können direkt in Computerprogramme eingebaut werden, die Entscheidungshilfen geben. Sie können dann dynamisch prüfen: „Hey, bei deinem aktuellen Fragenmuster ist die Grenze für Fehler niedriger als gedacht."

Zusammenfassung in einem Satz

Die Studie sagt uns: Wenn wir unvollständige Vergleiche machen, dürfen wir nicht nur zählen, wie viele Fragen fehlen, sondern müssen auch schauen, wie die Fragen miteinander verbunden sind – denn die Struktur dieses Netzes bestimmt, wie viel Fehler wir uns wirklich leisten können.

Kurz gesagt: Es ist nicht egal, welche Puzzleteile fehlen, sondern wie die restlichen Teile zusammenpassen. Und das neue mathematische Maß dafür hilft uns, bessere Entscheidungen zu treffen.

Technische Zusammenfassung

Verfeinerte Schwellenwerte für Inkonsistenz: Der Einfluss des Graphen bei unvollständigen paarweisen Vergleichen

Autoren: Kolos Csaba Ágoston und László Csató
Datum: 14. April 2026

1. Problemstellung

In der Multi-Kriterien-Entscheidungsanalyse (z. B. AHP – Analytic Hierarchy Process) spielen paarweise Vergleichsmatrizen eine zentrale Rolle. Ein bekanntes Problem ist die kardinale Inkonsistenz: Die direkten Vergleiche stimmen oft nicht mit den indirekten Vergleichen überein (z. B. $A \succ B$ und $B \succ C$ impliziert nicht zwingend $A \succ C$ im gleichen Verhältnis).

Um die Akzeptanz von Inkonsistenz zu bewerten, verwendet man üblicherweise den Konsistenzindex (CI) von Saaty und vergleicht diesen mit einem zufälligen Index (RI), um das Verhältnis CR (Consistency Ratio) zu erhalten. Ein CR < 0,1 (die "10%-Regel") gilt als akzeptabel.

Das Problem verschärft sich bei unvollständigen paarweisen Vergleichsmatrizen, bei denen einige Vergleiche fehlen (dargestellt durch $\star$). Bisherige Ansätze (z. B. Ágoston & Csató, 2022) berechneten die Schwellenwerte (RI) nur basierend auf der Matrixgröße ($n$) und der Anzahl der fehlenden Einträge ($m$). Die vorliegende Arbeit zeigt jedoch, dass diese Näherung unzureichend ist, da die Struktur der bekannten Vergleiche (repräsentiert durch einen Graphen) einen signifikanten Einfluss auf den zufälligen Index hat.

2. Methodik

Die Autoren entwickeln eine verfeinerte Methode zur Berechnung des zufälligen Indexes (RI) für unvollständige Matrizen, indem sie die spezifische Graphenstruktur berücksichtigen.

• Graphentheoretische Darstellung: Eine unvollständige Matrix wird als ungerichteter Graph $G=(V, E)$ modelliert, wobei Knoten die Alternativen und Kanten die bekannten Vergleiche darstellen.
• Optimierungsproblem: Um den Konsistenzindex einer unvollständigen Matrix zu bestimmen, werden die fehlenden Einträge so gewählt, dass der dominante Eigenwert $\lambda_{max}$ minimiert wird (unter Einhaltung der Reziprozität und der Skalenbeschränkungen $[1/9, 9]$). Dies ist ein konvexes Optimierungsproblem, das eine Lösung garantiert, wenn der Graph zusammenhängend ist.
• Berechnung des RI:
  1. Ein spezifischer Graph $G$ mit $n$ Knoten und $m$ fehlenden Kanten wird festgelegt.
  2. Es werden 1 Million zufällige unvollständige Matrizen generiert, wobei die bekannten Einträge aus der Saaty-Skala gezogen werden.
  3. Für jede Matrix wird das Minimierungsproblem gelöst, um die optimale Vervollständigung und den daraus resultierenden CI zu erhalten.
  4. Der RI wird als Durchschnitt dieser CIs berechnet.
• Unterschied zu vorherigen Studien: Im Gegensatz zu Ágoston & Csató (2022), die die Positionen der fehlenden Einträge als zufällig betrachten, fixiert diese Studie die Graphenstruktur (bis auf Isomorphie) und untersucht, wie unterschiedliche Topologien mit gleicher $n$ und $m$ zu unterschiedlichen RIs führen.

3. Wichtige Beiträge und Ergebnisse

A. Abhängigkeit des RI von der Graphenstruktur
Die Studie zeigt eindeutig, dass der zufällige Index nicht nur von $n$ und $m$ abhängt, sondern stark von der Topologie des Graphen beeinflusst wird.

• Beispiel $n=4, m=2$: Es gibt zwei nicht-isomorphe Graphen (zwei unabhängige fehlende Kanten vs. zwei fehlende Kanten, die einen gemeinsamen Knoten teilen).
  • Graph 1 (unabhängig): RI $\approx 0,265$
  • Graph 2 (gemeinsamer Knoten): RI $\approx 0,317$
  • Die Differenz beträgt über 15 %. Die Verwendung eines "naiven" RI (basierend nur auf $n, m$) führt zu Fehlklassifikationen von über 1.000 Matrizen (bei einer Stichprobe von Saaty-Skalen).

B. Korrelation mit dem Spektralradius
Ein zentrales Ergebnis ist die starke positive Korrelation zwischen dem Spektralradius $\rho(G)$ des Adjazenzmatrix-Graphen und dem zufälligen Index RI.

• Ein höherer Spektralradius (was oft mit einer "dichteren" oder weniger regulären Struktur verbunden ist) führt zu einem höheren RI.
• Dies wird theoretisch durch die Verteilung von Triaden (Dreiergruppen von Alternativen) erklärt. Matrizen mit vielen Triaden, die nur wenige oder keine fehlenden Einträge haben, sind schwieriger zu konsistentieren, was den minimalen CI (und damit den RI) erhöht. Der Spektralradius fungiert als Proxy für diese Triaden-Verteilung.

C. Approximationsformel
Da die vollständige Berechnung für große $n$ rechenintensiv ist, stellen die Autoren eine heuristische Näherungsformel vor:
$$RI_i \approx RI_{n,m} + \beta \cdot (\rho(G_i) - \rho_{n,m})$$
Dabei ist $\beta \approx 0,161$ (für $n \ge 7$), $\rho_{n,m}$ der erwartete Spektralradius für gegebene Parameter und $RI_{n,m}$ der Basis-RI (geschätzt über die Formel von Ágoston & Csató, 2022). Diese Formel ermöglicht eine schnelle Schätzung mit einem Fehler von unter 1 % in getesteten Fällen.

D. Praktische Implikationen

• Optimale Füllmuster: Da in der Praxis oft spezifische Füllmuster (Graphenstrukturen) empfohlen werden (z. B. um die Genauigkeit der Gewichtvektoren zu maximieren), ist es kritisch, den RI an diese spezifische Struktur anzupassen. Die Verwendung eines allgemeinen RI führt zu falschen Akzeptanzentscheidungen.
• Echtzeit-Monitoring: Die Ergebnisse können in Software integriert werden, um Inkonsistenzen während der Datenerhebung zu überwachen und Fehler sofort zu erkennen, bevor alle Vergleiche vorliegen.

4. Signifikanz und Fazit

Die Arbeit widerlegt die Annahme, dass der zufällige Index für unvollständige Matrizen allein durch die Anzahl der Alternativen und fehlenden Einträge bestimmt werden kann. Sie etabliert den Spektralradius des zugrunde liegenden Graphen als entscheidenden Faktor für die Bestimmung akzeptabler Inkonsistenz-Schwellenwerte.

• Theoretischer Wert: Sie verbindet Graphentheorie (Spektralradius, Triaden-Verteilung) direkt mit der Entscheidungsanalyse (Inkonsistenz-Messung).
• Praktischer Wert: Sie liefert präzisere Werkzeuge für Entscheidungsträger, insbesondere in Szenarien mit vielen Alternativen und unvollständigen Daten (z. B. Sportvergleiche, große Umfragen), wo die Struktur der Daten nicht zufällig, sondern systematisch ist.

Die Studie schließt mit dem Hinweis, dass die Berechnung für $n \ge 7$ noch komplex ist und weitere Forschung zu anderen Graphen-Maßen ("Robustheit") notwendig sein könnte, um die Vorhersagegenauigkeit weiter zu steigern.