Noisy Nonreciprocal Pairwise Comparisons: Scale Variation, Noise Calibration, and Admissible Ranking Regions

A continuación presento un resumen técnico detallado del artículo "Comparaciones Pareadas No Recíprocas Ruidosas: Variación de Escala, Calibración de Ruido y Regiones de Ranking Admisibles", de Jean-Pierre Magnot.

1. Planteamiento del Problema

En el análisis de decisiones y la modelización de preferencias, las comparaciones pareadas son una herramienta fundamental. En un escenario ideal, la matriz de comparaciones $A = (a_{ij})$ es recíproca ($a_{ji} = -a_{ij}$ en formulación aditiva) y consistentemente aditiva ($a_{ik} = a_{ij} + a_{jk}$), lo que permite derivar un vector de puntuaciones latentes $u$ que define un ranking global único.

Sin embargo, en la práctica, las matrices observadas a menudo son no recíprocas. La reacción estándar en la literatura es tratar esta falta de reciprocidad como un defecto (ruido) que debe corregirse inmediatamente, típicamente mediante una proyección "brutal" sobre el espacio de matrices recíprocas (descartando la parte simétrica de la matriz).

El autor argumenta que esta corrección inmediata es demasiado cruda. La no reciprocidad puede tener dos orígenes distintos:

1. Ruido aleatorio: Debilidad en el juicio, fatiga o errores de medición.
2. Variación estructurada de la escala: Una deformación sistemática del proceso de evaluación donde la escala efectiva cambia de manera no aleatoria (ej. un evaluador cambia su criterio al comparar pares específicos).

El problema central es: ¿Cuánta de la asimetría observada debe interpretarse como ruido residual y cuánto corresponde a una deformación estructurada significativa de la escala de evaluación? Corregir ciegamente la no reciprocidad puede eliminar información valiosa sobre la variación de la escala y distorsionar la calibración de la incertidumbre.

2. Metodología Propuesta

El artículo introduce un modelo aditivo estructurado para matrices de comparaciones pareadas ruidosas y no recíprocas.

A. El Modelo

La matriz observada $X = (x_{ij})$ se descompone como:
$$x_{ij} = (u_i - u_j) + (s_i + s_j) + \varepsilon_{ij}, \quad i \neq j$$
Donde:

• $u = (u_1, \dots, u_n)$: Vector de ranking latente (información de orden global).
• $s = (s_1, \dots, s_n)$: Vector de deformación de escala (estructura simétrica que describe variaciones sistemáticas en la escala de evaluación).
• $\varepsilon_{ij}$: Perturbación aleatoria residual (ruido).
• Se asumen condiciones de identificación: $\sum u_i = 0$ y $\sum s_i = 0$.

B. Descomposición y Estimación

La matriz observada $X$ se descompone naturalmente en sus partes antisimétrica ($K$) y simétrica ($H$):

• Parte Antisimétrica ($K$): Contiene principalmente la información de ranking ($u_i - u_j$) y una parte del ruido.
• Parte Simétrica ($H$): Contiene la información de deformación de escala ($s_i + s_j$) y otra parte del ruido.

El método propone estimar los componentes estructurados por separado mediante mínimos cuadrados:

1. Estimación de Ranking ($\hat{u}$): Se obtiene promediando la parte antisimétrica: $\hat{u}_i = \frac{1}{n} \sum_j K_{ij}$.
2. Estimación de Deformación ($\hat{s}$): Se obtiene resolviendo un sistema de mínimos cuadrados sobre la parte simétrica: $\hat{s}_i = \frac{r_i - \bar{r}}{n-2}$, donde $r_i$ es la suma de la fila $i$ de $H$.

C. Calibración del Ruido Residual

Una vez extraídos los componentes estructurados ($\hat{u}$ y $\hat{s}$), se calcula la matriz residual $\hat{E} = X - \hat{M}_{sd}$. Sobre esta matriz residual se definen dos indicadores cuadráticos bajo un modelo de trabajo Gaussiano:

1. Indicador de Reciprocidad Residual ($IR^2$): Mide la desviación restante de la reciprocidad.
2. Indicador de Defecto Triangular Residual ($IC^2$): Mide la inconsistencia triangular restante.

Estos indicadores permiten estimar:

• La varianza del ruido efectivo ($\hat{\sigma}^2$).
• La dependencia entre juicios opuestos ($\hat{\rho}$), donde $Cov(\varepsilon_{ij}, \varepsilon_{ji}) \approx \rho \sigma^2$.

D. Diagnóstico de Variación de Escala

Se introducen dos índices para evaluar si la deformación de escala es "moderada" (aceptable) o peligrosa para el ranking:

• Ratio Global ($\Lambda$): Relación entre la norma de la deformación y la del ranking.
• Índice de Impacto en Ranking ($\Gamma$): Compara la magnitud máxima de la deformación ($2\|s\|_\infty$) con el menor salto entre puntuaciones latentes ($gap(u)$). Si $\Gamma \ll 1$, la deformación no altera el ordenamiento; si $\Gamma \approx 1$ o mayor, amenaza la compatibilidad del ranking.

E. Probabilidades de Regiones de Ranking

En lugar de entregar un único ranking, el método asigna probabilidades a las regiones de ranking admisibles. Asumiendo una distribución Gaussiana para el vector de ranking latente centrada en $\hat{u}$ con covarianza estimada a partir de $\hat{\sigma}$ y $\hat{\rho}$, se calcula la probabilidad de que el verdadero ranking pertenezca a una región específica (ordenamiento estricto).

3. Contribuciones Clave

1. Modelo de Deformación de Escala: Propone un modelo aditivo explícito que separa la información de ranking de la variación estructurada de la escala, en lugar de asumir que toda la no reciprocidad es ruido.
2. Estimadores Explícitos: Proporciona fórmulas cerradas para estimar tanto el vector de ranking latente como el vector de deformación de escala.
3. Calibración de Incertidumbre: Introduce una metodología para calibrar el nivel de ruido residual después de remover la estructura, evitando confundir la variación de escala con ruido aleatorio.
4. Diagnóstico de Admisibilidad: Define métricas ($\Lambda, \Gamma$) para determinar cuándo una proyección recíproca simple es inofensiva y cuándo es peligrosa.
5. Salida Probabilística: Transforma el problema de ranking determinista en uno probabilístico, asignando masas de probabilidad a diferentes ordenamientos estrictos, lo cual es crucial cuando las puntuaciones están cercanas.

4. Resultados Principales

• Equivalencia del Ranking Central: En el contexto de mínimos cuadrados, tanto el enfoque estructurado como la proyección recíproca brutal producen el mismo estimador central para el vector de ranking latente ($\hat{u}$).
• Diferencia en la Incertidumbre: La diferencia fundamental radica en la interpretación de la parte simétrica.
  • La proyección brutal trata toda la deformación de escala como ruido residual, inflando artificialmente la varianza estimada ($\hat{\sigma}$) y la dependencia ($\hat{\rho}$). Esto conduce a una distribución de probabilidad sobre los rankings más difusa y pesimista.
  • El enfoque estructurado aísla la deformación, resultando en una estimación de ruido más precisa y una calibración de incertidumbre más realista.
• Casos de No Admisibilidad: Las simulaciones muestran que, incluso con ruido moderado, la proyección recíproca brutal puede generar matrices recíprocas cuyos patrones de signos son cíclicos (inadmisibles para un ranking estricto), obligando a una "consistencia" posterior que puede recuperar un ranking diferente al latente original.
• Impacto de la Deformación: Cuando la deformación de escala es significativa (pero el ranking latente se mantiene estable), el método estructurado mantiene una alta confianza en el ranking central, mientras que el método brutal reduce artificialmente esta confianza al interpretar la estructura como ruido.

5. Significado e Implicaciones

El artículo ofrece un cambio de paradigma en el tratamiento de datos de comparaciones pareadas:

• Interpretación Racional: La no reciprocidad no debe descartarse automáticamente. Puede ser una señal estructurada de que la escala de evaluación varía sistemáticamente entre alternativas.
• Mejora en la Toma de Decisiones: Al proporcionar no solo un ranking, sino también una diagnóstico de la incertidumbre (¿es la incertidumbre por ruido o por variación de escala?), el método permite a los decisores evaluar la robustez de sus conclusiones.
• Evitar Errores de Corrección: Evita el riesgo de "corregir" datos que contienen información válida sobre la variabilidad de la escala, lo cual podría llevar a conclusiones erróneas sobre la certeza del ranking.
• Aplicabilidad: El enfoque es especialmente útil en contextos donde los evaluadores pueden cambiar de criterio o donde la escala de medición no es perfectamente estable, permitiendo distinguir entre un ranking frágil (por mucho ruido) y un ranking estable pero con variaciones de escala interpretables.

En resumen, Magnot propone una metodología que prioriza la interpretación estructural de los datos sobre la corrección algebraica inmediata, ofreciendo una herramienta más matizada y fiable para el análisis de decisiones bajo incertidumbre.