Mean-based incomplete pairwise comparisons method with the reference values

Each language version is independently generated for its own context, not a direct translation.

🍎 Le Défi du Marché : Comment choisir sans tout comparer ?

Imaginez que vous êtes le chef d'un grand restaurant et que vous devez créer un menu. Vous avez 10 nouveaux plats à évaluer. Pour savoir lesquels sont les meilleurs, la méthode classique (appelée AHP) vous obligerait à faire goûter chaque plat à chaque autre plat.

Plat 1 vs Plat 2
Plat 1 vs Plat 3
...
Plat 10 vs Plat 9

C'est énorme ! Cela représente 45 comparaisons. Vos clients (les experts) seraient fatigués, et vous auriez des résultats contradictoires. C'est là que l'article de Konrad Kułakowski et ses collègues intervient.

Ils proposent une astuce de génie : utilisez des "Références Connues".

🌟 L'Analogie du "Repère" (Les Références)

Au lieu de comparer les 10 nouveaux plats entre eux, imaginez que vous avez déjà deux plats parfaits dont vous connaissez exactement la valeur :

Le Plat A (une soupe célèbre) vaut 10 points.
Le Plat B (un dessert légendaire) vaut 5 points.

Ces deux plats sont vos références. Vous n'avez plus besoin de les comparer entre eux, ni de les comparer à eux-mêmes. Vous demandez simplement aux clients de comparer les nouveaux plats uniquement avec ces deux références (ou entre eux, si nécessaire).

L'article explique comment calculer la note des nouveaux plats en se basant sur ces ancrages solides, même si vous n'avez pas fait toutes les comparaisons possibles.

🛠️ Les Deux Recettes de Cuisine (Arithmétique vs Géométrique)

Les auteurs proposent deux façons de calculer ces notes, comme deux recettes différentes pour faire une sauce.

1. La Méthode "Moyenne Classique" (Arithmétique)

C'est comme si vous preniez la moyenne simple de ce que disent les clients.

Exemple : Si le client dit que le "Nouveau Plat X" est deux fois meilleur que la "Soupe (10 pts)" et deux fois moins bon que le "Dessert (5 pts)", la méthode arithmétique fait une moyenne simple de ces estimations.
Avantage : C'est intuitif et facile à comprendre. C'est comme dire : "Bon, on a deux avis, on prend la moyenne."
Inconvénient : Parfois, si les avis sont trop contradictoires ou s'il manque trop de données, cette méthode peut "casser" et ne donner aucune réponse (pas de solution mathématique).

2. La Méthode "Équilibre Parfait" (Géométrique)

C'est une méthode plus subtile, comme ajuster les ingrédients d'une recette pour qu'ils s'équilibrent parfaitement. Au lieu de faire une moyenne simple, elle utilise une "moyenne géométrique" (un peu comme calculer un taux d'intérêt composé ou une croissance).

Avantage Majeur : L'article prouve mathématiquement que cette méthode fonctionne toujours, même avec très peu de comparaisons. Elle est aussi "optimale", ce qui signifie qu'elle minimise les erreurs de jugement le mieux possible.
Inconvénient : C'est un peu plus difficile à expliquer à l'oral, mais le résultat est plus robuste.

🧩 Le Puzzle Incomplet

Le vrai problème que résout cet article, c'est le puzzle incomplet.
Souvent, on ne peut pas comparer tout le monde avec tout le monde.

Scénario : Vous avez 100 candidats pour un poste. Vous ne pouvez pas interviewer chaque candidat avec chaque autre.
Solution de l'article : Vous choisissez 5 candidats "stars" (références) dont vous connaissez déjà le niveau. Vous faites interviewer les 95 autres candidats seulement par rapport à ces 5 stars.

Grâce à leurs formules (les équations complexes dans le papier), ils montrent comment reconstituer le classement complet des 100 candidats en utilisant seulement ces quelques liens avec les stars.

💡 Pourquoi c'est important pour nous ?

Imaginez que vous devez choisir un nouveau téléphone. Au lieu de comparer 50 modèles entre eux (ce qui est impossible), vous dites :

"Ce modèle A est aussi bon que mon vieux téléphone (référence)."
"Ce modèle B est deux fois mieux que le modèle A."

Grâce à la méthode de l'article :

Gain de temps : Vous ne faites que quelques comparaisons au lieu de centaines.
Flexibilité : Vous pouvez ajouter un nouveau téléphone au milieu du processus sans tout recalculer de zéro.
Fiabilité : La méthode géométrique garantit que vous obtiendrez toujours un résultat cohérent, même si vos jugements ne sont pas parfaits.

🏁 En Résumé

Cet article dit essentiellement : "Pour prendre de bonnes décisions, vous n'avez pas besoin de tout comparer à tout. Il suffit d'avoir quelques points de repère solides (des références) et d'utiliser la bonne recette de calcul (de préférence la méthode géométrique) pour déduire le reste."

C'est comme si on vous disait que pour connaître la température de toute une maison, vous n'avez pas besoin de mettre un thermomètre dans chaque pièce. Il suffit d'en mettre quelques-uns dans des pièces clés et d'utiliser un bon modèle mathématique pour deviner le reste !

Each language version is independently generated for its own context, not a direct translation.

Voici un résumé technique détaillé de l'article « Mean-based incomplete pairwise comparisons method with the reference values » (Méthode de comparaisons par paires incomplètes basée sur la moyenne avec des valeurs de référence), rédigé en français.

1. Problématique

La prise de décision multicritère (MCDM) repose souvent sur des comparaisons par paires (PC) pour dériver des vecteurs de poids (priorités) pour un ensemble d'alternatives. La méthode la plus connue est l'AHP (Analytic Hierarchy Process). Cependant, deux limitations majeures persistent :

Incomplétude des données : Dans la pratique, il est souvent impossible ou trop coûteux d'obtenir toutes les $n(n-1)/2$ comparaisons possibles entre $n$ alternatives. Les matrices de comparaison sont donc souvent incomplètes (contenant des valeurs manquantes notées « ? »).
Besoin de valeurs de référence : Certaines méthodes (comme HRE - Heuristic Rating Estimation) supposent que les priorités de certaines alternatives (références) sont déjà connues, mais les méthodes existantes pour les matrices incomplètes ne s'intègrent pas toujours facilement avec cette hypothèse de manière optimale.

L'article vise à combler ce vide en proposant des méthodes quantitatives pour calculer des vecteurs de poids à partir de matrices de comparaisons par paires incomplètes, tout en intégrant des valeurs de référence (alternatives dont les poids sont connus).

2. Méthodologie

Les auteurs proposent deux extensions des méthodes HRE (Heuristic Rating Estimation) existantes, adaptées aux données incomplètes :

A. Hypothèses de base

L'ensemble des alternatives $A$ $A$ est divisé en deux sous-ensembles :
- $A_U$ : Alternatives aux priorités inconnues (à calculer).
- $A_K$ : Alternatives de référence aux priorités connues et fixes.
La matrice de comparaison $C$ contient des valeurs manquantes ( $c_{ij} = ?$ ).
Pour les valeurs manquantes, l'article postule que $c_{ij} = w(a_i)/w(a_j)$ , c'est-à-dire que les valeurs manquantes sont cohérentes avec le résultat final de la hiérarchisation.

B. Les deux approches proposées

aiHRE (Arithmetic Incomplete HRE) :
- Basée sur la moyenne arithmée.
- L'hypothèse est que le poids d'une alternative $w(a_i)$ est approximativement la moyenne pondérée des poids des autres alternatives, ajustée par les comparaisons disponibles.
- Cela conduit à un système d'équations linéaires de la forme $Cw = b$ , où $C$ est une matrice auxiliaire et $b$ un vecteur constant dépendant des valeurs de référence.
- La résolution nécessite l'inversion de la matrice $C$ .
giHRE (Geometric Incomplete HRE) :
- Basée sur la moyenne géométrique.
- L'hypothèse est que $w(a_i)$ est la moyenne géométrique des produits $c_{ij}w(a_j)$ .
- Cela conduit initialement à un système d'équations non linéaires. Cependant, par transformation logarithmique ( $\bar{w}(a_i) = \ln w(a_i)$ ), le système devient linéaire : $\bar{C}\bar{w} = \bar{b}$ .
- La solution est ensuite obtenue par exponentiation.

3. Contributions Clés

Les auteurs apportent plusieurs contributions théoriques et pratiques majeures :

Flexibilité : Les méthodes permettent de choisir librement le nombre d'alternatives de référence et le nombre de comparaisons à effectuer (de $n-1$ à l'ensemble complet), offrant une grande adaptabilité aux contraintes pratiques.
Preuve d'existence de solution pour giHRE :
- Le théorème 21 et le corollaire 22 démontrent que la méthode géométrique (giHRE) possède toujours une solution unique, réelle et positive, à condition que la matrice soit irréductible (toutes les alternatives sont comparables directement ou indirectement) et qu'au moins une alternative non-référence soit comparée à une référence.
- Cette condition est très faible et facilement satisfaisable en pratique.
Conditions suffisantes pour aiHRE :
- Pour la méthode arithmétique, les auteurs établissent des conditions suffisantes (Théorème 17 et 19) basées sur la dominance diagonale de la matrice du système. Si ces conditions sont remplies, une solution unique et positive existe.
- Ils notent que ces conditions ne sont pas nécessaires : des solutions peuvent exister même si la matrice n'est pas strictement dominée diagonalement (comme illustré dans l'exemple 18).
Optimalité de la méthode géométrique :
- Le théorème 25 prouve que la solution giHRE est optimale. Elle minimise la fonction d'erreur des moindres carrés (basée sur les logarithmes des rapports de poids), héritant ainsi de la propriété d'optimalité de la méthode de la moyenne géométrique (GMM) classique pour les matrices complètes.
Intégration avec l'AHP :
- Les méthodes s'intègrent naturellement dans les modèles hiérarchiques de l'AHP, permettant d'identifier des critères de référence et de réduire le nombre de comparaisons nécessaires à chaque nœud de l'arbre de décision.

4. Résultats et Exemples Numériques

L'article illustre les méthodes par des exemples concrets :

Exemple des réfrigérateurs (Section 2) : Cas classique de comparaison complète pour valider les bases.
Exemple des publicités (Section 3) : Application de HRE complet (arithmétique et géométrique) avec des designs connus.
Exemple des apéritifs (Sections 4 et 5) : Cas d'une matrice incomplète (certaines paires ne sont pas comparées).
- Les auteurs montrent que les deux méthodes (aiHRE et giHRE) produisent des vecteurs de poids légèrement différents en termes de valeurs absolues, mais identiques en termes de classement (ranking).
- Dans l'exemple, les trois meilleures options sont les mêmes pour les deux méthodes.
Discussion sur le choix de la méthode (Section 7) :
- Pour des matrices cohérentes, les deux méthodes donnent le même résultat.
- Pour des matrices incohérentes, le choix dépend de l'interprétation :
  - L'approche arithmétique est intuitive (moyenne simple) et peut être préférée si l'on estime que toutes les jugements sont également probables.
  - L'approche géométrique est théoriquement supérieure (existence garantie, optimalité des moindres carrés) et pénalise davantage les jugements extrêmes ou pessimistes, ce qui peut être souhaitable pour le classement.

5. Signification et Conclusion

Cet article est significatif car il généralise la méthode HRE pour gérer l'incertitude et l'incomplétude des données, un problème fréquent dans les applications réelles de la prise de décision.

Réduction de la charge cognitive : En permettant l'utilisation de valeurs de référence et en tolérant des comparaisons manquantes, ces méthodes réduisent considérablement l'effort requis des décideurs (DM) et le coût de génération de recommandations.
Robustesse théorique : La preuve de l'existence de solution pour la méthode géométrique et l'optimalité des résultats renforcent la crédibilité scientifique de l'approche.
Praticité : La compatibilité avec l'AHP et la flexibilité du nombre de comparaisons rendent ces outils immédiatement applicables par les praticiens et les chercheurs en MCDM.

En résumé, les auteurs proposent un cadre robuste pour dériver des priorités à partir de données partielles, offrant un compromis efficace entre la simplicité de calcul (arithmétique) et la rigueur mathématique (géométrique), tout en garantissant la stabilité des résultats grâce à l'utilisation de valeurs de référence.