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

Cet article affine les seuils d'incohérence pour les comparaisons par paires incomplètes en démontrant qu'ils dépendent non seulement de la taille de la matrice et du nombre d'entrées manquantes, mais aussi de la structure du graphe des comparaisons connues, permettant ainsi une détection immédiate des erreurs via leur association avec le rayon spectral du graphe.

L'essentiel

🎯 Le Problème : Le "Miroir" Déformant

Imaginez que vous devez choisir le meilleur restaurant de votre ville. Pour cela, vous comparez les restaurants deux par deux : "Le Burger est-il meilleur que la Pizzeria ?" "La Pizzeria est-elle meilleure que le Sushi ?".

C'est ce qu'on appelle une matrice de comparaisons par paires. Le problème, c'est que les humains ne sont pas des robots. Si vous dites que le Burger est deux fois mieux que la Pizzeria, et que la Pizzeria est trois fois mieux que le Sushi, la logique voudrait que le Burger soit six fois mieux que le Sushi. Mais souvent, vous direz : "Non, le Burger est juste un peu mieux que le Sushi". C'est ce qu'on appelle l'incohérence.

Pour savoir si vos choix sont "acceptables" ou "totalement fous", les experts utilisent une règle de 10 %. Si votre incohérence dépasse 10 %, on vous dit de recommencer.

🧩 Le Défi des Comparaisons Manquantes

Dans la vraie vie, on ne peut pas toujours tout comparer.

• Exemple : Vous avez 100 restaurants, mais vous n'avez le temps d'en comparer que 200 paires sur les 4 950 possibles.
• Votre tableau de comparaisons est donc incomplet (il y a des trous, des étoiles ⋆).

Jusqu'à présent, les chercheurs utilisaient une règle simple pour ces tableaux incomplets : ils regardaient seulement combien de trous il y avait. C'était comme dire : "Peu importe où sont les trous, tant qu'il y en a 5, la règle est la même".

🔍 La Révolution : La Forme du Puzzle Compte !

C'est ici que l'article de Csaba Ágoston et László Csató intervient. Ils disent : "Attendez ! Ce n'est pas seulement le nombre de trous qui compte, c'est aussi leur forme !"

Ils utilisent la théorie des graphes (des points reliés par des lignes) pour représenter vos comparaisons.

• L'analogie du Réseau de Métro : Imaginez que les restaurants sont des stations de métro et que vos comparaisons sont les lignes qui les relient.
  • Cas A : Vous avez des lignes qui forment un grand cercle (un réseau très connecté).
  • Cas B : Vous avez des lignes qui forment une étoile (tout passe par une station centrale).

Les auteurs ont découvert que la forme de ce réseau change la façon dont on doit juger l'incohérence.

• Si votre réseau de comparaisons ressemble à un cercle serré (un "spectral radius" élevé), vos erreurs se propagent vite. La barre de tolérance doit être plus basse (plus stricte).
• Si votre réseau est éparpillé, les erreurs se diluent. La barre peut être plus haute.

📉 L'Analogie du "Rayon Spectral" (Le Battement de Cœur du Réseau)

Le papier parle d'un terme technique : le rayon spectral. Ne paniquez pas !
Imaginez que votre réseau de comparaisons est un orchestre.

• Le rayon spectral, c'est la puissance du battement de cœur de l'orchestre.
• Si le battement est fort (le réseau est très dense et bien connecté), une fausse note (une incohérence) résonne partout très fort. Il faut donc être très exigeant.
• Si le battement est faible (le réseau est lâche), une fausse note reste locale. On peut être plus indulgent.

Les auteurs ont prouvé qu'il existe un lien direct entre ce "battement de cœur" (le rayon spectral) et la limite de tolérance à l'erreur.

💡 Pourquoi est-ce important pour vous ?

1. Plus de précision : Si vous utilisez un logiciel pour prendre des décisions (choisir un projet, classer des candidats), utiliser l'ancienne règle (qui ignore la forme du réseau) peut vous dire "C'est bon !" alors que c'est en réalité n'importe quoi, ou l'inverse.
2. Détection d'erreurs en temps réel : Imaginez que vous remplissez ce questionnaire de comparaisons étape par étape. Grâce à cette nouvelle méthode, le logiciel peut vous dire : "Attention ! Votre réseau de comparaisons a cette forme précise, et votre incohérence est déjà trop haute pour ce type de réseau. Corrigez tout de suite !".
3. Économie de temps : On évite de demander à l'expert de tout recommencer pour rien, car on sait exactement où se situent les limites de son jugement.

🚀 En Résumé

Cette recherche dit : "Ne regardez pas seulement combien de pièces manquent au puzzle, regardez comment les pièces restantes sont assemblées !"

En tenant compte de la structure (le graph) et de sa puissance de connexion (le rayon spectral), on peut affiner les règles de jugement. C'est passer d'une règle de "taille unique" à un sur-mesure intelligent pour chaque situation de décision.

C'est comme si, au lieu de dire "Vous avez le droit de faire 10 erreurs", on disait "Compte tenu de la façon dont vous avez organisé vos idées, vous avez le droit de faire 7 erreurs, mais pas 8". Plus juste, plus juste !

Résumé technique

1. Problématique

Les matrices de comparaisons par paires (MCP) sont fondamentales dans les méthodes d'aide à la décision multicritère, notamment l'AHP (Analytic Hierarchy Process). Cependant, ces matrices sont souvent incohérentes (la relation transitive $a_{ik} = a_{ij} \cdot a_{jk}$ n'est pas respectée). Pour évaluer cette incohérence, on utilise l'indice de cohérence de Saaty ($CI$), comparé à un indice aléatoire ($RI$) pour déterminer un ratio de cohérence ($CR$). La règle de Saaty stipule qu'un $CR < 0,1$ (10 %) est acceptable.

Le problème central abordé par cet article concerne les matrices de comparaisons par paires incomplètes, où certaines comparaisons manquent (notées par des étoiles $\star$).

• Limitation des travaux antérieurs : Une proposition récente (Ágoston et Csátó, 2022) a établi des seuils de $RI$ pour les matrices incomplètes en fonction uniquement du nombre d'alternatives ($n$) et du nombre d'entrées manquantes ($m$).
• Hypothèse de l'article : Cette approche suppose que la position des entrées manquantes est aléatoire. Or, dans la pratique, les décideurs suivent souvent des séquences de questions spécifiques, créant des structures de données fixes. L'article postule que la structure du graphe sous-jacent (où les sommets sont les alternatives et les arêtes les comparaisons connues) influence significativement le seuil d'incohérence acceptable, au-delà de la simple comptabilité des entrées manquantes.

2. Méthodologie

Les auteurs proposent une approche basée sur la théorie des graphes et l'optimisation numérique pour affiner les seuils d'incohérence.

• Représentation par graphe : Une matrice incomplète est associée à un graphe non orienté $G=(V, E)$. Les sommets représentent les alternatives et les arêtes les comparaisons connues.
• Complétion optimale : Pour chaque matrice incomplète générée aléatoirement, les valeurs manquantes sont estimées en résolvant un problème d'optimisation convexe visant à minimiser l'événement dominant ($\lambda_{max}$) de la matrice complétée. Cela permet de calculer l'indice d'incohérence minimal possible pour une configuration donnée.
• Calcul de l'Indice Aléatoire (RI) :
  • Contrairement à l'approche précédente qui moyennait sur toutes les positions possibles des $m$ entrées manquantes, les auteurs fixent le graphe $G$ (isomorphisme) à l'avance.
  • Ils génèrent 1 million de matrices aléatoires (en utilisant l'échelle de Saaty) pour un graphe $G$ spécifique.
  • Pour chaque matrice, ils résolvent le problème de minimisation de $\lambda_{max}$ (méthode 2 : variables contraintes entre $1/9$ et $9$) et calculent le $CI$.
  • Le $RI$ est la moyenne de ces $CI$ sur l'ensemble des simulations.
• Analyse spectrale : Les auteurs étudient la corrélation entre le $RI$ calculé et le rayon spectral ($\rho$) de la matrice d'adjacence du graphe $G$.

3. Contributions Clés

1. Dépendance au graphe : L'article démontre que le seuil d'incohérence acceptable ne dépend pas seulement de $n$ et $m$, mais aussi de la topologie du graphe des comparaisons connues. Deux matrices avec le même nombre d'entrées manquantes mais des structures de graphe différentes peuvent avoir des seuils de tolérance à l'incohérence très différents.
2. Corrélation avec le rayon spectral : Une forte association est mise en évidence entre la valeur du $RI$ et le rayon spectral du graphe. Un rayon spectral plus élevé correspond généralement à un $RI$ plus élevé (seuil plus permissif), bien que cette relation soit complexe pour des tailles de matrices plus grandes.
3. Impact sur la règle des 10 % : L'application des seuils "naïfs" (indépendants du graphe) peut conduire à des erreurs de classification. L'article montre que l'utilisation de seuils affinés basés sur la structure du graphe modifie la décision d'acceptabilité pour un nombre significatif de matrices (ex: 1165 matrices sur un échantillon pour $n=4$).
4. Formule d'approximation : Pour les matrices de grande taille ($n \ge 7$) où le calcul exhaustif est impossible, les auteurs proposent une formule heuristique reliant le $RI$ au rayon spectral :
   $$RI_i \approx RI_{n,m} + \beta \cdot (\rho(G_i) - \rho_{n,m})$$
   où $\beta \approx 0,161$.

4. Résultats Principaux

• Cas $n=4$ : Pour deux graphes avec $m=2$ entrées manquantes, le $RI$ varie de 0,2646 (graphe où les arêtes manquantes ne partagent pas de sommet) à 0,3165 (graphe où elles partagent un sommet). Ignorer cette différence entraîne une sous-estimation ou une surestimation de l'incohérence acceptable.
• Cas $n=5$ et $n=6$ : L'analyse de tous les graphes non isomorphes montre que les graphes "presque réguliers" (où les degrés des sommets sont similaires) ont tendance à avoir un rayon spectral plus faible et un $RI$ plus bas (seuil plus restrictif).
• Distribution des triades : L'article explique théoriquement le lien entre le rayon spectral et l'incohérence via la distribution des "triades" (sous-matrices $3 \times 3$). Un rayon spectral élevé est associé à un plus grand nombre de triades avec peu ou pas d'entrées manquantes, rendant la minimisation de l'incohérence plus difficile.
• Précision de l'approximation : Pour un cas test ($n=8, m=5$), la formule d'approximation basée sur le rayon spectral donne une erreur inférieure à 1 % par rapport au calcul exact.

5. Signification et Implications Pratiques

• Surveillance en temps réel : Ces résultats permettent d'intégrer des seuils dynamiques dans les logiciels d'aide à la décision. Au fur et à mesure que le décideur remplit les comparaisons, le système peut surveiller l'incohérence en temps réel en utilisant le seuil exact correspondant à la structure de graphe actuelle, plutôt qu'un seuil moyen approximatif.
• Détection d'erreurs : Cela permet de détecter immédiatement des erreurs de saisie ou des incohérences majeures avant même que toutes les comparaisons ne soient collectées, ce qui est crucial compte tenu des contraintes cognitives et temporelles des experts.
• Recommandation de remplissage : Les travaux suggèrent que les schémas de remplissage "optimaux" (recommandés dans la littérature pour minimiser l'erreur de poids) produisent des graphes spécifiques. Utiliser les seuils génériques pour ces graphes spécifiques est inapproprié ; les seuils affinés doivent être appliqués pour garantir une évaluation juste de la qualité des données.

En conclusion, cet article affine la théorie de l'incohérence dans les comparaisons par paires en introduisant la théorie des graphes comme facteur déterminant, offrant ainsi des outils plus précis pour la validation des données décisionnelles.