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

1. Problématique et Contexte

Les comparaisons par paires sont un outil fondamental en analyse de décision, en modélisation des préférences et en évaluation multicritère. Dans un cadre idéal, la matrice de comparaison $A = (a_{ij})$ est réciproque ($a_{ji} = -a_{ij}$) et additivement cohérente ($a_{ik} = a_{ij} + a_{jk}$), ce qui permet de déduire un classement global unique à partir d'un vecteur de scores latents $u$.

Cependant, dans la pratique, les matrices observées sont souvent non réciproques. La réaction standard consiste à projeter brutalement la matrice observée sur l'espace des matrices réciproques (en ne conservant que la partie antisymétrique) pour extraire un classement.

Le problème central abordé par l'auteur est que cette approche « brute » est trop simpliste. Elle traite toute la non-réciprocité comme du bruit aléatoire à éliminer. Or, une partie de cette asymétrie peut refléter une variation structurée de l'échelle d'évaluation (une déformation systématique du processus de jugement) plutôt que du pur bruit. Ignorer cette composante structurée peut conduire à une mauvaise calibration de l'incertitude et à des interprétations erronées de la fiabilité du classement.

2. Méthodologie Proposée

L'auteur propose un modèle additif structuré pour décomposer la matrice observée $X = (x_{ij})$. Pour $i \neq j$, le modèle s'écrit :

$$x_{ij} = (u_i - u_j) + (s_i + s_j) + \varepsilon_{ij}$$

Où :

• $u = (u_1, \dots, u_n)$ : Vecteur de scores latents (représentant le classement global).
• $s = (s_1, \dots, s_n)$ : Vecteur de déformation d'échelle (représentant une variation systématique de l'échelle d'évaluation propre à chaque alternative).
• $\varepsilon_{ij}$ : Terme de perturbation aléatoire (bruit résiduel).

Le modèle suppose que la matrice sous-jacente n'est pas nécessairement réciproque, mais qu'elle est structurée. Le bruit est modélisé comme une perturbation gaussienne (justifiée par le théorème central limite appliqué à l'accumulation de petits effets de jugement).

Étapes de la méthode :

1. Décomposition et Estimation :
   La matrice observée $X$ est décomposée en partie antisymétrique $K$ (contenant l'information de classement) et partie symétrique $H$ (contenant l'information de déformation d'échelle).

   • Estimation de $u$ : Minimisation des moindres carrés sur $K$. L'estimateur est la moyenne des avantages signés de chaque alternative contre les autres.
   • Estimation de $s$ : Minimisation des moindres carrés sur $H$. L'estimateur est dérivé des sommes des lignes de la partie symétrique.

2. Calibration du Bruit Résiduel :
   Une fois les composantes structurées ($u$ et $s$) extraites, on calcule la matrice résiduelle $\hat{E}$. Sur cette matrice, deux indicateurs sont définis pour calibrer le bruit :

   • Indicateur de réciprocity résiduelle ($IR^2$) : Mesure la déviation restante de la réciprocity.
   • Indicateur de cohérence triangulaire résiduelle ($IC^2$) : Mesure les défauts triangulaires restants.
     Sous l'hypothèse gaussienne, ces indicateurs permettent d'estimer la variance du bruit $\sigma^2$ et le paramètre de dépendance $\rho$ entre les jugements opposés.

3. Diagnostics de la Déformation d'Échelle :
   Deux indices sont introduits pour évaluer si la déformation d'échelle est acceptable :

   • $\Lambda$ (Ratio global) : Rapport entre la norme de Frobenius de la composante de déformation et celle du classement.
   • $\Gamma$ (Indice d'impact) : Compare l'amplitude maximale de la déformation ($2\|s\|_\infty$) à l'écart minimal entre les scores latents ($gap(u)$). Si $\Gamma \ll 1$, la déformation ne menace pas le classement.

4. Probabilités sur les Régions de Classement :
   Au lieu de fournir un seul classement, la méthode attribue des probabilités aux différentes régions de classement strictes (ensembles de vecteurs de scores induisant un ordre donné). Cela se fait en simulant une loi gaussienne centrée sur l'estimateur $\hat{u}$ avec la covariance estimée à partir du bruit résiduel.

3. Contributions Clés

1. Modélisation de la Non-Réciprocité : Distinction explicite entre le bruit aléatoire et la déformation structurée de l'échelle d'évaluation, au lieu de traiter la non-réciprocité comme un défaut unique.
2. Estimateurs Explicites : Fourniture de formules analytiques simples pour estimer séparément le classement latent et la déformation d'échelle via les moindres carrés.
3. Calibration de l'Incertitude : Développement d'indicateurs ($\hat{\sigma}, \hat{\rho}, \Lambda, \Gamma$) pour quantifier la fiabilité des données et la nature de l'asymétrie observée.
4. Analyse Probabiliste des Régions de Classement : Passage d'un point estimateur unique à une distribution de probabilité sur les classements possibles, offrant une mesure plus nuancée de l'incertitude décisionnelle.
5. Comparaison avec la Projection Brute : Démonstration que la projection réciproque brute et l'approche structurée donnent le même estimateur central de classement, mais diffèrent radicalement dans la calibration de l'incertitude. La projection brute surestime le bruit si une déformation structurée existe, conduisant à une incertitude artificiellement diffuse.

4. Résultats et Illustrations Numériques

L'article présente deux types d'illustrations numériques :

• Étude de cas simulée (Monte Carlo) :

  • Lorsque le bruit est faible, la projection brute peut déjà rendre la matrice réciproque non admissible pour un classement strict (cycles de préférence).
  • Avec une déformation d'échelle croissante (mais restant compatible avec le classement latent), la méthode structurée maintient une estimation correcte du niveau de bruit résiduel.
  • À l'inverse, la projection brute interprète la déformation structurée comme du bruit supplémentaire, gonflant artificiellement l'estimation de l'incertitude ($\hat{\sigma}$) et la dépendance apparente ($\hat{\rho}$).

• Exemple concret :
  Un exemple à 4 alternatives montre comment une perturbation non réciproque peut conduire, après projection brute, à une matrice dont le signe est incompatible avec tout classement global, nécessitant une étape supplémentaire de « consistencisation » qui peut alors révéler un classement différent du vrai classement latent.

5. Signification et Implications

L'article apporte un changement de perspective crucial pour l'analyse de décision :

• Interprétation de l'asymétrie : La non-réciprocité n'est pas toujours une erreur à corriger, mais peut être un signal d'information sur la stabilité de l'échelle d'évaluation.
• Fiabilité du classement : Deux méthodes peuvent s'accorder sur le classement central, mais diverger sur la confiance qu'on doit lui accorder. La méthode structurée permet de distinguer une incertitude due à un bruit réel d'une incertitude due à une déformation systématique de l'échelle.
• Prise de décision : En fournissant des probabilités sur les régions de classement et des diagnostics sur la déformation d'échelle, la méthode offre aux décideurs une vision plus riche et plus robuste que la simple extraction d'un ordre de préférence.

En conclusion, cette approche ne rejette pas la projection réciproque, mais fournit des critères rigoureux ($\Lambda$ et $\Gamma$) pour déterminer quand cette simplification est inoffensive et quand elle masque des informations structurées importantes, évitant ainsi des conclusions décisionnelles trompeuses.