📊 statistics

Geometric mean-based pairwise comparison method with the reference values -- statistical approach

Cet article présente une approche statistique de la méthode de comparaison par paire utilisant des valeurs de référence et des moyennes géométriques pour capturer simultanément l'incohérence et les distances de préférence, tout en définissant des indicateurs interprétables pour mesurer la qualité du vecteur de poids résultant.

Auteurs originaux : Konrad Kułakowski, Kamil Pustelnik, Jacek Szybowski

Publié 2026-07-31

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Konrad Kułakowski, Kamil Pustelnik, Jacek Szybowski

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez le capitaine d'un club scolaire et que vous deviez choisir les trois meilleures activités pour l'année à venir. Vous demandez à vos amis de voter, mais au lieu de simplement choisir leur préférée, vous leur demandez de comparer chaque activité à toutes les autres. « La randonnée est-elle deux fois plus amusante que la cuisine ? » « Le codage est-il trois fois meilleur que l'art ? » Cette méthode de comparaison par paires est un outil classique utilisé par les experts pour prendre des décisions difficiles, du choix d'un nouveau maire de la ville à la sélection du meilleur traitement médical. C'est comme essayer de déterminer la hauteur exacte d'une montagne en ne mesurant que la pente entre deux arbres à la fois.

Le problème est que les humains ne sont pas des calculateurs parfaits. Un ami pourrait dire que la randonnée est meilleure que la cuisine, mais ensuite dire que la cuisine est meilleure que le codage, et que le codage est meilleur que la randonnée. C'est une boucle logique, ou « incohérence ». Depuis des décennies, les mathématiciens ont trouvé des moyens de lisser ces boucles et de trouver un classement final, mais ils traitaient principalement les erreurs comme un bruit désordonné à ignorer. Ils pouvaient vous dire quel était le classement, mais ils ne pouvaient pas facilement vous dire à quel point ils en étaient certains. C'était comme obtenir une prévision météorologique qui dit « il va pleuvoir » sans préciser s'il y a une probabilité de 51 % ou de 99 %. Ce document s'insère dans cette lacune, traitant ces comparaisons humaines confuses non pas comme des erreurs, mais comme des points de données dans une expérience statistique, nous permettant de mesurer la confiance dans nos décisions tout comme un scientifique mesure la confiance dans un résultat de laboratoire.

La grande idée du papier : Transformer l'intuition en laboratoire mathématique

Les auteurs de ce document, Konrad Kułakowski, Kamil Pustelnik et Jacek Szybowski, étudient une méthode de prise de décision spécifique appelée « Estimation de notation heuristique » (HRE - Heuristic Rating Estimation). Imaginez que vous avez une liste d'objets inconnus (comme de nouveaux jeux vidéo) et quelques objets connus (comme votre jeu classique préféré, que vous considérez comme un 10/10 parfait). Vous demandez à un expert de comparer les nouveaux jeux aux classiques et entre eux. L'objectif est de déterminer le « poids » ou le score des nouveaux jeux.

Traditionnellement, cela se fait par une moyenne géométrique (un type spécifique de moyenne qui gère bien les ratios). Les auteurs ont réalisé quelque chose de brillant : tout ce processus est en réalité un problème de régression linéaire. C'est une façon sophistiquée de dire qu'il s'agit de la même mathématique utilisée pour tracer une « droite de régression » à travers un nuage de points.

Voici l'analogie : Imaginez que vous essayiez de deviner le poids de plusieurs boîtes mystères. Vous avez quelques poids connus (valeurs de référence) sur une balance. Vous ne connaissez pas les poids des boîtes mystères, mais un ami vous donne des indices comme : « La boîte A est environ deux fois moins lourde que la boîte B », ou « La boîte C est deux fois plus lourde que le poids de référence de 5 kg ». Votre ami n'est pas parfait ; parfois, il devine « deux fois plus lourd » alors qu'en réalité, c'est « 1,9 fois ».

Le papier suggère que nous ne devrions pas simplement faire la moyenne de ces suppositions. Au lieu de cela, nous devrions traiter chaque comparaison comme une « mesure » dans une expérience scientifique. Les « poids inconnus » sont les variables que nous essayons de résoudre, et les « suppositions de l'ami » sont nos points de données. En utilisant les outils des statistiques (plus précisément la méthode des moindres carrés), nous pouvons trouver les poids les plus probables des boîtes mystères.

Ce qu'ils ont trouvé : Intervalles de confiance et clusters de « l'égalité »

La véritable magie de ce papier n'est pas seulement de trouver les poids ; c'est de savoir à quel point on peut leur faire confiance. Parce qu'ils ont traité le problème comme une expérience statistique, ils ont pu calculer des éléments auparavant impossibles :

Intervalles de confiance : Tout comme un sondage peut dire « 50 % de soutien, plus ou moins 3 % », cette méthode peut vous dire que le score d'un jeu se situe probablement entre 0,15 et 0,25. Si la plage est énorme, vous savez que les données sont fragiles. Si elle est minuscule, vous pouvez faire confiance au classement.
Probabilité d'inversion de rang : C'est la partie la plus passionnante. Les auteurs ont calculé la probabilité exacte que l'ordre de deux éléments soit correct. Par exemple, ils ont trouvé que pour deux articles spécifiques dans leur exemple, il y avait une probabilité de 99,46 % que l'un soit meilleur que l'autre. Mais pour une autre paire, la probabilité n'était que de 58,18 %. C'est à peine mieux que de lancer une pièce !
La solution de « l'égalité » : C'est là que le papier devient très pratique. Si la probabilité que l'article A soit meilleur que l'article B est faible (disons, inférieure à 75 %), les auteurs suggèrent de ne pas forcer un classement. Au lieu de cela, nous devrions les regrouper dans un « cluster d'égalité ». Imaginez une course où deux coureurs sont si proches que la caméra de la ligne d'arrivée ne peut pas dire qui a gagné. Au lieu de déclarer un faux vainqueur, vous dites : « Ils ont fait match nul ». Le papier propose un algorithme pour regrouper automatiquement ces articles incertains et leur attribuer un score moyen. Cela empêche le décideur de faire un choix audacieux basé sur des preuves faibles.

Ce qu'ils ne prétendent pas (et ce qu'ils excluent)

Il est important de noter ce que ce papier ne fait pas. Il ne prétend pas réparer le cerveau humain ou empêcher les experts de commettre des erreurs. Le « bruit » ou l'incohérence des données est toujours là ; le papier se contente de mieux le mesurer.

Les auteurs s'opposent explicitement à l'idée que nous devrions simplement ignorer l'incertitude ou nous fier uniquement aux « indices d'incohérence » traditionnels (les anciens outils mathématiques qui donnent un chiffre unique pour dire à quel point les données sont désordonnées). Ils démontrent qu'un chiffre unique ne suffit pas car deux paires d'articles différentes peuvent avoir le même score de « désordre », mais une paire peut être clairement séparée (facile à classer) tandis que l'autre est presque identique (difficile à classer). Leur nouvelle méthode capture à la fois le « désordre » et la « distance » entre les éléments.

Ils ne prétendent pas non plus que ceci est une solution miracle pour toutes les situations. Leurs résultats sont basés sur des preuves mathématiques et des simulations (comme l'exemple avec 7 alternatives sur lequel ils ont travaillé). Ils suggèrent que dans les contextes de groupe, où plusieurs experts fournissent des données, cette méthode peut être encore plus puissante car elle peut combiner les « mesures » de chacun pour obtenir une image plus claire, même si chaque expert a manqué certaines comparaisons.

L'essentiel à retenir

En termes simples, ce papier prend le monde désordonné et subjectif du « je pense que ceci est meilleur que cela » et le transforme en une science rigoureuse et basée sur les données. Il nous donne un moyen de dire : « Nous sommes sûrs à 99 % que A est meilleur que B, mais nous ne sommes sûrs qu'à 58 % concernant C et D, donc appelons C et D une égalité ». Il transforme une liste rigide de classements en une représentation flexible et honnête de ce que nous savons réellement, aidant les décideurs à éviter le piège de prétendre être plus certains qu'ils ne le sont vraiment.

Résumé technique : Méthode de comparaison par paires basée sur la moyenne géométrique avec valeurs de référence – Une approche statistique

Énoncé du problème
Les méthodes de comparaison par paires (CP), telles que le processus de hiérarchie analytique (AHP) et la méthode du meilleur-pire (BWM), sont largement utilisées pour la prise de décision impliquant des jugements d'experts. Bien que les méthodes traditionnelles comme la méthode du vecteur propre (EVM) et la méthode de la moyenne géométrique (GMM) calculent les poids des alternatives, elles éprouvent souvent des difficultés face aux données incomplètes et manquent d'un cadre statistique robuste pour quantifier l'incertitude des classements résultants. Les interprétations statistiques existantes des méthodes de CP se sont largement concentrées sur des matrices complètes sans valeurs de référence. De plus, les indices d'incohérence classiques (par exemple, le ratio de cohérence) mesurent la dispersion des jugements mais ne tiennent pas compte de la « distance de préférence » entre les alternatives. Par conséquent, un ensemble de données hautement incohérent peut tout de même produire un classement fiable pour des alternatives nettement distinctes, tandis qu'un ensemble de données cohérent peut échouer à distinguer des alternatives ayant des poids très similaires. Il est nécessaire d'une méthode qui intègre des valeurs de référence (alternatives aux poids connus) avec une approche statistique pour évaluer la fiabilité du vecteur de poids dérivé et la probabilité d'inversions de rang.

Méthodologie
Les auteurs proposent une interprétation statistique de la méthode d'estimation de notation heuristique géométrique (HRE - Geometric Heuristic Rating Estimation), qui calcule les poids des alternatives inconnues sur la base de leurs comparaisons avec des alternatives de référence connues.

Formulation de la régression : L'article démontre que la méthode HRE géométrique incomplète est mathématiquement équivalente à un problème de régression linéaire. En prenant le logarithme des rapports de comparaison par paires ( $y_{ij} = \ln c_{ij}$ ) et des poids ( $\theta_i = \ln w_i$ ), la relation est modélisée comme :
$y_{ij} = \theta_i - \theta_j + \epsilon_{ij}$
où $\epsilon_{ij}$ représente un terme d'erreur aléatoire supposé suivre une loi normale. Les poids logarithmiques inconnus des alternatives non de référence sont traités comme des paramètres du modèle à estimer via la méthode des moindres carrés ordinaires (MCO).
Construction de la matrice : Le problème est structuré en utilisant des matrices de conception ( $X_U$ pour les alternatives non de référence et $X_K$ pour les alternatives de référence) et un vecteur de réponse dérivé des comparaisons observées. La solution implique l'inversion d'une matrice $L_U$ (une sous-matrice du Laplacien du graphe) pour estimer les poids logarithmiques.
Inférence statistique : Une fois les poids estimés, le cadre applique les outils statistiques standards :
- Estimation de la variance : La somme des carrés des résidus est utilisée pour estimer la variance de l'erreur ( $\hat{\sigma}^2$ ).
- Matrice de covariance : La matrice de covariance des estimateurs est dérivée de $\hat{\sigma}^2 L_U^{-1}$ , permettant le calcul des erreurs types pour chaque poids individuel.
- Intervalles de confiance : En utilisant la distribution $t$ de Student, des intervalles de confiance sont construits pour les poids logarithmiques et sont ensuite transformés à l'échelle d'origine par exponentiation.
- Probabilité d'inversion de rang : Les auteurs dérivent des formules pour calculer la probabilité que l'ordre estimé de deux alternatives ( $P(a_i \prec a_j)$ ) soit correct. Cela implique de calculer la distribution de la différence entre deux estimateurs, en tenant compte de leur covariance. Cela s'étend aux triplets et à des ensembles plus larges d'alternatives en utilisant les distributions $t$ multivariées.
Indicateurs de qualité et regroupement par ex æquo (Tie Clustering) :
- lcPOI (Indice de préservation de l'ordre par paire le moins certain) : La probabilité minimale de préservation de l'ordre parmi toutes les paires.
- alPOI (Indice de préservation de l'ordre par paire moyen) : La probabilité moyenne de préservation de l'ordre.
- Regroupement par ex æquo (Tie Clustering) : Un mécanisme est proposé où les alternatives présentant une faible probabilité d'ordre (inférieure à un seuil $\delta$ ) sont regroupées en « clusters d'ex æquo » (tie clusters). Leurs poids sont moyennés, fournissant une représentation plus conservatrice et statistiquement honnête du classement lorsque les distinctions sont incertaines.
Prise de décision en groupe : Le cadre est étendu aux contextes de groupe en agrégeant les comparaisons de plusieurs experts en un seul ensemble d'observations. Les auteurs suggèrent une approche de régression pondérée où les experts ayant une variance d'erreur plus faible (confiance plus élevée) se voient attribuer des poids plus importants lors de l'agrégation.

Résultats clés et contributions

Fondement statistique de la HRE géométrique : L'article établit que la méthode HRE géométrique incomplète est un problème de régression des moindres carrés, fournissant une base statistique rigoureuse à une méthode auparavant définie de manière heuristique.
Mesures de classement probabilistes : L'introduction de $P(a_i \prec a_j)$ permet aux décideurs d'évaluer la fiabilité de l'ordre de classement, et non seulement les estimations ponctuelles des poids. L'article montre que cette probabilité dépend à la fois de l'incohérence des données et de l'ampleur de la différence entre les poids des alternatives.
Nouveaux indicateurs de qualité : Les définitions de lcPOI et alPOI offrent une vision plus nuancée de la qualité des données que les indices d'incohérence traditionnels, mettant spécifiquement en évidence les cas où des poids similaires entraînent des classements incertains, même avec une faible incohérence.
Mécanisme de seuil d'ex æquo : L'algorithme proposé pour regrouper les alternatives incertaines en ex æquo empêche la surinterprétation de différences statistiquement insignifiantes, menant à des résultats de classement plus robustes.
Extension à la décision de groupe : La méthodologie s'adapte avec succès aux scénarios multi-experts en agrégeant les matrices incomplètes et en permettant la pondération des experts en fonction de leur propre cohérence (variance).

Signification
L'article affirme que sa contribution principale est double : premièrement, il fournit une interprétation intuitive de l'incohérence en tant qu'erreur statistique au sein du cadre de régression des moindres carrés ; deuxièmement, il introduit des mesures probabilistes pour évaluer la fiabilité des classements. En déplaçant l'attention des indices d'incohérence déterministes vers la préservation de l'ordre probabiliste, l'approche permet une évaluation plus réaliste de la qualité de la décision. Elle reconnaît que même avec des données « bruitées », des distinctions claires entre les alternatives peuvent être fiables, tandis que des données « propres » peuvent échouer à distinguer des options similaires. Le mécanisme de regroupement par ex æquo proposé offre une solution pratique pour représenter ces incertitudes, s'éloignant de la fausse précision pour tendre vers un résultat de décision plus interprétable et prudent. Le cadre est présenté comme une extension cohérente des développements existants de la HRE, ciblant spécifiquement l'évaluation de l'incertitude et de la qualité des vecteurs de poids dérivés de données de comparaison par paires incomplètes.

Articles similaires