📈 economics

Sufficient conditions for a Heuristic Rating Estimation Method application

यह शोध पत्र अंकगणितीय और ज्यामितीय एल्गोरिदम का उपयोग करके पूर्ण और अपूर्ण युग्म तुलनाओं (pairwise comparisons) के लिए ह्यूरिस्टिक रेटिंग एस्टीमेशन पद्धति को सही ढंग से लागू करने की पर्याप्त स्थितियों को स्थापित करता है, यह प्रदर्शित करते हुए कि अंकगणितीय संस्करण इष्टतम विसंगति अनुमान (inconsistency estimations) प्रदान करता है।

मूल लेखक: Jacek Szybowski, Konrad Kułakowski, Jiri Mazurek

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jacek Szybowski, Konrad Kułakowski, Jiri Mazurek

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप उम्मीदवारों के एक समूह को नौकरी के लिए रैंक करने की कोशिश कर रहे हैं, लेकिन आप अभी तक सभी के बायोडाटा (resume) नहीं जानते। हालाँकि, आपके पास पहले से ही नियुक्त किए जा चुके कुछ "संदर्भ" (reference) उम्मीदवारों के सटीक स्कोर हैं। आपके पास तुलनाओं की एक सूची भी है: "उम्मीदवार A, उम्मीदवार B से दोगुना बेहतर है," या "उम्मीदवार C, उम्मीदवार D से बेहतर है।"

यह पेयरवाइज कंपैरिजन (Pairwise Comparisons) की दुनिया है। यह चीजों को एक साथ परखने के बजाय, उन्हें दो-दो करके तुलना करने का एक तरीका है (क्योंकि एक साथ सबको परखना हमारे दिमाग के लिए बहुत कठिन होता है)।

यह शोध पत्र एक विशिष्ट उपकरण पेश करता है जिसे ह्यूरिस्टिक रेटिंग एस्टीमेशन (Heuristic Rating Estimation - HRE) कहा जाता है। HRE को एक स्मार्ट कैलकुलेटर की तरह समझें जो ज्ञात "संदर्भ" उम्मीदवारों के ज्ञात स्कोर का उपयोग करके अज्ञात उम्मीदवारों के स्कोर का अनुमान लगाता है, इस आधार पर कि वे एक-दूसरे के साथ और ज्ञात लोगों के साथ कैसे तुलना करते हैं।

इस शोध पत्र के लेखकों ने एक बहुत ही व्यावहारिक प्रश्न पूछा: "हम कब इस कैलकुलेटर पर एक एकल, सही उत्तर देने के लिए भरोसा कर सकते हैं, और यह कब विफल हो जाएगा?"

उनके निष्कर्षों का विवरण यहाँ दिया गया है, सरल उपमाओं (analogies) का उपयोग करते हुए:

1. गणना करने के दो तरीके (अरिथमेटिक बनाम ज्योमेट्रिक)

यह शोध पत्र कैलकुलेटर के काम करने के दो अलग-अलग तरीकों को देखता है:

अरिथमेटिक विधि (The Arithmetic Method): यह एक साधारण औसत लेने जैसा है। यदि उम्मीदवार A की तीन लोगों के साथ तुलना की जाती है, तो आप उन तुलनाओं को जोड़ते हैं और तीन से विभाजित करते हैं।
ज्योमेट्रिक विधि (The Geometric Method): यह एक "गुणात्मक औसत" (multiplicative average) की तरह है। यह गणितीय रूप से थोड़ा अधिक जटिल है, लेकिन यह संख्याओं को अलग तरह से संभालता है।

2. "परफेक्ट" परिदृश्य (पूर्ण डेटा)

सबसे पहले, लेखकों ने उस आसान मामले को देखा जहाँ आपके पास सभी तुलनाएँ उपलब्ध हैं। आप जानते हैं कि प्रत्येक अज्ञात उम्मीदवार की अन्य प्रत्येक उम्मीदवार के साथ कैसे तुलना की जाती है।

निष्कर्ष: अरिथमेटिक कैलकुलेटर पूरी तरह से ठीक काम करता है जब तक कि डेटा अत्यधिक अव्यवस्थित (inconsistent) न हो।
उपमा: कल्पना कीजिए कि दोस्तों का एक समूह एक फिल्म पर सहमति बनाने की कोशिश कर रहा है। यदि वे ज्यादातर सहमत हैं, तो कैलकुलेटर काम करता है। लेकिन यदि वे बहुत अधिक बहस कर रहे हैं (जैसे, "A, B से बेहतर है," "B, C से बेहतर है," लेकिन "C, A से बहुत बेहतर है"), तो कैलकुलेटर अटक सकता है।
सीमा: शोध पत्र यह सिद्ध करता है कि असंगति (inconsistency) की कितनी मात्रा की अनुमति दी जा सकती है इससे पहले कि कैलकुलेटर विफल हो जाए। उन्होंने पाया कि उनके द्वारा निकाला गया यह "टिपिंग पॉइंट" (tipping point) सर्वश्रेष्ठ संभव सीमा है; आप नियम को अधिक सख्त नहीं बना सकते बिना वैध मामलों के लिए पद्धति को बाधित किए।
ज्योमेट्रिक विजेता: ज्योमेट्रिक विधि के लिए, लेखकों ने पाया कि यह हमेशा सुरक्षित है। डेटा कितना भी अव्यवस्थित क्यों न हो, कैलकुलेटर का यह संस्करण हमेशा एक अद्वितीय, सही उत्तर खोज लेगा। यह कभी नहीं अटकता।

3. "वास्तविक दुनिया" का परिदृश्य (अपूर्ण डेटा)

वास्तविक जीवन में, आपके पास शायद ही कभी सभी तुलनाएँ होती हैं। हो सकता है कि उम्मीदवार A ने कभी उम्मीदवार B से मुलाकात न की हो, इसलिए वह डेटा बिंदु गायब है (जिसे प्रश्न चिह्न के साथ चिह्नित किया गया है)। यह एक अपूर्ण (incomplete) मैट्रिक्स है।

चुनौती: जब डेटा गायब होता है, तो हमारी उपमा में "दोस्त" कमरे में मौजूद नहीं होते। कैलकुलेटर को इन रिक्तियों (gaps) के साथ काम करना पड़ता है।
अरिथमेटिक परिणाम: लेखकों ने पाया कि अरिथमेटिक कैलकुलेटर अभी भी काम करता है, लेकिन इसके नियम अधिक सख्त हैं। यह निम्नलिखित पर निर्भर करता है:
1. कितने उम्मीदवार हैं।
2. कितने तुलनात्मक डेटा गायब हैं।
3. मौजूदा डेटा कितना "अव्यवस्थित" (inconsistent) है।
  उन्होंने एक विशिष्ट सूत्र प्रदान किया है जो आपको बता सकता है कि क्या आपका विशिष्ट सेट गायब डेटा उपयोग के लिए सुरक्षित है। फिर से, उन्होंने सिद्ध किया कि यह सूत्र इष्टतम सीमा (optimal limit) है—आप बिना जोखिम लिए सीमाओं को और आगे नहीं बढ़ा सकते।
ज्योमेट्रिक परिणाम: बिल्कुल परफेक्ट परिदृश्य की तरह, ज्योमेट्रिक विधि "अविनाशी" (unbreakable) है। अधूरे डेटा के साथ भी, यह हमेशा एक अद्वितीय समाधान प्रदान करेगा।

4. "सिंगुलर" जाल (The "Singular" Trap)

शोध पत्र में ऐसे उदाहरण शामिल हैं जहाँ अरिथमेटिक विधि विफल हो जाती है।

रूपक (Metaphor): कल्पना कीजिए कि एक तराजू एक चाकू की धार पर पूरी तरह से संतुलित है। यदि आप थोड़ा सा भी वजन (या इस मामले में, विसंगति का एक विशिष्ट पैटर्न) जोड़ते हैं, तो तराजू पूरी तरह से पलट जाता है और कोई उत्तर नहीं देता। लेखकों ने गणितीय रूप से दिखाया है कि वह "चाकू की धार" कैसी दिखती है। उन्होंने सिद्ध किया कि उनके सुरक्षा नियम आपको उस किनारे से दूर रखने के लिए पर्याप्त कड़े हैं, लेकिन इतने कड़े भी नहीं कि वे वैध डेटा को खारिज कर दें।

शोध पत्र के दावों का सारांश

लक्ष्य: यह परिभाषित करना कि अज्ञात रैंकिंग खोजने के लिए HRE पद्धति का उपयोग किन परिस्थितियों में किया जा सकता है।
मुख्य खोज:
- ज्योमेट्रिक संस्करण मजबूत है; यह पूर्ण और अपूर्ण दोनों डेटा के लिए हमेशा काम करता है।
- अरिथमेटिक संस्करण ज्यादातर समय काम करता है, लेकिन केवल तभी जब डेटा बहुत अधिक असंगत न हो और गायब डेटा बहुत अधिक अराजक न हो।
प्रमुख योगदान: लेखकों ने केवल यह नहीं कहा कि "यह कभी-कभी काम करता है।" उन्होंने एक सटीक रेखा खींचने के लिए उन्नत गणित (रैखिक बीजगणित और स्पेक्ट्रल थ्योरी) का उपयोग किया। उन्होंने सिद्ध किया कि उनकी "सुरक्षा रेखा" सबसे अच्छी संभव रेखा है—आप नियमों को और अधिक उदार नहीं बना सकते बिना पद्धति को विफल किए।

संक्षेप में, यह शोध पत्र निर्णय लेने वाले उपकरण की सीमाओं के लिए एक यूजर मैनुअल है। यह आपको बताता है कि आपके डेटा में कितना "शोर" (noise) या "लापता जानकारी" हो सकती है, इससे पहले कि टूल आपको एक विश्वसनीय उत्तर देना बंद कर दे।

तकनीकी सारांश: एक ह्यूरिस्टिक रेटिंग एस्टीमेशन पद्धति के अनुप्रयोग के लिए पर्याप्त स्थितियाँ

समस्या विवरण
ह्यूरिस्टिक रेटिंग एस्टीमेशन (HRE) विधि एक निर्णय लेने का उपकरण है जिसे युग्म तुलनाओं (pairwise comparisons - PC) और विशिष्ट "संदर्भ" विकल्पों के ज्ञात भारों (weights) के आधार पर विकल्पों के एक सेट का मूल्यांकन करने के लिए डिज़ाइन किया गया है। जबकि पूर्ण डेटासेट के लिए HRE स्थापित किया जा चुका है, व्यावहारिक अनुप्रयोगों में अक्सर अपूर्ण युग्म तुलना मैट्रिक्स शामिल होते हैं जहाँ कुछ तुलनाएँ अज्ञात होती हैं। यह अपूर्णता परिणामी अनुमान समस्या की समाधान क्षमता और विशिष्टता (uniqueness) के संबंध में मौलिक प्रश्न उठाती है। यह शोध पूर्ण और अपूर्ण दोनों प्रकार के युग्म तुलना मैट्रिक्स के लिए HRE विधि को सही ढंग से लागू करने की पर्याप्त स्थितियाँ निर्धारित करके सैद्धांतिक गारन्टी के अंतराल को संबोधित करता है।

कार्यप्रणाली
लेखक HRE विधि के अंकगणितीय (arithmetic) और ज्यामितीय (geometric) वेरिएंट का विश्लेषण करने के लिए रैखिक बीजगणित (linear algebra) और स्पेक्ट्रल थ्योरी (spectral theory) के उपकरणों का उपयोग करते हैं। अध्ययन विकल्पों के दो उपसमुच्चयों के बीच अंतर करता है: वे जिनके प्राथमिकताएँ अज्ञात हैं ( $A_U$ ) और संदर्भ विकल्प जिनके भार ज्ञात हैं ( $A_K$ )।

गणितीय सूत्रीकरण: समस्या को रैखिक समीकरणों के एक निकाय ( $A_k w = b$ ) में परिवर्तित किया जाता है। इस निकाय की समाधान क्षमता सहायक मैट्रिक्स $A_k$ की व्युत्क्रमणीयता (invertibility) पर निर्भर करती है।
स्पेक्ट्रल विश्लेषण: लेखक मैट्रिक्स व्युत्क्रमणीयता के लिए शर्तों को प्राप्त करने हेतु स्पेक्ट्रल रेडियस ( $\rho$ ) और पोंकरे-फ्रोबेनियस प्रमेय (Perron-Frobenius theorem) का उपयोग करते हैं। वे $A_k$ की व्युत्क्रमणीयता को केवल अज्ञात विकल्पों वाले उप-मैट्रिक्स ( $C_k$ ) के कंसिस्टेंसी इंडेक्स (Consistency Index - CI) से जोड़ते हैं।
असंगति सीमाएँ (Inconsistency Thresholds): शोध कंसिस्टेंसी इंडेक्स के लिए विशिष्ट सीमाएँ प्राप्त करता है। यदि उप-मैट्रिक्स $C_k$ की असंगति एक गणना की गई सीमा से नीचे रहती है, तो मैट्रिक्स $A_k$ की व्युत्क्रमणीयता सुनिश्चित होती है, जिससे एक अद्वितीय समाधान प्राप्त होता है।
ज्यामितीय बनाम अंकगणितीय: अध्ययन पूर्ण और अपूर्ण डेटा परिदृश्यों के लिए अंकगणितीय माध्य दृष्टिकोण और ज्यामितीय माध्य दृष्टिकोण (लॉग रूपांतरण) दोनों का विश्लेषण करता है।

प्रमुख योगदान और परिणाम

अंकगणितीय HRE (पूर्ण मामला): शोध पत्र यह स्थापित करता है कि अंकगणितीय HRE सूत्रीकरण एक अद्वितीय समाधान स्वीकार करता है यदि अज्ञात उप-मैट्रिक्स का कंसिस्टेंसी इंडेक्स $CI(C_k) < \frac{n-k}{k-1}$ संतुष्ट करता है (जहाँ $n$ कुल विकल्प हैं और $k$ अज्ञात विकल्पों की संख्या है)। लेखक एक प्रति-उदाहरण (counter-example) के माध्यम से प्रदर्शित करते हैं कि यह सीमा इष्टतम है और इसमें सुधार नहीं किया जा सकता।
अंकगणितीय HRE (अपूर्ण मामला): अपूर्ण मैट्रिक्स के लिए, लेखक एक अधिक जटिल पर्याप्त स्थिति प्राप्त करते हैं: $CI(C_k) < \frac{n-k-s_{MAX}+s_{MIN}}{k-1}$ । यहाँ $s_{MAX}$ और $s_{MIN}$ क्रमशः उप-मैट्रिक्स $C_k$ की पंक्तियों में लुप्त प्रविष्टियों (missing entries) की अधिकतम और न्यूनतम संख्या का प्रतिनिधित्व करते हैं। यह परिणाम लुप्त डेटा के वितरण को ध्यान में रखता है। शोध पत्र एक उदाहरण प्रदान करता है जो दर्शाता है कि यह सीमा भी इष्टतम है।
ज्यामितीय HRE: अंकगणितीय संस्करण के विपरीत, शोध पत्र यह सिद्ध करता है कि ज्यामितीय HRE सूत्रीकरण, पूर्ण और अपूर्ण दोनों युग्म तुलना मैट्रिक्स के लिए हमेशा एक अद्वितीय समाधान स्वीकार करता है, बशर्ते कि मैट्रिक्स अपरिमेय (irreducible) हो। यह यह दिखाकर प्रदर्शित किया गया है कि प्रासंगिक सहायक मैट्रिक्स का स्पेक्ट्रल रेडियस हमेशा 1 से कम होता है, जो असंगति स्तर की परवाह किए बिना व्युत्क्रमणीयता सुनिश्चित करता है।
अनुमानों की इष्टतमता: शोध पत्र में दृष्टांत उदाहरण (उदाहरण 16 और 22) शामिल हैं जहाँ प्राप्त कंसिस्टेंसी इंडेक्स सीमाएँ प्राप्त की जाती हैं, जिसके परिणामस्वरूप सिंगुलर मैट्रिक्स (singular matrices) बनते हैं। ये उदाहरण यह सिद्ध करने के लिए उपयोग किए जाते हैं कि प्राप्त स्थितियाँ 'टाइट' (tight) हैं; उन्हें शिथिल करने से ऐसे मामले उत्पन्न होंगे जहाँ विधि विफल हो सकती है।

महत्व और दावे
शोध पत्र का दावा है कि वह मानक HRE विधि की प्रयोज्यता के लिए औपचारिक गारंटी प्रदान करके एक सैद्धांतिक अंतराल को भरता है। पिछले अध्ययन जो संशोधित एकत्रीकरण नियमों या फजी लॉजिक के माध्यम से विधि के विस्तार पर केंद्रित थे, उनके विपरीत, यह कार्य यह निर्धारित करने के लिए एक सैद्धांतिक दृष्टिकोण अपनाता है कि मानक अंकगणितीय और ज्यामितीय HRE विधियाँ किन स्थितियों में सुपरिभाषित हैं।

लेखक इस बात पर जोर देते हैं कि उनका योगदान एक अलग समस्या को संबोधित करता है: मानक अंकगणितीय और ज्यामितीय HRE के लिए समाधान की व्युत्क्रमणीयता और विशिष्टता को स्थापित करना। वे दावा करते हैं कि प्राप्त कंसिस्टेंसी इंडेक्स सीमाएँ इष्टतम हैं, जिसका अर्थ है कि वे अंकगणितीय संस्करण के लिए समाधान योग्य और समाधान अयोग्य उदाहरणों के बीच सटीक सीमा का प्रतिनिधित्व करती हैं। ज्यामितीय संस्करण के लिए, शोध पत्र असंगति स्तरों से स्वतंत्र समाधान क्षमता की एक मजबूत गारंटी प्रदान करता है। यह शोध नए अनुप्रयोगों या भविष्य की प्रयोगात्मक दिशाओं का प्रस्ताव नहीं करता है, बल्कि वास्तविक दुनिया के अपूर्ण निर्णय लेने के परिदृश्यों में मौजूदा HRE विधियों को लागू करने के लिए आवश्यक गणितीय आधार को सुदृढ़ करता है।

1. गणना करने के दो तरीके (अरिथमेटिक बनाम ज्योमेट्रिक)

2. "परफेक्ट" परिदृश्य (पूर्ण डेटा)

3. "वास्तविक दुनिया" का परिदृश्य (अपूर्ण डेटा)

4. "सिंगुलर" जाल (The "Singular" Trap)

शोध पत्र के दावों का सारांश

इसी तरह के और पेपर