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

Questo articolo perfeziona le soglie di incoerenza per le matrici di confronti a coppie incomplete dimostrando che dipendono non solo dalle dimensioni della matrice e dal numero di voci mancanti, ma anche dalla struttura del grafo associato alle comparazioni note, permettendo così un monitoraggio più accurato degli errori.

L'essenziale

🧩 Il Problema: La Giuria che non si accorda mai

Immagina di dover scegliere il miglior ristorante della città. Chiedi a un gruppo di esperti di confrontare le opzioni due alla volta: "Il Ristorante A è meglio del B?", "Il B è meglio del C?".

Il problema è che gli esseri umani non sono computer. Se l'esperto dice che A è il doppio di B e B è il triplo di C, logicamente A dovrebbe essere 6 volte migliore di C. Ma spesso, quando chiedi direttamente "A è meglio di C?", l'esperto risponde "No, è solo 4 volte migliore".

Questa discrepanza si chiama incoerenza. È come se la giuria avesse un "rumore di fondo" nelle sue risposte.

📏 La Regola del 10% (e perché a volte sbaglia)

Per decenni, gli esperti hanno usato una regola semplice (la "Regola del 10%"): se l'incoerenza è sotto il 10%, va bene; se supera il 10%, bisogna ricominciare e chiedere di nuovo.

Ma c'è un trucco: questa regola è stata calcolata pensando a tutte le possibili domande. Immagina di chiedere a tutti i 1000 abitanti di un paese chi preferiscono tra 10 candidati. Se chiedi tutte le combinazioni possibili, la regola del 10% funziona bene.

Tuttavia, nella vita reale, è impossibile chiedere tutto a tutti. Magari chiedi solo 50 domande su 1000 possibili perché gli esperti sono stanchi o non si conoscono tra loro. Questo crea una matrice incompleta: ci sono dei buchi, delle risposte mancanti.

🕸️ La Scoperta: Non conta solo il numero, ma la "Forma" della rete

Gli autori di questo studio hanno scoperto una cosa fondamentale: non basta contare quanti buchi ci sono nella griglia delle domande.

Bisogna guardare come sono collegati i buchi.

Immagina la tua griglia di domande come una rete di strade che collegano le città (i ristoranti).

• Scenario A: Le strade mancanti sono tutte isolate, come se mancassero ponti su fiumi lontani tra loro.
• Scenario B: Le strade mancanti si concentrano tutte in un unico incrocio centrale, come se mancasse un intero quartiere.

Anche se in entrambi i casi mancano lo stesso numero di strade (ad esempio 2), la forma della rete è diversa. E la matematica dice che queste due forme hanno "soglie di tolleranza" diverse per l'incoerenza.

Usare la vecchia regola (che ignora la forma della rete) è come dire: "Tutte le case con un tetto rotto sono ugualmente pericolose", senza distinguere se il tetto è rotto in un angolo o se manca l'intera trave centrale.

🔍 L'Analogia della "Risonanza" (Il Raggio Spettrale)

Come fanno gli autori a misurare questa "forma"? Usano un concetto matematico chiamato raggio spettrale, che possiamo immaginare come la "risonanza" o l'energia della rete.

• Pensa alla tua rete di domande come a un ponte sospeso.
• Se il ponte è ben collegato e le forze si distribuiscono bene (bassa risonanza), è molto stabile. Anche se hai qualche buco, il ponte regge bene.
• Se il ponte è strutturato in modo che le forze si accumulino in certi punti (alta risonanza), è più fragile. Anche con lo stesso numero di buchi, un ponte del genere è più propenso a crollare (o a dare risposte incoerenti).

Gli autori hanno scoperto che più la "risonanza" della tua rete di domande è alta, più la soglia di accettabilità dell'incoerenza deve essere bassa. In altre parole: se la tua rete è "fragile" (alta risonanza), devi essere molto più severo nel controllare le risposte, altrimenti rischi di prendere decisioni sbagliate.

💡 Perché è importante per te?

1. Precisione chirurgica: Se stai usando software per prendere decisioni importanti (dallo scegliere un fornitore di lavoro alla pianificazione urbana), questo studio ti dice che non puoi usare una regola "fai-da-te" generica. Devi guardare la struttura specifica delle domande che hai fatto.
2. Risparmio di tempo: Invece di chiedere a tutti di rispondere a tutto (cosa che nessuno fa), puoi chiedere solo le domande necessarie, ma devi calcolare la soglia di errore in base a quali domande hai scelto di fare.
3. Rilevamento immediato degli errori: Immagina di compilare un sondaggio su un tablet. Questo studio permette al software di dirti subito: "Ehi, la struttura delle tue domande è fragile, e questa risposta che hai appena dato crea un'incoerenza troppo alta per il tipo di rete che hai costruito". Così correggi l'errore mentre lo fai, non dopo mesi.

In sintesi

Questo articolo ci insegna che la struttura conta quanto i numeri. Quando facciamo domande incomplete, non possiamo trattare tutte le situazioni come se fossero uguali. Dobbiamo guardare la "forma" della nostra rete di conoscenze (il grafo) per capire quanto possiamo permetterci di essere imprecisi. È come dire che per guidare una macchina su una strada di montagna (rete fragile) serve più attenzione che su un'autostrada dritta (rete robusta), anche se entrambe hanno lo stesso numero di buche.

Sommario tecnico

1. Il Problema

Nelle metodologie di supporto alle decisioni multicriterio, come l'Analytic Hierarchy Process (AHP), le matrici di confronto a coppie sono fondamentali. Tuttavia, queste matrici sono spesso incoerenti (la preferenza diretta tra due alternative non corrisponde alla preferenza indiretta attraverso una terza). Per valutare l'accettabilità dell'incoerenza, Saaty ha proposto una soglia del 10% basata sul rapporto tra l'indice di incoerenza (CI) e un indice casuale (RI).

Il problema centrale affrontato in questo lavoro riguarda le matrici di confronto a coppie incomplete, dove alcune comparazioni sono mancanti (spesso rappresentate da un grafo non orientato).

• Le ricerche precedenti (es. Ágoston e Csató, 2022) hanno stabilito che l'indice casuale (RI) per matrici incomplete dipende dal numero di alternative ($n$) e dal numero di voci mancanti ($m$).
• Il limite: Questi approcci assumono che le posizioni delle voci mancanti siano distribuite casualmente. Tuttavia, in molti scenari pratici (es. raccomandazioni di pattern di compilazione ottimali), le matrici incomplete condividono la stessa struttura di grafo (stessi nodi e stessi archi noti).
• La domanda di ricerca: La struttura specifica del grafo (non solo il numero di archi) influenza l'indice di incoerenza e le soglie di accettabilità?

2. Metodologia

Gli autori hanno sviluppato un approccio numerico e teorico per raffinare le soglie di incoerenza basandosi sulla struttura del grafo sottostante.

• Rappresentazione Grafica: Una matrice di confronto a coppie incompleta è mappata su un grafo non orientato $G=(V, E)$, dove i vertici sono le alternative e gli archi rappresentano le comparazioni note.
• Completamento Ottimale: Per calcolare l'indice di incoerenza di una matrice incompleta, le voci mancanti vengono completate risolvendo un problema di ottimizzazione convessa che minimizza l'autovalore dominante ($\lambda_{max}$) della matrice risultante (metodo di Shiraishi e Obata).
• Calcolo dell'Indice Casuale (RI):
  • Invece di generare matrici con posizioni casuali delle voci mancanti, gli autori hanno fissato il grafo $G$ (isomorfismo).
  • Hanno generato 1 milione di matrici casuali (con valori estratti dalla scala di Saaty) per ogni configurazione specifica di grafo.
  • Per ogni matrice, hanno risolto il problema di completamento ottimale e calcolato il CI.
  • L'RI è la media dei CI ottenuti per quel specifico grafo.
• Analisi Spettrale: È stata indagata la relazione tra l'RI calcolato e il raggio spettrale ($\rho$) della matrice di adiacenza del grafo rappresentativo.

3. Contributi Chiave

1. Dipendenza dalla Struttura del Grafo: Dimostrano che l'indice casuale (e quindi la soglia di incoerenza accettabile) non dipende solo da $n$ e $m$, ma anche dalla topologia specifica del grafo delle comparazioni note.
2. Correlazione con il Raggio Spettrale: Identificano una forte associazione tra l'indice casuale e il raggio spettrale del grafo. Grafi con un raggio spettrale più alto tendono ad avere indici casuali più elevati.
3. Soglie Raffinate: Forniscono tabelle di indici casuali precisi per diverse configurazioni di grafi (es. per $n=4, 5, 6$), mostrando che l'uso di soglie "naive" (indipendenti dal grafo) può portare a classificazioni errate di matrici come accettabili o inaccettabili.
4. Formula di Approssimazione: Sviluppano una formula euristica per stimare l'RI per $n \geq 7$ basata sul raggio spettrale, evitando calcoli computazionalmente costosi.

4. Risultati Principali

• Impatto della Topologia (Esempio $n=4, m=2$):
  • Esistono due tipi di grafi per 4 alternative e 2 voci mancanti: uno con archi mancanti indipendenti (Graph 1) e uno con archi mancanti che condividono un vertice (Graph 2).
  • L'RI calcolato per Graph 1 è 0.2646, mentre per Graph 2 è 0.3165.
  • La differenza è significativa (>15%). Utilizzare un valore medio (come 0.3061 proposto in lavori precedenti) porta a classificare erroneamente centinaia di matrici.
• Relazione con il Raggio Spettrale:
  • Esiste una relazione monotona positiva: un raggio spettrale più alto corrisponde a un RI più alto.
  • Questo fenomeno è spiegato dalla distribuzione dei triadi (sotto-matrici 3x3). Un raggio spettrale più alto è associato a un numero maggiore di triadi con zero o una sola voce mancante, rendendo più difficile la minimizzazione dell'incoerenza durante il completamento.
• Validità della Regola del 10%:
  • La proporzione di matrici casuali che soddisfano la soglia del 10% varia significativamente in base alla struttura del grafo.
  • In alcuni casi, una soglia più restrittiva (RI più basso) porta paradossalmente a una percentuale maggiore di matrici accettabili, sfidando l'applicazione rigida della regola del 10% senza considerare il grafo.
• Approssimazione per $n \geq 7$:
  • La formula proposta è: $RI_i \approx RI_{n,m} + \beta \cdot (\rho_i - \rho_{n,m})$, dove $\beta \approx 0.161$.
  • I test su matrici $8 \times 8$ mostrano un errore di approssimazione inferiore all'1%.

5. Significato e Implicazioni Pratiche

• Monitoraggio in Tempo Reale: Poiché le comparazioni vengono spesso raccolte sequenzialmente dai decisori, è possibile monitorare l'incoerenza in tempo reale. Conoscere la struttura esatta del grafo (pattern di compilazione) permette di utilizzare soglie precise, rilevando immediatamente errori o incoerenze critiche prima che la raccolta dati sia completa.
• Ottimizzazione dei Pattern di Raccolta Dati: La ricerca supporta l'uso di pattern di compilazione ottimali (che massimizzano l'accuratezza dei pesi). Tuttavia, questi pattern fissano la struttura del grafo; pertanto, è cruciale utilizzare le soglie specifiche per quel grafo e non quelle medie, per evitare falsi positivi o negativi nell'accettabilità dei dati.
• Software e Implementazione: I risultati possono essere integrati nei software di supporto alle decisioni per fornire all'utente un feedback immediato e contestualizzato sulla qualità delle sue valutazioni, migliorando l'affidabilità del processo decisionale.

In conclusione, il paper dimostra che l'analisi dell'incoerenza nelle matrici incomplete non può ignorare la topologia delle comparazioni note. L'introduzione del raggio spettrale come parametro chiave offre un metodo più robusto e matematicamente fondato per stabilire le soglie di accettabilità.