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

Titolo: Confronti a Coppie Non Reciproci e Rumorosi: Variazione di Scala, Calibrazione del Rumore e Regioni di Ranking Ammissibili

1. Il Problema

Nell'analisi decisionale e nella modellazione delle preferenze, i confronti a coppie sono uno strumento fondamentale. In un contesto ideale reciproco, il confronto tra l'alternativa $i$ e $j$ determina automaticamente il confronto opposto ($a_{ji} = -a_{ij}$ in formulazione additiva). Tuttavia, nei dati reali, le matrici di confronto osservate sono spesso non reciproche (asimmetria tra $a_{ij}$ e $a_{ji}$).

La prassi standard tratta questa non reciprocità come un difetto da correggere immediatamente, proiettando la matrice osservata sullo spazio delle matrici reciproche (proiezione reciproca "brutale") e ignorando la parte simmetrica.
L'autore sostiene che questo approccio sia troppo grezzo. La non reciprocità può avere due origini distinte:

1. Rumore casuale: Esitazione, affaticamento, errori di giudizio.
2. Deformazione strutturata della scala: Una variazione sistematica e interpretabile della scala di valutazione effettiva (es. un decisore che valuta diversamente due alternative a seconda del contesto o della direzione del confronto).

Il problema centrale è: quanto dell'asimmetria osservata è rumore residuo e quanto è una deformazione strutturata della scala che dovrebbe essere preservata per una corretta interpretazione decisionale?

2. Metodologia e Modello Matematico

Il paper introduce un modello additivo strutturato per le matrici di confronto osservate $X = (x_{ij})$. Il modello decompone ogni elemento $x_{ij}$ ($i \neq j$) in tre componenti:

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

Dove:

• $u_i - u_j$: Rappresenta la componente di ranking latente (la vera preferenza globale).
• $s_i + s_j$: Rappresenta la deformazione strutturata della scala. Il vettore $s$ è centrato ($\sum s_i = 0$) e descrive una variazione sistematica della scala di valutazione.
• $\varepsilon_{ij}$: Rappresenta il perturbazione casuale (rumore).

Fasi dell'Approccio Proposto:

1. Decomposizione della Matrice:
   La matrice osservata $X$ viene separata nelle sue parti antisimmetrica ($K$) e simmetrica ($H$):

   • $K = \frac{X - X^T}{2}$: Contiene principalmente l'informazione di ranking ($u_i - u_j$).
   • $H = \frac{X + X^T}{2}$: Contiene principalmente la deformazione di scala ($s_i + s_j$).

2. Stima Separata dei Componenti:
   Vengono utilizzati stimatori ai minimi quadrati per stimare separatamente i vettori $u$ e $s$ (con vincoli di somma nulla):

   • Stima di $u$: Derivata dalla parte antisimmetrica $K$. Lo stimatore è la media delle righe di $K$.
   • Stima di $s$: Derivata dalla parte simmetrica $H$. Lo stimatore è una funzione lineare delle somme delle righe di $H$.

3. Calibrazione del Rumore Residuo:
   Una volta rimossi i componenti strutturati ($u$ e $s$), si analizza la matrice residua $\hat{E}$.
   Vengono introdotti due indicatori quadratici calcolati su $\hat{E}$:

   • Indicatore di Reciprocità Residua ($IR^2$): Misura la deviazione residua dalla reciprocità.
   • Indicatore di Triangolarità Residua ($IC^2$): Misura la deviazione residua dalla consistenza additiva.
     Assumendo un modello di lavoro Gaussiano per il rumore, questi indicatori permettono di stimare:
   • $\hat{\sigma}$: La deviazione standard del rumore residuo.
   • $\hat{\rho}$: Il parametro di dipendenza tra giudizi opposti residui.

4. Diagnostica della Deformazione di Scala:
   Vengono definiti due indici per valutare se la deformazione di scala è accettabile:

   • $\Lambda$ (Rapporto Globale): Il rapporto tra la norma di Frobenius della parte simmetrica stimata e quella della parte antisimmetrica. Misura l'importanza globale della deformazione.
   • $\Gamma$ (Indice di Impatto sul Ranking): Confronta la massima deformazione locale ($2\|s\|_\infty$) con il minimo gap tra i punteggi di ranking latenti ($gap(u)$). Se $\Gamma > 1$, la deformazione potrebbe invertire il ranking.

5. Probabilità delle Regioni di Ranking:
   Invece di fornire un unico ranking, il metodo assegna probabilità alle diverse regioni di ranking (ordinamenti stretti) possibili. Utilizzando una distribuzione Gaussiana centrata sullo stimatore $\hat{u}$ con covarianza stimata da $\hat{\sigma}$ e $\hat{\rho}$, si calcola la probabilità che un certo ordinamento sia quello corretto.

3. Confronto con la Proiezione Reciproca "Brutale"

L'autore confronta il proprio approccio strutturato con la proiezione reciproca classica (che scarta $H$ e usa solo $K$).

• Stima del Ranking Centrale: In questo contesto di minimi quadrati, entrambi i metodi producono lo stesso stimatore per il vettore di ranking latente $\hat{u}$.
• Calibrazione dell'Incertezza: Qui risiede la differenza cruciale.
  • La proiezione brutale tratta l'intera parte simmetrica (inclusa la deformazione strutturata $s$) come rumore residuo. Questo inflaziona artificialmente la stima del rumore ($\hat{\sigma}$) e distorce la distribuzione di probabilità sulle regioni di ranking, rendendole più diffuse e meno informative.
  • L'approccio strutturato separa il segnale strutturato dal rumore, fornendo una calibrazione dell'incertezza più accurata e realistica.

4. Risultati e Illustrazioni Numeriche

Il paper presenta due tipi di illustrazioni numeriche:

1. Studio di Simulazione Locale: Dimostra che anche con un rumore moderato, la proiezione reciproca brutale può portare a matrici con pattern di segni non ammissibili per un ranking stretto (cicli) o recuperare un ranking diverso da quello latente originale dopo la consistenzizzazione.
2. Studio Parametrico con Deformazione di Scala: Fissando il rumore e aumentando progressivamente la deformazione strutturata $s$:
   • Il metodo strutturato mantiene costante la stima del rumore residuo ($\hat{\sigma} \approx \sigma_{vero}$) e riconosce la presenza della deformazione.
   • La proiezione brutale interpreta la deformazione strutturata come rumore aggiuntivo, portando a una sovrastima dell'incertezza e a una distribuzione di probabilità sui ranking eccessivamente diffusa, anche se il ranking centrale rimane stabile.

5. Contributi Chiave

1. Modello Additivo Deformato: Introduzione di un modello che distingue esplicitamente tra ranking latente, deformazione di scala strutturata e rumore casuale.
2. Stimatori Espliciti: Fornitura di formule analitiche per stimare i vettori di ranking e di scala, nonché per calibrare il rumore residuo tramite indicatori di reciprocità e triangolarità.
3. Diagnostica Decisionale: Definizione di indicatori ($\Lambda, \Gamma$) per quantificare se la non reciprocità è un rumore trascurabile o un segnale strutturato significativo.
4. Probabilità sulle Regioni di Ranking: Spostamento dall'output di un singolo ranking a una distribuzione di probabilità sulle possibili ordinazioni, permettendo di valutare la robustezza della decisione.
5. Ridefinizione dell'Incertezza: Dimostrazione che la proiezione reciproca classica può essere fuorviante quando la parte simmetrica contiene informazioni strutturate, portando a una valutazione errata dell'affidabilità del ranking.

6. Significato e Implicazioni

Il lavoro propone un cambio di paradigma nell'analisi dei confronti a coppie:

• Non più "correzione cieca": La non reciprocità non deve essere automaticamente eliminata come errore.
• Interpretazione Raffinata: La non reciprocità può essere un segnale di una variazione sistematica della scala di valutazione. Ignorarla (come fa la proiezione brutale) porta a sottostimare la struttura dei dati e a sovrastimare l'incertezza.
• Supporto Decisionale Migliore: Il metodo fornisce non solo un ordinamento, ma anche una diagnosi sulla qualità dei dati (quanto è affidabile il ranking, quanto è influenzato dalla scala di valutazione) e una misura probabilistica della stabilità della decisione.

In sintesi, l'approccio di Magnot offre un quadro più robusto e interpretabile per gestire dati decisionali imperfetti, distinguendo tra il "segnale" (ranking e deformazione strutturata) e il "rumore" (perturbazione casuale), migliorando così la fiducia nelle conclusioni tratte dai confronti a coppie.