Mean-based incomplete pairwise comparisons method with the reference values

이 논문은 기준 값을 활용하여 불완전 쌍대 비교 행렬의 가중치 벡터를 계산하는 두 가지 확장된 추정 방법 (산술 및 기하학적 HRE) 을 제안하고, 특히 기하학적 방법의 최적성과 해의 존재성을 증명하며 산술 방법의 해 존재 조건을 제시합니다.

핵심

이 논문은 **"어떤 것을 선택할 때, 모든 것을 다 비교하지 않아도 되는 똑똑한 방법"**을 제안합니다.

기존의 의사결정 방법 (AHP 등) 은 모든 대안을 서로 일일이 비교해야 했습니다. 하지만 대안이 10 개라면 45 번, 100 개라면 4,950 번이나 비교해야 하므로 너무 번거롭고 지칩니다. 이 논문은 **"이미 가치가 알려진 몇 가지 기준 (참조 값) 을 이용해서, 나머지 미지의 대안들을 더 쉽고 정확하게 계산해내는 방법"**을 개발했습니다.

이 내용을 쉽게 이해할 수 있도록 세 가지 핵심 비유로 설명해 드리겠습니다.

---

1. 비유: "미지의 별자리와 이미 알려진 기준점"

상상해 보세요. 밤하늘에 새로운 별들이 많이 떠 있습니다. 우리는 이 별들의 밝기를 측정하고 싶지만, 망원경으로 모든 별을 일일이 비교할 수는 없습니다.

• 기존 방법: 모든 별끼리 서로 밝기를 비교하라고 하면, 천문학자는 미쳐버릴 것입니다.
• 이 논문의 방법: 하늘에 이미 밝기를 정확히 알고 있는 **'기준 별 (참조 값)'**이 몇 개 있다고 가정합니다.
  • "새로운 별 A 는 기준 별 X 보다 조금 어둡고, 기준 별 Y 보다 조금 밝다."
  • "새로운 별 B 는 기준 별 X 와 비슷하다."
  • 이렇게 알려진 기준 별들과의 관계만 파악하면, 나머지 모든 별들의 밝기를 수학적으로 계산해 낼 수 있습니다.

이 논문은 이 '기준 별'을 활용하는 두 가지 계산 방식을 제안합니다.

1. 산술 평균 방식 (Arithmetic): "A 는 X 보다 2 배 밝고, Y 보다 0.5 배 밝다면, 그냥 두 값을 더해서 평균을 내자." (직관적이고 계산이 쉽습니다.)
2. 기하 평균 방식 (Geometric): "A 의 밝기는 X 와 Y 의 관계를 곱하고 제곱근을 취한 값이다." (수학적으로 더 완벽하고 오류가 적습니다.)

2. 비유: "요리 대회와 심사위원"

여러분이 새로운 요리를 평가하는 심사위원이라고 상상해 보세요.

• 문제: 새로운 요리 4 가지 (버섯, 토르티야, 아보카도, 그릴로) 와 기존에 인기 있던 요리 2 가지 (수프, 치즈) 가 있습니다. 모든 요리를 서로 비교하면 15 번을 해야 하지만, 심사위원들은 피곤해서 일부만 비교했습니다.
• 해결책:
  • 기존 인기 요리 (수프, 치즈) 의 점수는 이미 정해져 있습니다 (예: 수프 6 점, 치즈 4 점).
  • 새로운 요리들은 이 기존 요리들과만 비교하면 됩니다.
  • "버섯은 수프보다 맛있고, 치즈보다 덜 맛있다"라고만 말하면, 수학 공식을 통해 버섯의 정확한 점수를 유추해 낼 수 있습니다.

이 논문은 **"비교하지 않은 부분도, 알려진 기준을 통해 자연스럽게 채워진다"**는 것을 증명했습니다. 특히 기하 평균 방식은 수학적으로 "가장 오차가 적은 최적의 답"을 보장한다고 합니다.

3. 비유: "퍼즐 조각 맞추기"

완전한 퍼즐 (모든 비교가 있는 경우) 을 맞추는 것은 어렵지만, 이 논문은 일부 퍼즐 조각이 빠져 있어도 나머지 조각을 끼워 넣을 수 있는 방법을 제시합니다.

• 산술 방식: 빠진 조각을 "대충 평균을 내서" 채우는 방법입니다. 빠진 조각이 많으면 답이 나오지 않을 수도 있습니다.
• 기하 방식: 빠진 조각을 "수학적 법칙"으로 채우는 방법입니다. 이 방법은 빠진 조각이 많아도 **반드시 답이 나온다는 것 (해의 존재성)**을 수학적으로 증명했습니다. 마치 퍼즐이 비어 있어도, 가장자리만 알면 전체 그림을 복원할 수 있는 마법 같은 규칙을 찾은 것과 같습니다.

---

요약: 왜 이 연구가 중요한가요?

1. 시간과 비용 절감: 모든 것을 다 비교할 필요 없이, 중요한 기준 몇 가지만 정하고 나머지를 계산하면 됩니다.
2. 유연성: 기준이 되는 대안 (참조 값) 을 몇 개나 쓸지, 비교를 얼마나 할지 결정권은 사용자 (의사결정자) 에게 있습니다.
3. 신뢰성: 특히 '기하 평균 방식'은 수학적으로 가장 최적의 답을 보장하며, 어떤 상황에서도 해가 존재함을 증명했습니다.
4. 실용성: 이 방법은 기존의 복잡한 의사결정 시스템 (AHP) 과 쉽게 결합할 수 있어, 실제 비즈니스나 정책 결정에 바로 적용할 수 있습니다.

결론적으로, 이 논문은 **"모든 것을 다 알지 않아도, 몇 가지 확실한 기준만 있으면 나머지를 정확히 추측할 수 있는 똑똑한 계산법"**을 개발하여, 복잡한 선택의 순간을 훨씬 가볍고 정확하게 만들어 줍니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 의사결정 과정에서 쌍대 비교 (Pairwise Comparisons, PC) 는 매우 오래되고 널리 사용되는 기법입니다. 특히 AHP(Analytic Hierarchy Process) 와 같은 방법론에서 핵심적인 역할을 합니다.
• 문제점:
  1. 불완전한 데이터: 실제 의사결정 상황에서는 모든 대안 간의 쌍대 비교를 수행하는 것이 어렵거나 비효율적인 경우가 많습니다. 기존 AHP 나 고유벡터 방법 (EVM), 기하평균 방법 (GMM) 은 완전한 비교 행렬을 가정하거나 이를 처리하는 데 한계가 있습니다.
  2. 참조 값 (Reference Values) 의 활용 부재: 일부 대안의 우선순위 (가중치) 가 이미 알려져 있거나 (예: 시장 데이터, 과거 성과, 절대적 기준), 참조 대안으로 설정된 경우, 이러한 정보를 불완전한 비교 행렬에 효과적으로 통합하여 미지의 대안 가중치를 산출하는 체계적인 방법이 부족했습니다.
  3. 해의 존재성 및 최적성: 불완전한 데이터와 참조 값을 동시에 고려할 때, 산술 평균 기반과 기하 평균 기반의 두 가지 접근법 중 어떤 것이 해를 보장하며, 어떤 것이 최적의 해를 제공하는지에 대한 이론적 근거가 명확하지 않았습니다.

2. 제안된 방법론 (Methodology)

저자들은 참조 값을 기반으로 한 불완전 쌍대 비교 행렬을 처리하기 위한 두 가지 새로운 정량적 방법을 제안했습니다. 이는 기존 Heuristic Rating Estimation (HRE) 방법의 확장입니다.

• 기본 가정:

  • 대안 집합 $A$는 우선순위를 알 수 없는 대안 집합 $A_U$와 우선순위가 이미 알려진 참조 대안 집합 $A_K$로 나뉩니다.
  • 비교 행렬 $C$는 일부 값이 결측 (?) 인 불완전 행렬입니다. 결측된 값 $c_{ij}=?$는 최종 가중치 비율 $w(a_i)/w(a_j)$로 간주하여 행렬을 보충합니다.
  • 참조 대안의 가중치는 고정되어 있으며, 이를 통해 미지 대안의 가중치를 추정합니다.

• 제안된 두 가지 변형:

  1. 산술 불완전 HRE (aiHRE, Arithmetic Incomplete HRE):
     • 각 대안의 가중치를 다른 모든 대안과의 비교 가중치의 산술 평균으로 추정합니다.
     • 선형 방정식 시스템 $Cw = b$를 풀어 가중치 벡터를 구합니다. 여기서 $C$는 보조 행렬, $b$는 참조 대안의 가중치에 기반한 상수 벡터입니다.
  2. 기하 불완전 HRE (giHRE, Geometric Incomplete HRE):
     • 각 대안의 가중치를 다른 모든 대안과의 비교 가중치의 기하 평균으로 추정합니다.
     • 로그 변환을 통해 비선형 시스템을 선형 시스템 $\bar{C}\bar{w} = \bar{b}$로 변환하여 풉니다. 여기서 $\bar{w}$는 가중치의 로그 값입니다.

3. 주요 기여 및 이론적 결과 (Key Contributions & Results)

A. 해의 존재성 증명 (Existence of Solution)

• giHRE (기하 평균):
  • 정리 21 및 23: 비연결 그래프 (disconnected components) 가 존재하더라도, 각 연결 성분 내의 적어도 하나의 대안이 참조 대안과 직접 비교된다면, 기하 평균 기반 방법 (giHRE) 은 항상 유일한 양의 실수 해를 가집니다.
  • 행렬 $\bar{C}$가 irreducibly diagonally dominant (불가약 대각 우세) 임을 증명하여 해의 존재성을 수학적으로 확립했습니다. 이는 giHRE 가 매우 강력한 안정성을 가짐을 의미합니다.
• aiHRE (산술 평균):
  • 정리 17 및 19: 산술 평균 기반 방법은 해가 존재하기 위한 충분 조건을 제시했습니다. (예: 참조 대안의 수, 결측 비교의 수, 비교 스케일의 범위 등에 대한 조건).
  • 그러나 이 조건이 충족되지 않더라도 해가 존재할 수 있음을 예시를 통해 보였으며, 해가 존재하지 않는 경우 최적화 문제로 접근할 수 있음을 제안했습니다.

B. 최적성 증명 (Optimality)

• 정리 25: 제안된 giHRE 방법은 최소 제곱 오차 함수 (Least Squares Error Function) 를 최소화하는 최적의 해임을 증명했습니다.
  • 이는 Crawford 가 제안한 완전 행렬에 대한 기하평균 방법 (GMM) 의 최적성 특성이, 참조 값을 포함하는 불완전 행렬 상황에서도 유지됨을 의미합니다.
  • 즉, giHRE 는 주어진 비교 데이터와 참조 값에 대해 가장 일관된 가중치 벡터를 제공합니다.

C. 일관성 있는 행렬에서의 동등성

• 정리 26 및 27: 쌍대 비교 행렬이 **일관적 (Consistent)**인 경우, aiHRE 와 giHRE 모두 동일한 가중치 벡터를 산출함을 증명했습니다. 이는 두 방법이 일관된 데이터에서는 동일한 논리를 따름을 보여줍니다.

4. 수치 예시 및 적용 (Numerical Examples)

• 세탁세제 광고 디자인 평가: 참조 디자인의 판매 증가율 (가중치) 을 기반으로 새로운 디자인 3 가지를 평가하는 사례를 통해 aiHRE 와 giHRE 를 적용했습니다. 두 방법 모두 유사한 순위 결과를 도출했습니다.
• 파티 안주 선정: 참조 안주 (수프, 치즈) 의 가중치를 고정하고, 비교가 불완전한 4 가지 새로운 안주 (버섯, 토르티야 등) 를 평가했습니다.
  • aiHRE 결과: $[12.251, 6.464, 3.612, 5.102, 6, 4]^T$
  • giHRE 결과: $[11.49, 5.82, 3.22, 4.621, 6, 4]^T$
  • 두 방법 모두 순위는 동일했으나, 구체적인 가중치 값에는 차이가 있었습니다.
• souvenir shop 가격 책정 예시: 일관성이 없는 (inconsistent) 데이터에서 aiHRE 는 산술 평균의 직관성 (예: 3 배 비싸고 0.5 배 싼 경우의 평균) 을 반영하는 반면, giHRE 는 기하 평균의 특성상 보수적인 (pessimistic) 평가에 더 큰 영향을 받아 더 낮은 가격을 제시했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실무적 유연성: 의사결정자 (DM) 는 참조 대안의 수와 비교의 범위를 자유롭게 선택할 수 있습니다. 최소 $n-1$개의 비교 (참조 대안과 연결) 만으로도 가중치를 산출할 수 있어, 비교 작업의 부담을 크게 줄여줍니다.
• AHP 와의 통합: 제안된 방법은 AHP 의 위계적 모델과 자연스럽게 통합됩니다. 모델의 각 노드에서 참조 대안을 설정할 수 있으며, 이는 순위 반전 (Rank Reversal) 현상을 방지하고 모델 확장성을 높입니다.
• 방법론 선택 가이드:
  • giHRE 추천: 해의 존재성이 보장되고, 최적성 (최소 제곱 오차) 이 입증되었으므로, **순위 결정 (Ranking)**이 주 목적일 때나 데이터가 불완전하고 일관성이 낮을 때 권장됩니다.
  • aiHRE 추천: 절대적 가치 추정이 목적일 때, 혹은 각 비교 평가가 동등한 확률로 발생한다고 가정할 때 산술 평균의 직관적 해석이 유리할 수 있습니다.
• 종합: 본 논문은 불완전 데이터와 참조 값을 동시에 처리하는 강력한 수학적 기반을 제공하며, 다기준 의사결정 (MCDM) 분야에서 AHP 의 실용성을 크게 향상시키는 기여를 했습니다.