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

1. 문제 제기 (Problem Statement)

• 배경: 쌍대 비교 (Pairwise Comparisons) 는 의사결정 분석, 선호도 모델링, 다기준 평가 등에서 널리 사용됩니다. 이상적인 상황에서는 비교 행렬이 **가역적 (reciprocal)**이어야 하며 ($a_{ji} = -a_{ij}$), 일관성 (consistency) 을 가져야 합니다 ($a_{ik} = a_{ij} + a_{jk}$).
• 현실적 문제: 실제 관측 데이터는 종종 가역적이지 않고 (nonreciprocal), 일관성도 없습니다. 기존 연구나 실무에서는 이러한 비가역성을 단순히 오차나 결함으로 간주하여 즉시 제거하거나, 관측 행렬을 가역 행렬 공간으로 투영 (projection) 하는 방식으로 처리합니다.
• 핵심 질문: 저자는 이러한 접근이 너무 단순화되었다고 지적합니다. 비가역성이 단순히 무작위 노이즈 때문일 수도 있지만, **평가 척도의 체계적인 변동 (structured scale variation)**을 반영할 수도 있기 때문입니다.
  • 질문: 관측된 비대칭성 중 얼마만큼이 잔여 노이즈로 간주되어야 하고, 얼마만큼이 의미 있는 평가 척도의 변형으로 해석되어야 하는가?

2. 방법론 (Methodology)

저자는 관측된 비교 행렬을 세 가지 구성 요소로 분해하는 **가법적 모델 (Additive Model)**을 제안합니다.

2.1. 수학적 모델

관측 행렬 $X = (x_{ij})$은 다음과 같이 모델링됩니다:
$$x_{ij} = u_i - u_j + s_i + s_j + \varepsilon_{ij}, \quad i \neq j$$
여기서:

• $u = (u_1, \dots, u_n)$: 잠재적 순위 (latent ranking) 벡터. ($u_i - u_j$는 대칭적이지 않은 부분, 즉 순위 정보 전달).
• $s = (s_1, \dots, s_n)$: 척도 변형 (scale deformation) 벡터. ($s_i + s_j$는 대칭적 부분, 즉 평가 척도의 체계적 왜곡).
• $\varepsilon_{ij}$: 무작위 섭동 (random perturbation). 중심극한정리에 기반하여 가우시안 분포를 가정합니다.

2.2. 추정 단계 (Estimation)

1. 분해: 관측 행렬 $X$를 반대칭 부분 ($K$) 과 대칭 부분 ($H$) 으로 분해합니다.
   • $K = (X - X^\top)/2$: 순위 정보 ($u_i - u_j$) 와 노이즈 포함.
   • $H = (X + X^\top)/2$: 척도 변형 정보 ($s_i + s_j$) 와 노이즈 포함.
2. 최소제곱법 (Least Squares) 추정:
   • 순위 벡터 $\hat{u}$ 추정: 반대칭 행렬 $K$를 기반으로 최소제곱법을 사용하여 $\hat{u}_i = \frac{1}{n}\sum_j K_{ij}$로 계산합니다.
   • 척도 변형 벡터 $\hat{s}$ 추정: 대칭 행렬 $H$를 기반으로 최소제곱법을 사용하여 $\hat{s}_i$를 추정합니다.
3. 잔차 행렬 (Residual Matrix): 추정된 구조적 성분 ($\hat{u}, \hat{s}$) 을 제거한 후 남은 잔차 행렬 $\hat{E}$를 계산합니다.
   $$\hat{E}_{ij} = x_{ij} - (\hat{u}_i - \hat{u}_j + \hat{s}_i + \hat{s}_j)$$

2.3. 노이즈 보정 및 진단 지표 (Calibration & Diagnostics)

잔차 행렬 $\hat{E}$를 사용하여 노이즈 수준과 척도 변형의 영향을 정량화합니다.

• 노이즈 레벨 추정 ($\hat{\sigma}$): 삼각형 불일치 지수 (Residual Triangular Indicator, $IC^2$) 를 사용하여 잔여 노이즈의 표준편차를 추정합니다.
• 의존성 추정 ($\hat{\rho}$): 가역성 잔차 지수 (Residual Reciprocity Indicator, $IR^2$) 를 사용하여 반대 방향의 잔차 간 상관관계를 추정합니다.
• 척도 변형 진단 지표:
  • $\Lambda$ (글로벌 비율): 추정된 척도 변형의 노름과 순위 성분의 노름 비율. 변형의 전반적 중요도 측정.
  • $\Gamma$ (순위 영향 지수): 척도 변형의 최대 크기와 잠재적 순위 간격 (gap) 의 비율. 변형이 실제 순위 결정에 영향을 미칠 수 있는지 (특히 인접한 항목 간) 판단.

2.4. 순위 영역 확률 (Ranking-Region Probabilities)

추정된 순위 벡터 $\hat{u}$와 보정된 노이즈 분산 ($\hat{\sigma}, \hat{\rho}$) 을 기반으로, 잠재적 순위 벡터가 가우시안 분포를 따른다고 가정합니다. 이를 통해 특정 순위 (예: $i \succ j \succ k$) 가 발생할 확률을 계산하고, 인접한 순위 영역들의 확률 분포를 제공합니다.

3. 주요 기여 (Key Contributions)

1. 구조적 모델 도입: 비가역적 쌍대 비교를 단순히 오차가 아닌, 잠재적 순위 + 체계적 척도 변형 + 잔여 노이즈로 분해하는 새로운 모델을 제시했습니다.
2. 명시적 추정기 개발: 잠재적 순위 벡터와 척도 변형 벡터를 분리하여 추정하는 명시적인 최소제곱 추정식을 유도했습니다.
3. 잔차 기반 노이즈 보정: 구조적 성분을 제거한 후 잔차 행렬을 분석하여 실제 노이즈 수준 ($\hat{\sigma}$) 과 의존성 ($\hat{\rho}$) 을 보정하는 방법을 제안했습니다.
4. 의사결정 진단 도구: 척도 변형이 전역적으로 약한지 ($\Lambda$), 국소적으로 순위 결정에 영향을 미치는지 ($\Gamma$) 를 판단하는 지표를 개발했습니다.
5. 확률적 순위 출력: 단일 순위 대신, 데이터가 지지하는 순위 영역들의 확률 분포를 제공하여 의사결정자의 불확실성을 정량화합니다.

4. 결과 및 비교 분석 (Results & Comparison)

• 중앙 순위 추정치的一致性: 제안된 구조적 접근법과 기존의 "가혹한 가역 투영 (Brutal Reciprocal Projection, 대칭 부분 무시)" 방법은 중앙 순위 추정치 ($\hat{u}$) 는 동일하게 산출합니다.
• 불확실성 보정의 차이:
  • 가혹한 투영: 대칭 부분 (척도 변형) 을 모두 노이즈로 간주하여 잔여 변동을 과대평가합니다. 이로 인해 순위 영역에 대한 확률 분포가 지나치게 확산 (diffuse) 되어, 데이터가 지지를 제공하는 정도를 과소평가하게 됩니다.
  • 구조적 접근: 척도 변형을 별도의 구조로 분리하므로, 실제 노이즈 수준을 더 정확하게 보정합니다. 척도 변형이 유의미할 경우, 이는 단순한 노이즈가 아닌 해석 가능한 정보로 간주되어 더 정밀한 불확실성 평가를 가능하게 합니다.
• 시뮬레이션 결과:
  • 노이즈만 존재할 때: 두 방법 모두 유사한 결과를 보이지만, 노이즈가 크면 가혹한 투영은 순위의 부합성 (admissibility) 을 잃거나 원래 순위를 잘못 복원할 수 있습니다.
  • 척도 변형이 존재할 때: 중앙 순위는 동일하지만, 가혹한 투영은 변형을 노이즈로 오인하여 불확실성을 과장합니다. 구조적 접근은 변형의 크기와 영향을 정확히 진단합니다.

5. 의의 및 결론 (Significance & Conclusion)

• 패러다임 전환: 비가역성을 무조건 제거해야 할 결함으로 보지 않고, 의미 있는 신호 (체계적 변형) 일 수 있음을 인식하게 합니다.
• 의사결정 지원 강화: 단순히 "어떤 순서가 최선인가"를 넘어, "해당 순서가 데이터에 의해 얼마나 강력하게 지지되는가"와 "불확실성의 원인이 노이즈인지 체계적 변형인지"를 구분하여 제공합니다.
• 실용적 함의: 척도 변형이 미미할 때는 기존 방법 (가역 투영) 을 사용해도 무방하지만, 변형이 유의미할 경우 이를 무시하면 불확실성 평가가 왜곡되어 잘못된 의사결정을 초래할 수 있음을 경고합니다.

이 논문은 쌍대 비교 데이터의 해석에 있어 구조적 변형과 무작위 노이즈를 구분하는 정교한 프레임워크를 제공함으로써, 불확실성 하에서의 의사결정 분석의 신뢰성을 높이는 데 기여합니다.