💰 quantitative finance

Preference Analysis Using Random Spanning Trees: A Stochastic Sampling Approach to Inconsistent Pairwise Comparisons

Dit artikel presenteert een stochastische bemonsteringsmethode op basis van willekeurige opspannende bomen om voorkeursonzekerheid te kwantificeren en robuuste rangschikkingen te genereren uit inconsistent of onvolledig gepaarde vergelijkingen, zonder de noodzaak van een ondoenlijke volledige enumeratie.

Oorspronkelijke auteurs: Salvatore Greco, Sajid Siraj, Michele Lundy

Gepubliceerd 2026-02-27

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Salvatore Greco, Sajid Siraj, Michele Lundy

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Kern: Waarom "Onzekerheid" eigenlijk een goed ding is

Stel je voor dat je een nieuwe auto moet kopen. Je vraagt je vrienden om hun mening: "Is Prijs belangrijker dan Snelheid?" of "Is Snelheid belangrijker dan Uiterlijk?".

In de traditionele wereld van besluitvorming (zoals de bekende AHP-methode) wordt er van je verwacht dat je perfect logisch bent. Als je zegt dat Prijs twee keer zo belangrijk is als Snelheid, en Snelheid drie keer zo belangrijk als Uiterlijk, dan moet je logischerwijs zeggen dat Prijs zes keer zo belangrijk is als Uiterlijk.

Maar mensen zijn geen computers. Soms zeggen we: "Nou, Prijs is eigenlijk maar vier keer zo belangrijk als Uiterlijk."

De oude manier: Zegt: "Je hebt een fout gemaakt! Je bent inconsistent. Laten we die fout corrigeren en één 'perfect' antwoord berekenen." Hierdoor gaan we de echte, menselijke twijfel en complexiteit verliezen.
De nieuwe manier (dit artikel): Zegt: "Wacht eens even. Die 'fout' is eigenlijk geen fout. Het betekent dat je op dat moment meerdere gedachten tegelijk hebt. Soms weegt de prijs zwaar, soms het uiterlijk. Laten we die onzekerheid niet wegvegen, maar meten."

De Analogie: Het Bos van de Bomen

De auteurs gebruiken een wiskundig concept genaamd "Spanning Trees" (Spanningsbomen). Laten we dit vergelijken met een bos.

Het Bos (Alle mogelijke gedachten):
Stel je voor dat elke keer als je een keuze maakt (bijvoorbeeld: "Prijs is belangrijker dan Snelheid"), je een pad in een bos kiest. Omdat je inconsistent bent (je hebt soms twijfels), zijn er niet één, maar miljoenen mogelijke paden door dat bos die allemaal logisch kunnen zijn op basis van wat je hebt gezegd.
- Elk pad vertegenwoordigt één specifieke "mindset" of gedachtegang van jou.
- Als je alle paden zou volgen, zou je een enorme verzameling van mogelijke uitkomsten krijgen.
Het Probleem: Te veel bomen om te tellen:
In een klein bosje (een klein probleem) kun je alle paden nog wel tellen. Maar in een groot bos (een groot bedrijfsprobleem met veel opties en criteria) zijn er miljarden paden. Het is onmogelijk om ze allemaal één voor één te lopen en te tellen. Dat duurt te lang.
De Oplossing: De Willekeurige Wandeltocht (Random Walk):
In plaats van het hele bos te verkennen, laten de auteurs voorstellen om een willekeurige wandeling te maken.
- Je loopt 20.000 keer een willekeurig pad door het bos.
- Je kijkt niet naar elke boom, maar je neemt een steekproef.
- Door statistiek te gebruiken, weten we dat als je genoeg wandelingen doet (bijvoorbeeld 20.000), je een heel betrouwbaar beeld krijgt van het hele bos, zonder dat je het hele bos hoeft te doorzoeken.

Wat levert dit op? (De Twee Magische Getallen)

Door deze wandelingen te doen, krijgen we geen enkel "winnaar"-antwoord, maar twee heel nuttige statistieken:

De Kans op Winnaar (PWI - Pairwise Winning Index):
- Vraag: "Hoe groot is de kans dat Auto A beter is dan Auto B?"
- Antwoord: "In 91% van de wandelingen was Auto A beter. In 9% was Auto B beter."
- Betekenis: Je weet nu niet alleen wie wint, maar ook hoe zeker je daarover kunt zijn. Als het 51% tegen 49% is, moet je voorzichtig zijn. Als het 99% tegen 1% is, weet je zeker dat A beter is.
De Kans op een Plaats (RAI - Rank Acceptability Index):
- Vraag: "Wat is de kans dat Auto A eerste wordt?"
- Antwoord: "In 50% van de wandelingen was het eerste, in 40% tweede, en in 10% derde."
- Betekenis: Je ziet de stabiliteit van je keuze. Een auto die vaak wisselt tussen 1e en 4e plaats is een riskante keuze. Een auto die bijna altijd 1e of 2e is, is een veilige keuze.

Het Grote Voorbeeld: Telecommunicatie in het Platteland

De auteurs testen hun methode op een echt groot probleem: het kiezen van de beste manier om dorpen in ontwikkelingslanden te verbinden met internet (via glasvezel, satelliet, etc.).

Het probleem: Er waren miljarden mogelijke combinaties van meningen en criteria. Een computer zou jaren nodig hebben om alles uit te rekenen.
De oplossing: Ze lieten de computer 20.000 keer "willekeurig wandelen" door de mogelijke oplossingen.
Het resultaat: Ze kregen binnen een paar seconden een betrouwbaar antwoord. Ze zagen bijvoorbeeld dat "Satelliet" en "Mikrogolven" de beste opties waren, maar dat er een kleine twijfel was over welke van de twee precies de beste was. De traditionele methode zou misschien alleen hebben gezegd: "Satelliet wint", zonder die nuance.

Waarom is dit belangrijk voor jou?

Stel je voor dat je een school moet kiezen voor je kind.

Oude methode: "School A is de beste. Kijk, hier is je cijfer." (Puntje op de i).
Nieuwe methode: "School A heeft een 60% kans om de beste te zijn, maar School B heeft een 40% kans. Als je School A kiest, is de kans 90% dat je niet teleurgesteld wordt. Maar als je School B kiest, is de kans 80% dat die laatste is."

Dit helpt beslissers om bewuster te kiezen. Je weet niet alleen wat de beste optie is, maar ook hoeveel risico je neemt.

Samenvatting in één zin

In plaats van te proberen de menselijke twijfel en inconsistentie weg te rekenen tot één perfect antwoord, gebruiken deze onderzoekers een slimme wiskundige "wandeltocht" om alle mogelijke gedachten van een beslissingsnemer te meten, zodat je weet hoe zeker je kunt zijn van je keuze.

1. Probleemstelling

In de besluitvorming worden voorkeuren vaak geëliciteerd via paarwijze vergelijkingen (pairwise comparisons), waarbij een beslissingsnemer (DM) alternatieven of criteria twee aan twee vergelijkt. Het fundamentele probleem is dat menselijke oordelen inherent onnauwkeurig en inconsistent zijn.

Traditionele aanpak: Bestaande methoden (zoals AHP met de eigenvector-methode of de rij-geometrisch gemiddelde methode) behandelen inconsistentie als meetfout die moet worden geminimaliseerd of gecorrigeerd. Ze genereren één enkel "waar" prioriteitsvector, waardoor de informatie die in de inconsistentie zit (de onzekerheid in de voorkeuren) verloren gaat.
Het dilemma: De Spanning Tree-benadering (op basis van grafentheorie) biedt een conceptueel superieure manier om alle mogelijke prioriteitsvectoren te vinden die consistent zijn met de oordelen van de DM. Dit onthult echter een exponentieel groeiend aantal combinaties. Voor een realistisch probleem met slechts een paar criteria en alternatieven kan het aantal mogelijke combinaties in de miljarden lopen, wat volledige enumeratie (het uitrekenen van alle opties) computationeel onmogelijk maakt.

2. Methodologie

De auteurs introduceren een stochastische steekproefbenadering die de exponentiële barrière omzeilt zonder de statistische geldigheid te verliezen.

Conceptuele verschuiving: In plaats van inconsistentie als fout te zien, wordt het geïnterpreteerd als voorkeursonzekerheid. De inconsistentie suggereert dat de beslissingsnemer meerdere geldige perspectieven (mindsets) tegelijkertijd bezit.
Spanning Trees: Een paarwijze vergelijkingenmatrix wordt omgezet in een graaf. Een "spanning tree" (opspannende boom) bestaat uit een subset van onafhankelijke vergelijkingen die voldoende zijn om een prioriteitsvector te berekenen. Elke unieke combinatie van spanning trees (één voor elke criterium en één voor de criteria-gewichten) vertegenwoordigt een specifieke, coherente voorkeursorde.
Stochastische Steekproef (Random Walk): Omdat het tellen van alle $m^{m-2} \cdot n^{n-2}$ $m^{m - 2} \cdot n^{n - 2}$ combinaties onhaalbaar is, gebruiken de auteurs een random walk-procedure (gebaseerd op werk van Aldous en Broder).
- Deze procedure genereert een statistisch representatieve steekproef van spanning trees zonder de volledige populatie te hoeven genereren.
- Het bewezen is dat deze methode een uniforme verdeling van de steekproef garandeert.
Statistische Validatie: Het benodigde aantal iteraties ($It$) voor een gewenste nauwkeurigheid ( $\lambda$ ) en betrouwbaarheidsniveau ( $C$ ) wordt bepaald via de formule:
$It(\lambda, C) = \frac{Z_C^2}{4\lambda^2}$
Waarbij $Z_C$ de z-score is. Voor een nauwkeurigheid van 1% bij 99% betrouwbaarheid zijn ongeveer 16.641 iteraties voldoende.
Metrieken: Op basis van de steekproef worden twee kernmetrieken berekend:
1. Pairwise Winning Index (PWI): De kans dat alternatief $A$ wordt verkiest boven alternatief $B$ .
2. Rank Acceptability Index (RAI): De kans dat een alternatief een specifieke rang (bijv. 1e, 2e) behaalt.
Onvolledige Data: Een groot voordeel is dat deze methode direct toepasbaar is op onvolledige paarwijze vergelijkingen (waarbij de DM niet alle paren heeft beoordeeld). Er is geen imputatie (invullen van ontbrekende waarden) nodig; de Kirchhoff-formule maakt het mogelijk om spanning trees te genereren uit partiële matrices.

3. Belangrijkste Bijdragen

Oplossing voor Computationele Complexiteit: De auteurs bieden een praktische oplossing voor het "vermoeiende" probleem van exponentiële groei bij spanning tree-analyses door over te stappen van volledige enumeratie naar statistisch onderbouwde steekproeven.
Kwalitatieve Interpretatie van Inconsistentie: Ze reconceptualiseren inconsistentie niet als ruis, maar als een waardevolle indicator van voorkeursonzekerheid en pluraliteit van mindsets.
Robuuste Metrieken: De introductie van PWI en RAI biedt beslissingsnemers probabilistische inzichten in plaats van een enkel punt-estimant. Dit laat zien hoe "sterk" een voorkeur is en hoe stabiel een rangschikking is.
Toepasbaarheid op Onvolledige Data: De methode vereist geen volledige dataset, wat cruciaal is voor grote, realistische problemen waar beslissingsnemers niet elke vergelijking kunnen maken.

4. Resultaten en Validatie

De methode werd getest op twee niveaus:

Didactisch Voorbeeld (Schoolkeuze):
- Een probleem met 3 alternatieven en 6 criteria (ongeveer 944.784 combinaties).
- De resultaten van de random walk-steekproef (20.000 iteraties) kwamen binnen 1% overeen met de resultaten van de volledige enumeratie.
- Dit toonde aan dat de stochastische methode de verdeling van mindsets nauwkeurig kan vastleggen (bijv. School A heeft 51% kans op 1e plaats, School B 49%).
Real-world Casestudy (Telecommunicatie-infrastructuur):
- Een probleem met 4 alternatieven (Fiber, Powerline, Microwave, Satellite) en 6 criteria.
- Het totale aantal mogelijke spanning tree-combinaties bedroeg 21,7 miljard.
- Door 20.000 iteraties te draaien, konden betrouwbare PWI's en RAIs worden berekend met een standaardafwijking van minder dan 0,005.
- Resultaat: Fiber en Powerline bleken duidelijk gedomineerde opties. Microwave en Satellite waren de dominante opties, maar er was geen duidelijke winnaar tussen deze twee (51% kans voor Microwave vs 49% voor Satellite). De traditionele AHP-methode zou hier mogelijk een willekeurige keuze hebben gemaakt, terwijl de nieuwe methode de onzekerheid kwantificeerde.

5. Betekenis en Conclusie

Deze paper biedt een fundamentele bijdrage aan de operationele besluitvorming:

Schaalbaarheid: Het maakt geavanceerde analyse van inconsistentie mogelijk voor grote, realistische problemen die voorheen te groot waren voor analyse.
Besluitvormingskwaliteit: Het verschuift de focus van "welk alternatief wint?" naar "hoe zeker zijn we dat dit alternatief wint?". Dit ondersteunt robuustere beslissingen in onzekere omgevingen.
Praktische Toepasbaarheid: De methode is implementeerbaar zonder zware data-eisen (werkt met onvolledige data) en levert direct interpreteerbare waarschijnlijkheidsuitspraken op.

Kortom, de auteurs transformeren de spanning tree-benadering van een theoretisch concept dat beperkt was door rekenkracht, naar een praktisch, schaalbaar instrument voor besluitvorming onder onzekerheid.