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

Resumo Técnico: Comparações Pareadas Não Recíprocas com Ruído

1. O Problema

As comparações pareadas são ferramentas fundamentais na análise de decisão, modelagem de preferências e avaliação multicritério. No cenário ideal, a matriz de comparação $A = (a_{ij})$ é recíproca (na formulação aditiva, $a_{ji} = -a_{ij}$) e consistentemente aditiva (satisfazendo $a_{ik} = a_{ij} + a_{jk}$), o que permite derivar um vetor de pontuação latente único e uma ordenação global clara.

No entanto, em aplicações reais, as matrizes observadas frequentemente violam a reciprocidade ($a_{ij} \neq -a_{ji}$). A abordagem padrão na literatura trata essa não-reciprocidade como um defeito que deve ser corrigido imediatamente, geralmente projetando a matriz observada no espaço das matrizes recíprocas (eliminando a parte simétrica).

A questão central do artigo: A não-reciprocidade observada é apenas ruído aleatório (erros de julgamento, hesitação) ou pode refletir uma variação estruturada na escala de avaliação (uma deformação sistemática do processo de elicitação)? A correção "bruta" (projeção recíproca) pode eliminar informações estruturadas valiosas, levando a uma calibração incorreta da incerteza.

2. Metodologia Proposta

O autor propõe um modelo aditivo estruturado que decompõe a matriz observada $X = (x_{ij})$ em três componentes distintos:

$$x_{ij} = (u_i - u_j) + (s_i + s_j) + \varepsilon_{ij}, \quad i \neq j$$

Onde:

• $u = (u_1, \dots, u_n)$: Vetor de pontuação latente que carrega a informação de ordenação global (com $\sum u_i = 0$).
• $s = (s_1, \dots, s_n)$: Vetor de deformação de escala estruturada (com $\sum s_i = 0$). O termo $(s_i + s_j)$ descreve uma variação sistemática na escala de avaliação, permitindo que a matriz subjacente seja não-recíproca de forma estruturada.
• $\varepsilon_{ij}$: Perturbação aleatória residual. Assume-se um modelo de trabalho Gaussiano, onde o erro é resultado da acumulação de muitos pequenos efeitos (Princípio do Limite Central).

Etapas do Método:

1. Decomposição e Estimação Separada:

   • A matriz observada é decomposta em sua parte anti-simétrica ($K$) e simétrica ($H$).
   • A parte anti-simétrica ($K \approx u_i - u_j$) é usada para estimar o vetor de ordenação latente $\hat{u}$ via mínimos quadrados.
   • A parte simétrica ($H \approx s_i + s_j$) é usada para estimar o vetor de deformação de escala $\hat{s}$ via mínimos quadrados.
   • Nota: O estimador $\hat{u}$ obtido aqui é matematicamente idêntico ao obtido pela projeção recíproca bruta, mas a interpretação dos resíduos difere.

2. Calibração do Ruído Residual:

   • Após remover as componentes estruturadas ($\hat{u}$ e $\hat{s}$), calcula-se a matriz residual $\hat{E}$.
   • Introduzem-se dois indicadores quadráticos na matriz residual:
     • $IR^2(\hat{E})$: Mede o desvio residual da reciprocidade.
     • $IC^2(\hat{E})$: Mede o defeito triangular residual.
   • Sob o modelo Gaussiano, esses indicadores permitem estimar a variância do ruído ($\hat{\sigma}^2$) e a dependência entre julgamentos opostos ($\hat{\rho}$).

3. Diagnóstico de Deformação de Escala:

   • Define-se um índice global ($\Lambda$) e um índice local ($\Gamma$) para avaliar se a deformação de escala é moderada o suficiente para preservar a ordenação latente.
   • Condição de Compatibilidade: A deformação é considerada aceitável se não inverter a ordem latente, ou seja, se $2\|s\|_\infty < \text{gap}(u)$, onde $\text{gap}(u)$ é a menor diferença entre pontuações adjacentes na ordenação.

4. Probabilidades de Regiões de Ordenação:

   • Em vez de fornecer apenas uma ordenação central, o método atribui probabilidades a diferentes regiões de ordenação estrita no espaço de pontuações.
   • Utiliza-se uma distribuição Gaussiana centrada em $\hat{u}$ com covariância estimada a partir de $\hat{\sigma}$ e $\hat{\rho}$ para calcular a probabilidade de cada ordenação possível ser a correta.

3. Contribuições Principais

1. Modelo de Deformação de Escala: Introdução de um modelo que distingue explicitamente entre ruído aleatório e deformação estruturada da escala de avaliação, permitindo que a não-reciprocidade seja interpretada como um sinal significativo e não apenas como erro.
2. Estimadores Explícitos: Fornecimento de fórmulas analíticas para estimar os vetores de ordenação latente ($\hat{u}$) e de deformação de escala ($\hat{s}$) através de mínimos quadrados.
3. Calibração de Incerteza Aprimorada: Desenvolvimento de indicadores ($\Lambda, \Gamma, \hat{\sigma}, \hat{\rho}$) que quantificam a confiabilidade dos dados e a magnitude da deformação estruturada, permitindo uma calibração de ruído mais precisa do que a projeção recíproca tradicional.
4. Análise Probabilística de Ordenação: Transição de uma estimativa pontual para uma distribuição de probabilidade sobre as regiões de ordenação, oferecendo uma visão mais rica da incerteza na tomada de decisão.
5. Comparação Crítica com Projeção Bruta: Demonstração de que, embora a projeção recíproca bruta e o método estruturado produzam a mesma estimativa central de ordenação ($\hat{u}$), eles divergem drasticamente na quantificação da incerteza. A projeção bruta tende a tratar a deformação estruturada como ruído, inflando artificialmente a variância residual e produzindo distribuições de probabilidade excessivamente difusas (menos informativas).

4. Resultados e Ilustrações Numéricas

O artigo apresenta simulações e um exemplo prático que validam a metodologia:

• Cenário de Ruído Puro: Quando não há deformação de escala, o método estruturado e a projeção bruta convergem para resultados semelhantes.
• Cenário com Deformação Estruturada: Quando existe uma deformação de escala moderada:
  • O método estruturado identifica corretamente a deformação, mantendo uma estimativa de ruído residual baixa e precisa.
  • A projeção bruta falha em separar os efeitos, interpretando a deformação como ruído. Isso resulta em uma estimativa de ruído inflada e uma probabilidade de confiança na ordenação central artificialmente baixa.
• Admissibilidade de Ordenação: O estudo mostra que, em níveis de ruído moderados, a projeção bruta pode gerar matrizes recíprocas cujos sinais são incompatíveis com qualquer ordenação estrita (ciclos), exigindo correções adicionais que podem alterar a ordenação original. O método estruturado evita essa armadilha ao modelar a assimetria corretamente.

5. Significado e Implicações

A principal contribuição deste trabalho é uma mudança de perspectiva na análise de dados de comparações pareadas:

• Diagnóstico vs. Correção: Em vez de corrigir automaticamente a não-reciprocidade, o método propõe diagnosticar sua origem (ruído vs. estrutura).
• Tomada de Decisão Informada: Para decisores, não basta saber "qual é a melhor opção". É crucial saber "quão confiável é essa ordenação". O método estruturado fornece essa confiança ao distinguir entre incerteza genuína (ruído) e viés sistemático (deformação de escala).
• Aplicabilidade: O método é particularmente útil em contextos onde a escala de avaliação pode variar sistematicamente (ex.: fadiga do avaliador, mudanças de contexto, agregação de julgamentos heterogêneos), evitando que informações estruturadas valiosas sejam descartadas como erro.

Em resumo, o artigo oferece um framework robusto para lidar com a não-reciprocidade, transformando um problema tradicionalmente visto como um defeito em uma fonte de informação sobre a estrutura do processo de decisão e a incerteza associada.