论文技术总结：嘈杂非互反成对比较：尺度变异、噪声校准与可接受排序区域

论文标题：NOISY NONRECIPROCAL PAIRWISE COMPARISONS: SCALE VARIATION, NOISE CALIBRATION, AND ADMISSIBLE RANKING REGIONS
作者：Jean-Pierre Magnot
核心领域：决策分析、偏好建模、多准则评估、统计推断

---

1. 研究背景与问题定义

背景：
成对比较（Pairwise Comparisons）是决策分析、偏好 elicitation（引出）和多准则评估中的经典工具。在理想情况下，比较矩阵应满足互反性（Reciprocity），即 $a_{ji} = -a_{ij}$（在加法模型中），且满足传递性（Transitivity），即 $a_{ik} = a_{ij} + a_{jk}$。

问题：
在实际应用中，观测到的比较矩阵往往非互反（Nonreciprocal）且不一致。传统做法通常将非互反性视为一种缺陷，直接通过投影将其强制修正为互反矩阵，然后提取排序。
本文的核心观点：非互反性不应被盲目视为噪声。它可能包含两部分：

1. 随机扰动：由犹豫、疲劳或注意力分散引起的随机误差。
2. 结构化尺度变异（Structured Scale Deformation）：评估尺度发生了系统性偏移，导致 $a_{ij}$ 和 $a_{ji}$ 不是精确的相反数，而是反映了评估过程中的系统性变形。

核心问题：
当面对非互反矩阵时，如何区分多少不对称性应被视为残差噪声，多少应被视为有意义的、适度的评估尺度变形？传统的“粗暴投影”（Brutal Projection）方法会一次性丢弃所有对称信息，可能导致对不确定性的错误校准。

---

2. 方法论与模型构建

作者提出了一种加性分解模型，将观测矩阵 $X = (x_{ij})$ 分解为三个部分：

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

其中：

• $u = (u_1, \dots, u_n)$：潜在排序分量（Latent Ranking Component）。满足 $\sum u_i = 0$，代表备选方案的真实潜在得分。
• $s = (s_1, \dots, s_n)$：尺度变形分量（Scale Deformation Component）。满足 $\sum s_i = 0$，代表评估尺度的系统性局部变形（$s_i + s_j$ 项）。
• $\varepsilon_{ij}$：残差扰动（Residual Perturbation）。假设为高斯噪声，用于校准不确定性。

2.1 矩阵分解与估计

观测矩阵 $X$ 被自然分解为反对称部分 $K$ 和对称部分 $H$：

• $K = \frac{X - X^\top}{2} \approx u_i - u_j + \text{噪声}$
• $H = \frac{X + X^\top}{2} \approx s_i + s_j + \text{噪声}$

估计步骤：

1. 潜在排序估计 ($\hat{u}$)：利用反对称部分 $K$，通过最小二乘法估计 $u$。
   $$\hat{u}_i = \frac{1}{n} \sum_{j=1}^n K_{ij}$$
   注：此估计量与直接对 $X$ 进行互反投影得到的估计量完全相同。
2. 尺度变形估计 ($\hat{s}$)：利用对称部分 $H$，通过最小二乘法估计 $s$。
   $$\hat{s}_i = \frac{r_i - \bar{r}}{n-2}, \quad \text{其中 } r_i = \sum_{j \neq i} H_{ij}$$
3. 残差矩阵：定义拟合后的结构化矩阵 $\hat{M}_{ij} = \hat{u}_i - \hat{u}_j + \hat{s}_i + \hat{s}_j$，残差矩阵为 $\hat{E} = X - \hat{M}$。

2.2 噪声校准与诊断指标

基于残差矩阵 $\hat{E}$，作者引入了高斯工作模型（Gaussian Working Model），假设残差服从中心高斯分布，方差为 $\sigma^2$，且相反方向的残差存在相关性 $\rho$。

关键指标：

1. 残差三角缺陷指标 ($IC^2$)：衡量剩余的不一致性，用于估计噪声水平 $\hat{\sigma}$。
   $$\hat{\sigma}^2 = \frac{1}{3} IC^2(\hat{E})$$
2. 残差互反指标 ($IR^2$)：衡量相反方向残差的相关性，用于估计 $\hat{\rho}$。
   $$\hat{\rho} = \frac{3}{2} \frac{IR^2(\hat{E})}{IC^2(\hat{E})} - 1$$
3. 尺度变形诊断：
   • 全局比率 $\Lambda$：$\Lambda = \|\hat{S}\|_F / \|\hat{U}\|_F$，衡量尺度变形相对于排序分量的全局权重。
   • 排序兼容性指数 $\Gamma$：$\Gamma = 2\|\hat{s}\|_\infty / \text{gap}(\hat{u})$，衡量尺度变形是否大到足以翻转潜在的排序（即是否破坏了 $u$ 的排序结构）。

2.3 排序区域概率

不再仅输出一个中心排序，而是基于估计的 $\hat{u}$ 和校准后的协方差矩阵 $\hat{\Sigma}_u$，构建高斯分布 $U^* \sim \mathcal{N}_H(\hat{u}, \hat{\Sigma}_u)$。

• 计算每个严格排序区域（Ranking Region）的概率 $P(R)$。
• 通过蒙特卡洛模拟评估备选方案在特定排名（如前 $k$ 名）的概率。

---

3. 主要贡献

1. 模型创新：提出了一个包含“潜在排序”、“结构化尺度变形”和“随机噪声”的三元加性模型，明确区分了非互反性的两种来源。
2. 显式估计量：给出了潜在排序向量 $u$ 和尺度变形向量 $s$ 的闭式最小二乘估计量。
3. 不确定性校准：
   • 提出在去除结构化分量后校准残差噪声，而非直接在原始数据上校准。
   • 定义了 $\Lambda$ 和 $\Gamma$ 指标，用于量化尺度变形的影响程度。
4. 概率化排序输出：将点估计转化为排序区域的概率分布，提供了比单一排序更丰富的决策信息。
5. 与“粗暴投影”的对比：
   • 中心排序一致：在最小二乘框架下，本文方法与直接投影到互反矩阵的方法得到的中心排序 $\hat{u}$ 是相同的。
   • 不确定性差异巨大：如果存在显著的尺度变形，粗暴投影会将结构化变形误判为随机噪声，导致高估不确定性（概率分布更弥散），从而可能误导决策者。

---

4. 数值实验与结果

论文通过数值模拟和具体算例验证了方法的有效性：

1. 噪声导致的非互反性：

   • 即使原始潜在矩阵是完美互反且一致的，加入噪声后，直接进行互反投影可能导致矩阵符号模式出现循环（Cycle），使得严格排序不可行（Non-admissible）。
   • 随后的最小二乘一致性修正可能恢复出一个与原始潜在排序不同的排序。

2. 尺度变形的影响：

   • 在固定噪声水平下，逐渐增加尺度变形参数 $\tau$。
   • 结果：中心排序 $\hat{u}$ 保持不变，且只要变形适度，排序依然兼容。
   • 关键发现：
     • 本文方法：正确识别出尺度变形，校准后的残差噪声 $\hat{\sigma}$ 保持恒定，不确定性评估准确。
     • 粗暴投影：将尺度变形误读为噪声，导致估计的 $\hat{\sigma}$ 随 $\tau$ 增加而虚高，$\hat{\rho}$ 出现虚假的正相关。这使得排序区域的概率分布变得过于弥散，错误地暗示决策不确定性很高。

3. 决策启示：

   • 当尺度变形微弱时，两种方法结论相似。
   • 当尺度变形中等或显著时，粗暴投影会掩盖结构化信息，导致对数据支持度的误判。

---

5. 意义与结论

理论意义：

• 挑战了“非互反性即缺陷”的传统观念，提出非互反性可能是评估尺度系统性变形的信号。
• 将几何投影方法与统计不确定性校准相结合，为成对比较数据提供了更精细的解释框架。

实际应用价值：

• 决策支持：决策者不仅知道“谁排第一”，还能知道“数据在多大程度上支持这一排序”。
• 诊断工具：通过 $\Lambda$ 和 $\Gamma$ 指标，决策者可以判断是否应该接受当前的排序，或者是否需要重新审视评估过程（是否存在系统性偏差）。
• 避免误导：防止在存在结构化变形的情况下，因错误的高估噪声而放弃原本可靠的排序结论，或因错误地认为数据一致而忽略潜在的评估偏差。

总结：
本文提出了一种结构化的方法来处理嘈杂的非互反成对比较数据。其核心不在于改变中心排序的估计（在最小二乘意义下与投影法一致），而在于重新解释对称部分并校准不确定性。这种方法能够区分“随机噪声”和“有意义的尺度变形”，从而提供更准确、更可信的决策支持信息。