Olasılıksal ARAS

Burada dürüst olmak gerekir: DecisionMind'ın bugünkü Olasılıksal ARAS motoru, kesin ARAS'ın adımlarını (optimal alternatif kurma, sütun toplamına oranlama, ağırlıklama, toplam, fayda derecesi) değiştirmeden, olduğu gibi çalıştırır. Hiçbir adımda dağılımdan örnekleme, güven aralığı ya da kabul edilebilirlik oranı hesaplanmaz.

Hücreler. Kesin ARAS'ta her hücre, doğrudan ölçülmüş ya da yargılanmış tek bir sayıdır. Burada her hücre de tek bir sayıdır, ama bu sayı bir dağılımdan türetilmiş bir temsilci değerdir: en sık kullanılan seçim beklenen değerdir (dağılımın ortalaması), bazen de tek bir öne çıkan senaryonun değeridir. Hücrenin kendisi hesapta bir dağılım olarak değil, kesin bir sayı olarak görünür.

Ölçek eşitleme, ağırlıklama, toplam. Bu üç adımın hiçbiri kesin ARAS'tan farklı değildir: aynı sütun toplamına oranlama, aynı ağırlıklı toplam, aynı fayda derecesi tanımı (K=S/S₀) kullanılır. Farkı olan bir uzaklık, skor ya da birleştirme kuralı yoktur.

Sonuç ve yorum. Fayda derecesi K, kesin ARAS'takiyle aynı tanımı taşır: optimal alternatife göre yüzdesel fayda. Ama K'nin altındaki sayı artık bir dağılımın özetidir; hücrenin kendi belirsizliği (standart sapma, güven aralığı) hesaba hiçbir noktada girmez ve sonuçta görünmez. İki alternatifin beklenen değeri yakınsa ama biri çok daha geniş bir dağılımdan geliyorsa, bu fark K'de hiç yansımaz.

DecisionMind'ın bugünkü sürümü, olasılıksal veri türü kartında anlatılan tam yöntemi, yani çok sayıda senaryonun taranıp her alternatif için "ne sıklıkla ilk sırada çıktığı" oranının hesaplandığı kabul edilebilirlik analizini (SMAA türü yöntemler) uygulamaz. Uygulanan, tek bir temsilci senaryo ya da beklenen değer üzerinde çalışan kesin ARAS'tır. Bu, veri türü kartının vaat ettiği yöntemle motorun bugün yaptığı iş arasındaki önemli bir farktır ve bu kart bu farkı gizlemez.

Fayda derecesi K burada da kesin ARAS'taki gibi okunur: en iyi seçenek 100 kabul edilir, diğerleri ona göre bir yüzde alır; bu yüzde yalnız bu seçenek kümesi ve bu ağırlıklar için geçerlidir. Fark şurada: K, dağılımdan türetilmiş bir sayı üzerinde hesaplanmıştır ama dağılımın genişliği raporda görünmez. K=0,95 ile K=0,85 arasındaki fark, eğer bu sayılar geniş dağılımlardan gelen ortalamalarsa, aynı büyüklükteki bir farkın dar dağılımlardan gelmesinden çok daha az güvenilirdir; ama bu güvenilirlik farkını motor kendisi göstermez, raporu yazan kişi ayrıca belirtmelidir.

Bu nedenle:

"Olasılıksal ARAS'a göre A2 yüzde 95 olasılıkla en iyi seçenektir"

yerine:

"Verilen beklenen değerlerle ve ağırlıklarla (0,40; 0,35; 0,25) A2 en yüksek fayda derecesine sahiptir (K=0,950); bu sayı bir olasılık değil, beklenen değerler üzerinden hesaplanmış orantısal bir fayda ölçüsüdür ve ağırlık ikinci kritere kaydırıldığında (0,10; 0,80; 0,10) A3 birinciliğe geçmektedir"

biçiminde yazmak doğrudur.

Kriter değeri bir ölçüm hatasından, örneklem hatasından ya da tarihsel bir seriden gelen bir dağılımın özetiyse bu yöntem uygundur. Bu özetin, genellikle beklenen değerin, tek bir temsilci sayı olarak kullanılması yeterli görülmelidir. Örnekler: geçmiş getiri serisinden hesaplanan ortalama getiri, geçmiş üretim serisinden hesaplanan ortalama üretim.

Karar vericinin ihtiyacı "hangi alternatif ne olasılıkla en iyi çıkar" sorusuna gerçek bir olasılık cevabı vermekse, bugünkü Olasılıksal ARAS motoru bu ihtiyacı karşılamaz; motor tek bir temsilci sayı üzerinde çalışan kesin ARAS'tır ve dağılımın genişliğini hesaba katmaz. Bu durumda tam bir kabul edilebilirlik analizi (SMAA türü yöntemler) ya da Monte Carlo simülasyonuyla desteklenmiş bir yöntem gerekir; DecisionMind'ın bugünkü PROB-ARAS'ı bu değildir. Kesin ARAS'ın çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da tam telafi edicidir, eşik altını elemez.

Beklenen değeri "olasılık" gibi raporlamak. K, hangi yöntemle hesaplanırsa hesaplansın bir olasılık değildir; burada ek olarak, hücreye giren sayının kendisi de bir dağılımın yalnız özetidir, dağılımın kendisi değildir. "K=0,95, yüzde 95 olasılıkla en iyi" cümlesi çift kattır yanlıştır.

Kaynağı olmayan bir beklenen değer uydurmak. Veri türü kartının kuralı burada da geçerlidir: beklenen değer bir seriden, simülasyondan ya da belgeden hesaplanmalıdır; "yaklaşık şu kadardır" diye bir sayı yazıp bunu beklenen değer diye sunmak olasılıksal yapıyı değil, bir yargıyı temsil eder ve bulanık yapıya girer.

Motorun bir kabul edilebilirlik analizi yaptığını sanmak. Kullanıcı ya da rapor okuyucusu, "Olasılıksal ARAS" adından yola çıkıp sonuçta bir "yüzde kaç olasılıkla ilk sırada" ifadesi bekleyebilir. Bugünkü motor bunu üretmez; ürettiği tek şey, temsilci sayılar üzerinde çalışan kesin ARAS'ın fayda derecesidir. Bu sınır raporda açıkça belirtilmelidir.

Dağılımın genişliğini görmezden gelmek. İki alternatifin beklenen değeri yakınsa ve biri çok daha değişken bir kaynaktan geliyorsa, yalnız K'ye bakmak bu riski gizler. Değişkenliği yüksek olan alternatif için standart sapma ayrıca raporlanmalıdır.

Temel ilke şudur:

Olasılıksal ARAS bugün, bir dağılımın temsilci sayısı üzerinde çalışan kesin ARAS'tır; bunu tam bir kabul edilebilirlik analizi gibi sunan ya da dağılımın genişliğini görmezden gelen her kullanım, motorun gerçekte ne yaptığını yanlış tanıtır.