NMD (New Method of Determining Objective Criterion Weights)

NMD de entropi, CRITIC ve LOPCOW gibi bir sıralama yöntemi değildir; seçenekleri sıralamaz, kriterlerin ağırlığını üretir. Elinizde seçenekler ve kriterlerden oluşan sayısal bir karar tablosu varsa, uzmana danışmadan tabloyu tarar ve toplamı 1 olan bir ağırlık vektörü çıkarır. Bu ağırlıklar sonra TOPSIS, VIKOR gibi bir sıralama yöntemine girdi olur.

Yöntemi Bulut, 2017'de gemi tahrik sistemi seçiminde kullanılan kriter ağırlıklandırma yöntemlerini karşılaştırdığı bir çalışmada önermiştir. Adı da doğrudan bunu söyler: "kriter ağırlıklarını belirlemenin yeni bir yolu". NMD'nin ayırt edici noktası, entropi ve CRITIC'in aksine dağılımın yayılımına değil, doğrudan sütun ortalamasına bakmasıdır.

Entropi, CRITIC ve LOPCOW ortak bir fikirden hareket eder: bir kriterde seçenekler ne kadar farklı değer alıyorsa, o kriter kararı o kadar belirler. NMD bu aileden biraz uzaklaşır: seçeneklerin birbirinden ne kadar ayrıştığına değil, hepsinin birlikte en iyi seçenekten ortalama olarak ne kadar uzakta kaldığına bakar. Ölçeklenmiş bir sütunda en iyi seçenek her zaman 1 değerini taşır; sütunun ortalaması 1'e ne kadar yakınsa, seçenekler o kriterde "iyiye" o kadar yakın demektir ve NMD'ye göre bu kriter az bilgi taşır. Ortalama 1'den ne kadar uzaksa, seçenekler o kriterde ortalama olarak zayıftır ve NMD bu kriteri daha ayırt edici sayıp yükseğe ağırlıklandırır.

Bunun bir sonucu vardır: NMD, bir kriterdeki tek bir aşırı değerden çok, seçeneklerin o kriterdeki genel konumundan etkilenir; bu yönüyle en büyük farka dayanan LODECI'den ve dağılımın düzgünlüğüne bakan entropiden ayrılır. "Seçenekler bu kriterde ortalama olarak ne kadar geridedir" sorusu kararı belirleyen doğru soru sayılabiliyorsa NMD doğru yerdedir.

Yöntem iki adımda ilerler.

Birinci adım, ölçek eşitleme. "Çoğu iyi" bir kriterde her değer sütunun en büyüğüne bölünür; "azı iyi" bir kriterde sütunun en küçüğü her değere bölünür. Sonuçta en iyi seçenek her kriterde 1 değerini alır, diğerleri 1'in altında kalır.

İkinci adım, ağırlık. Her sütunun ortalaması hesaplanır ve birden çıkarılır; bu fark, o kriterde seçeneklerin ortalama olarak en iyiden ne kadar uzak kaldığını gösterir. Bu farklar tüm kriterler için toplanır ve her kriterin kendi farkı bu toplama bölünerek ağırlık elde edilir.

Adımların formülleri ve ara tabloları DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

NMD ağırlığı, bir kriterin karar vericinin gözündeki önemini değil, seçeneklerin o kriterde ortalama olarak en iyiden ne kadar geride kaldığını ölçer. 0,41 ağırlık "bu kriter kararın yüzde 41'idir" demek değildir; "seçenekler bu kriterde ortalama olarak en iyi değerden en uzak durumda, bu yüzden bu kriter kararı en çok bu ölçüde ayırt ediyor" demektir. Bütün seçenekler bir kriterde en iyi değere eşitse (ortalama tam 1 ise) o kriterin farkı sıfır olur ve ağırlığı da sıfır çıkar; bu kriter tabloda hiçbir şeyi ayırt etmiyor demektir.

Ağırlıklar seçenek kümesine bağlıdır: bir seçenek eklenip çıkarıldığında sütun ortalaması değişir ve bütün ağırlıklar yeniden kurulur. NMD ortalamaya dayandığı için tek bir aşırı seçenekten LODECI kadar etkilenmez, ama seçenek sayısı azsa (iki üç seçenek) ortalama yine de tek bir değere aşırı duyarlı olabilir.

Bu nedenle:

"NMD analizi güvenilirliğin en önemli kriter olduğunu ortaya koydu"

yerine:

"Seçenekler güvenilirlik kriterinde ortalama olarak en iyi değerden en uzak konumda; NMD ağırlığı 0,41 bu uzaklığı yansıtır, kriterin karar vericinin gözündeki önceliğini değil"

biçiminde yazmak doğrudur.

Klasik NMD kesin (crisp) veriyle çalışır: her hücrede tek bir sayı bulunur. Değerlerin pozitif olması gerekir; sıfır bir "azı iyi" kriterde ölçek eşitleme adımını tanımsız kılar. DecisionMind'da NMD'nin şu an için bir uzantısı yoktur; tek üye olarak yer alır.

Elinizde şunlar olmalı: satırlarda seçenekler, sütunlarda kriterler, her hücrede pozitif bir sayı, boş hücre yok. Her kriter için "çoğu mu iyi, azı mı iyi" bilgisi gerekir, çünkü ölçek eşitleme bu yöne göre yapılır. Ağırlık girilmez; yöntem ağırlığı üretir. En az iki seçenek ve iki kriter gerekir; seçenek sayısı arttıkça ortalama daha istikrarlı hesaplanır.

Uzman görüşü yoksa ya da istenmiyorsa, kararı belirleyen şeyin seçeneklerin bir kriterde ortalama olarak en iyiden ne kadar geride kaldığı olduğu düşünülüyorsa NMD uygun bir ağırlık kaynağıdır. Mühendislik ve ekipman seçimi gibi, seçeneklerin teknik özelliklerinin ideal bir referans değere göre değerlendirildiği durumlarda anlamlı çalışır.

Kullanılmaması gereken durumlar felsefesinden gelir. Kararı belirleyen şey ortalama uzaklık değil de seçenekler arasındaki keskin farklarsa LODECI, dağılımın düzgünlüğüyse entropi daha uygun düşer. Karar vericinin bir kriteri açıkça öncelikli saydığı durumlarda NMD bunu göremez. Bir kriterde bütün seçenekler en iyi değere eşitse ağırlığı sıfır çıkar; bu kriter tablodan çıkarılmalıdır.

Uzman görüşü yok, ortalama uzaklık kararı belirliyor → NMD

Kararı en keskin fark belirliyor → LODECI

Kararı dağılımın düzgünlüğü belirliyor → Entropi

Karar vericinin önceliği sonuçta görünsün → AHP, BWM, SWARA (öznel)

NMD'nin en önemli üstünlüğü basitliğidir: hesap yalnız ölçekleme, ortalama ve normalize etmeden oluşur, ileri istatistik gerektirmez. Nesneldir, aynı tablo herkese aynı ağırlığı verir. Ortalamaya dayandığı için tek bir aşırı değerden LODECI kadar etkilenmez; bu, onu orta ölçekli tablularda daha istikrarlı kılar.

Sınırlılıkları aynı yapıdan doğar. Birincisi, ortalamaya dayandığı için bir kriterdeki gerçek ayırt edicilik (seçenekler birbirinden ne kadar farklı) ile ortalama uzaklık (seçenekler ortalama olarak en iyiden ne kadar geride) birbirine karıştırılabilir; iki seçenek aynı ortalamaya sahip olsa da biri çok yakın biri çok dağınık seçeneklerden oluşabilir. İkincisi, ağırlıklar seçenek kümesine bağlıdır; bir seçenek eklenip çıkarıldığında ortalama ve dolayısıyla bütün ağırlıklar değişir. Üçüncüsü, yöntemin adı jenerik olduğu için literatürde aranması güçtür ve bağımsız karşılaştırma çalışmaları sınırlıdır; nesnel ağırlık yöntemlerinin genel sınırlılıkları için Zavadskas ve Podvezko'nun (2016) değerlendirmesi burada da yol göstericidir. Dördüncüsü, sıfır ve negatif değerlerle doğrudan çalışamaz.

En yaygın hata, NMD ağırlığını "önem" diye raporlamaktır. Ağırlık, kriterin karar vericinin gözündeki değerini değil, seçeneklerin o kriterde ortalama olarak en iyiden ne kadar uzak kaldığını ölçer.

İkinci hata, kriter yönünü yanlış işaretlemektir; "azı iyi" bir kriter "çoğu iyi" işaretlenirse ölçek eşitleme ters döner ve ağırlık yanlış kritere gider. Üçüncü hata, iki üç seçenekli bir tablodan çıkan ağırlığa aşırı güvenmektir. Dördüncü hata, bir çalışmanın NMD ağırlıklarını başka bir seçenek kümesinde kullanmaktır. Beşincisi, bütün seçeneklerin en iyi değere eşit olduğu bir kriteri tabloda tutup sıfır ağırlığını "yöntem hatası" sanmaktır.

Temel ilke şudur:

NMD ağırlığı, seçeneklerin o kriterde ortalama olarak en iyiden ne kadar uzakta kaldığını ölçer; yüksek ağırlık "kriter önemlidir" değil "seçenekler bu kriterde ortalama olarak zayıf" demektir.