PCA Ağırlıklandırma (Principal Component Analysis ile Nesnel Ağırlıklandırma)

PCA Ağırlıklandırma 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.

Temeli istatistikte Pearson'ın 1901'de ortaya attığı ve Hotelling'in 1933'te bugünkü hesaplanabilir biçimine kavuşturduğu Temel Bileşenler Analizi'dir (Principal Component Analysis, PCA). PCA aslında bir MCDM yöntemi değil, çok değişkenli bir veri setindeki ortak değişim örüntüsünü az sayıda "bileşene" indirgeyen genel bir istatistik tekniğidir. Karar analizinde kriter ağırlığı üretmek için kullanılması, PCA'nın kendisinden çok sonra yaygınlaşan bir uygulama biçimidir; tek bir kurucu MCDM makalesi yoktur, birçok çalışma aynı yaklaşımı (Kaiser kuralıyla bileşen seçimi, bileşen katkılarının ağırlığa çevrilmesi) benzer biçimde uygular.

Entropi ve CRITIC gibi çoğu nesnel ağırlık yöntemi kritere tek tek bakar; PCA Ağırlıklandırma ise kriterlere birlikte bakar. Fikir şudur: bir karar tablosunda kriterler çoğunlukla birbirinden tamamen bağımsız değildir, bazıları birlikte yükselip birlikte düşer. PCA bu ortak hareketi yakalayıp az sayıda "ana eksene" (bileşene) indirger; her eksen, kriterlerin bir kısmının ortak bir örüntüsünü temsil eder. Bir kriter, kararı gerçekten ayıran bu ana eksenlere ne kadar güçlü bağlıysa (yüksek "yük" taşıyorsa) o kadar ağırlık alır.

Bunun bir sonucu vardır: PCA Ağırlıklandırma, CRITIC'in "tekrarı cezalandırma" mantığının bir adım ilerisine gider; CRITIC iki kriter arasındaki ilişkiye bakarken PCA bütün kriterler arasındaki ortak yapıyı bir kerede çözer. Kriterler arasında güçlü bir iç yapı (birlikte hareket eden gruplar) varsa PCA bunu görünür kılar; kriterler zaten birbirinden bağımsızsa PCA'nın kattığı ek bilgi azalır ve ağırlıklar daha çok her kriterin kendi yayılımına yaklaşır.

Yöntem üç adımda ilerler.

Birinci adım, standartlaştırma. Her sütun kendi ortalaması çıkarılıp kendi standart sapmasına bölünerek standart hâle getirilir; böylece farklı birimlerdeki (TL, gün, puan) kriterler aynı ölçekte karşılaştırılabilir olur.

İkinci adım, ana eksenlerin bulunması. Standartlaştırılmış tablo üzerinden kriterler arasındaki korelasyon yapısı çözülür ve bu yapıdan, kriterlerin ortak hareketini özetleyen ana eksenler (bileşenler) çıkarılır. Her eksenin ne kadar bilgi taşıdığı bir öz değerle ölçülür; DecisionMind, geleneksel Kaiser kuralını izleyerek öz değeri 1'in altında kalan eksenleri atar, yalnız gerçekten bilgi taşıyan eksenleri tutar.

Üçüncü adım, ağırlık. Her kriterin tutulan eksenlere ne kadar güçlü bağlı olduğu (yükü) hesaplanır; bu bağlılık, ilgili eksenin taşıdığı bilgi payıyla ağırlıklandırılıp toplanır. Sonuç, toplamı 1 olan ağırlık vektörüdür.

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

PCA Ağırlıklandırma çıktısı, bir kriterin karar vericinin gözündeki önemini değil, kriterler arasındaki ortak yapıda ne kadar merkezi bir yer tuttuğunu ölçer. 0,40 ağırlık "bu kriter kararın yüzde 40'ıdır" demek değildir; "bu kriter, seçenekleri asıl ayıran ana eksenlerin en güçlü taşıyıcılarından biridir" demektir. Kriterler arasında güçlü bir ortak yapı yoksa (her kriter kendi başına hareket ediyorsa) ana eksen sayısı kriter sayısına yaklaşır ve ağırlıklar birbirine benzer, ayırt edici olmayan değerler alabilir; bu bir hata değil, verinin kendisinin PCA için zengin bir ortak yapı sunmadığının işaretidir.

Ağırlıklar seçenek kümesine ve kriter listesine sıkı sıkıya bağlıdır: bir kriter eklenip çıkarıldığında bütün korelasyon yapısı, dolayısıyla bütün ağırlıklar yeniden hesaplanır. Seçenek sayısı azsa korelasyon güvenilmez olur; bu durumda ana eksenler gerçek bir ortak yapıyı değil, küçük örneklemin rastgele bir örüntüsünü yansıtabilir.

Bu nedenle:

"PCA analizi gelirin en önemli gösterge olduğunu kanıtladı"

yerine:

"Gelir, bu seçenek kümesinde göstergeleri asıl ayıran ana eksenlerin en güçlü taşıyıcısıdır; 0,40 ağırlığı bu merkezi konumu yansıtır, göstergenin siyasi ya da idari önceliğini değil"

biçiminde yazmak doğrudur.

Klasik PCA Ağırlıklandırma kesin (crisp) veriyle çalışır: her hücrede tek bir sayı bulunur. DecisionMind'da temel yöntemin yanında bir bulanık uzantısı vardır (toplam iki üye); bu uzantı DecisionMind'ın kendi bulanık uyarlamasıdır, veri uzman yargısıyla üçgen bulanık sayı olarak verildiğinde kullanılır.

Elinizde şunlar olmalı: satırlarda seçenekler, sütunlarda kriterler, her hücrede bir sayı, boş hücre yok. Kriter yönü (çoğu mu iyi, azı mı iyi) standartlaştırma adımını etkilemez ama ağırlıkların hangi yönde okunacağını belirler. Ağırlık girilmez; yöntem ağırlığı üretir. Korelasyon yapısının anlamlı çözülebilmesi için seçenek sayısının kriter sayısından belirgin ölçüde fazla olması gerekir; az seçenekle (kriter sayısına yakın ya da daha az) korelasyon matrisi güvenilmez, hatta hesaplanamaz hâle gelebilir.

Kriter sayısı fazla ve aralarında birbirini tekrar eden ya da ortak bir örüntü taşıyan göstergeler varsa (finansal oranlar, sürdürülebilirlik endeksleri, çok boyutlu performans göstergeleri) PCA Ağırlıklandırma bu ortak yapıyı görünür kılar. Seçenek sayısı kriter sayısından belirgin biçimde fazlaysa (onlarca seçenek, birkaç kriter yerine) güvenilir çalışır.

Kullanılmaması gereken durumlar felsefesinden gelir. Seçenek sayısı azsa ya da kriter sayısına yakınsa korelasyon yapısı güvenilmez olur. Kriterler zaten birbirinden bağımsız seçilmişse PCA'nın kattığı ek bilgi sınırlı kalır, entropiye benzer bir sonuç alınır. Karar vericinin bir kriteri açıkça öncelikli saydığı durumlarda PCA bunu göremez. Sonucun karar vericiye "hangi ana eksen ne anlama geliyor" diye açıklanması gerektiğinden, teknik olmayan bir kurulda sunulacaksa yorumlama yükü diğer nesnel yöntemlere göre daha fazladır.

Çok sayıda, birbiriyle örüntülü kriter, bol seçenek → PCA Ağırlıklandırma

Kriterler bağımsız, yalnız yayılım yeterli → Entropi

Kriterler arası ilişki önemli ama az sayıda → CRITIC

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

Az seçenek, kriter sayısına yakın → PCA Ağırlıklandırma yerine daha basit bir nesnel yöntem

PCA Ağırlıklandırmanın en önemli üstünlüğü, çok sayıda kriter arasındaki ortak yapıyı tek bir kerede çözmesidir; CRITIC ikili ilişkilere bakarken PCA bütün kriterleri birlikte değerlendirir. Nesneldir, aynı tablo herkese aynı ağırlığı verir. Kriter sayısı çok olduğunda (onlarca gösterge) karmaşık bir gösterge setini az sayıda anlamlı eksene indirger ve bu eksenler raporlarda "hangi göstergeler birlikte hareket ediyor" sorusuna görünür bir cevap sunar.

Sınırlılıkları aynı yapıdan doğar. Birincisi, ana eksenlerin yorumlanması ileri teknik bilgi gerektirir; bir eksenin "ne anlama geldiği" her zaman açık değildir ve bu, yöntemi teknik olmayan karar kurullarına anlatmayı zorlaştırır (Naeimiasl, Vahidi ve Soheili, 2025). İkincisi, az seçenekle korelasyon matrisi güvenilmez, hatta tekil (rank eksik) çıkabilir; bu durumda ana eksen sayısı yapay biçimde azalır. Üçüncüsü, ağırlıklar seçenek kümesine ve kriter listesine bağlıdır; bir kriter eklenip çıkarıldığında bütün yapı değişir. Dördüncüsü, kriterler arasında güçlü bir ortak yapı yoksa PCA'nın kattığı ek bilgi sınırlıdır ve sonuç diğer nesnel yöntemlerden belirgin biçimde farklılaşmayabilir.

En yaygın hata, standartlaştırmayı atlayıp ham veri üzerinde PCA çalıştırmaktır; büyük birimli bir kriter (TL) korelasyon yapısını ezer ve ağırlıklar birimlere bağlı çıkar.

İkinci hata, az sayıda seçenekle (kriter sayısına yakın ya da daha az) PCA çalıştırıp sonuca güvenmektir; korelasyon matrisi böyle durumlarda güvenilmez ya da tekil olur. Üçüncü hata, ana eksenlerin ne anlama geldiğini açıklamadan yalnız ağırlıkları raporlamaktır; okuyucu ağırlığın nereden geldiğini anlamaz. Dördüncü hata, bir çalışmanın PCA ağırlıklarını başka bir seçenek kümesinde kullanmaktır. Beşincisi, Kaiser kuralı yerine farklı bir bileşen sayısı seçip bunu raporda belirtmemektir; bu seçim ağırlıkları doğrudan değiştirir.

Temel ilke şudur:

PCA Ağırlıklandırma, kriterin kararı ayıran ana eksenlerdeki merkezi konumunu ölçer; ağırlık yüksekse kriter "önemli" değil "kriterler arasındaki ortak yapının güçlü bir taşıyıcısı" demektir ve bu ortak yapı ayrıca açıklanmalıdır.