Sıra Tersinmesi Analizi (Rank Reversal Analysis)

Bu yöntem, elinizde bir MCDM yöntemiyle (TOPSIS, SAW, PROBID gibi) zaten hesaplanmış bir sıralama olduğunda, bu sıralamanın seçenek kümesindeki küçük değişikliklere ne kadar dayanıklı olduğunu sınayan bir sağlamlık (robustness) yöntemidir. Sıralama üretmez; var olan bir sıralamayı sarsıp sarsılmadığına bakar. Çıktısı, denenen perturbasyonlar arasında kaç tanesinin orijinal seçenekler arasındaki sırayı değiştirdiğini gösteren bir oran, yani sıra tersinmesi oranıdır (RRR). Kavram, Triantaphyllou'nun (2000) MCDM yöntemlerini karşılaştıran kitabında sistemli biçimde ele alınmıştır; kitap, TOPSIS ve AHP gibi yöntemlerin yeni bir seçenek eklendiğinde bazen orijinal seçenekler arasındaki sırayı da değiştirdiğini göstermiştir.

Çoğu sıralama yönteminin dayandığı örtük varsayım, "alakasız seçeneklerden bağımsızlık"tır: A ile B arasındaki karşılaştırmanın sonucu, ortama üçüncü bir C seçeneği eklenip eklenmediğinden etkilenmemelidir. Ancak normalizasyon adımı seçenek kümesinin tamamına bakan (en büyüğe bölme, ideal noktayı seçeneklerden kurma gibi) yöntemlerde bu varsayım her zaman geçerli değildir. Yeni bir C eklendiğinde normalizasyon sabitleri (sütun toplamı, sütun maksimumu, ideal nokta) değişir, bu da A ve B'nin puanlarını da değiştirebilir; nadiren bu, A ile B'nin sırasını da tersine çevirir.

Sıra Tersinmesi Analizi'nin felsefi duruşu, bunu bir "hata" değil bir "özellik sorusu" olarak ele almaktır: her yöntemin bu duyarlılığı farklı derecededir ve bir karar vericinin hangi yöntemi seçeceğine karar verirken bu duyarlılığı bilmesi gerekir. Yöntem kendisi bir tercih yapmaz; yalnız "bu temel yöntem, bu veri kümesinde, bu tür perturbasyonlarda ne kadar kararlı" sorusuna sayısal bir cevap verir.

Yöntem dört adımda ilerler.

Birinci adım, taban sıralama. Seçilen bir temel MCDM yöntemi (örneğin TOPSIS), orijinal seçenek kümesine uygulanır ve bir taban sıralama ile taban puanlar elde edilir.

İkinci adım, seçenek kümesi perturbasyonu. Bir ya da daha fazla test edilecek durum belirlenir: yeni bir hayali seçenek eklemek, mevcut bir seçeneğin neredeyse aynısını (yakın kopyasını) eklemek ya da en iyi/en kötü seçeneği çıkarmak. Her durum için temel yöntem yeniden çalıştırılır ve yeni bir sıralama elde edilir.

Üçüncü adım, tersinme tespiti. Her perturbasyon için, orijinal seçenekler arasındaki her ikili karşılaştırmanın (A önce mi B önce mi) taban sıralamayla yeni sıralama arasında değişip değişmediğine bakılır.

Dördüncü adım, toplu oran. Tüm perturbasyonlar ve tüm ikili karşılaştırmalar üzerinden, kaç tanesinin sıra değiştirdiği sayılır ve toplam olası karşılaştırma sayısına bölünerek tek bir sıra tersinmesi oranı (RRR) elde edilir. Bu oran 0 ile 1 arasındadır; 0 hiç tersinme olmadığını, 1 her perturbasyonda tam tersinme olduğunu gösterir.

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

Sıra tersinmesi oranı, seçilen temel yöntemin bu veri kümesinde ve bu perturbasyon türlerinde ne kadar kararlı olduğunu gösterir; başka bir veri kümesine ya da başka bir temel yönteme genellenemez. Sıfıra yakın bir oran "bu sıralama her zaman doğru" anlamına gelmez, yalnız "denenen perturbasyonlarda bozulmadı" anlamına gelir; hiç test edilmemiş bir perturbasyon türünde (örneğin ağırlık değişikliği, veri hatası) sıralama yine de kırılgan olabilir.

Yüksek bir oran, temel yöntemi "yanlış" ilan etmez; yöntemin bu tür karar ortamlarında dikkatli kullanılması gerektiğini gösterir. Hangi ikili karşılaştırmanın tersine döndüğü, oranın kendisinden daha bilgilendiricidir; iki alt sıradaki seçenek arasında sık tersinme olması, en üstteki seçenek hiç değişmiyorsa, kararın en kritik kısmı (birinci sıra) sağlamdır.

Bu nedenle:

"Bu sıralama sıra tersinmesine karşı güvenlidir"

yerine:

"Bu sıralama, denenen şu perturbasyon türlerinde tersine dönmedi; farklı bir perturbasyon türü (örneğin ağırlık değişikliği) ayrıca test edilmelidir"

biçiminde yazmak doğrudur.

Yöntem kesin (crisp) veriyle çalışır: temel alınan MCDM yönteminin gerektirdiği aynı karar tablosu, ağırlıklar ve yön bilgisi. Elinizde şunlar olmalı: bir temel sıralama yöntemi seçimi (RANK-REVERSAL kendisi bir sıralama yöntemi değildir, var olan bir yöntemi sınar); test edilecek perturbasyon senaryoları (eklenecek hayali seçenek, yakın kopya ya da çıkarılacak seçenek); ve tekrarlı hesap için yeterli işlem bütçesi. RANK-REVERSAL'in kendisi ağırlık ya da yön bilgisi istemez; bu bilgiler sınanan temel yöntemin girdisidir. En az iki seçenek ve iki kriter gerekir; perturbasyon sayısı arttıkça hesap yükü de artar, çünkü her perturbasyon temel yöntemin tam bir yeniden çalıştırılmasını gerektirir.

Bir MCDM sonucunu karar vericiye sunmadan önce, sonucun seçenek kümesindeki küçük değişikliklere ne kadar dayanıklı olduğunu göstermek istediğinizde bu yöntem uygundur. Özellikle sonradan yeni bir aday eklenmesi beklenen (yeni bir tedarikçi teklifi, yeni bir aday proje) süreçlerde, kararı açıklamadan önce bu duyarlılığı bilmek faydalıdır.

Kullanılmaması gereken durum, seçenek kümesinin kesin ve değişmeyecek olduğu, ya da temel yöntemin zaten normalizasyon kaynaklı duyarlılık taşımadığı (örneğin sabit referans noktalarına dayanan bazı eleme yöntemleri) durumlardır; bu durumlarda ek hesap yükü gerekmeyebilir. Yöntem ayrıca ağırlık duyarlılığını değil, yalnız seçenek kümesi duyarlılığını ölçer; ağırlıkların ne kadar sağlam olduğu ayrı bir duyarlılık analizi gerektirir.

Seçenek kümesi sonradan değişebilir, karar öncesi sağlamlık gösterilmeli → Sıra Tersinmesi Analizi

Asıl soru ağırlıkların sağlamlığı → ağırlık duyarlılık analizi (weight perturbation)

Seçenek kümesi kesin ve sabit → ek analiz gerekmeyebilir

Sıralama değil ağırlık gerekiyor → AHP, BWM, SWARA (öznel) · Entropy, CRITIC (nesnel)

Bu yöntemin en önemli üstünlüğü, bir MCDM sonucunu tek bir statik tablo olarak değil, seçenek kümesindeki değişikliklere karşı test edilmiş bir sonuç olarak sunmayı mümkün kılmasıdır. Yöntem herhangi bir temel MCDM yöntemiyle birlikte çalışabilir; TOPSIS'e, SAW'a, PROBID'e ya da başka bir sıralama yöntemine uygulanabilir. Triantaphyllou'nun (2000) çalışmasından bu yana biriken literatür, hangi yöntem ailelerinin bu duyarlılığa daha açık olduğuna dair somut kanıt sunar (Wang ve Luo, 2009; García-Cascales ve Lamata, 2012; Aires ve Ferreira, 2018).

Yöntemin en belirgin sınırlılığı hesap yüküdür: her perturbasyon senaryosu, temel yöntemin baştan sona yeniden çalıştırılmasını gerektirir; çok sayıda senaryo denenecekse bu yük büyür. İkincisi, sonuç yalnız denenen perturbasyon türleri için geçerlidir; test edilmemiş bir senaryo (farklı bir yakın kopya, farklı bir çıkarma) farklı bir tersinme oranı verebilir. Üçüncüsü, düşük bir tersinme oranı karar vericiye yanlış bir güven duygusu verebilir; yöntem yalnız denenen senaryolarda sağlamlığı gösterir, genel bir garanti sunmaz. Dördüncüsü, hangi perturbasyon senaryolarının "makul" ya da "olası" sayılacağı öznel bir seçimdir; bu seçim analizden analize farklılık gösterebilir.

En yaygın hata, düşük bir sıra tersinmesi oranını "bu yöntem sıra tersinmesinden bağışıktır" diye genellemektir; oran yalnız denenen perturbasyonlar için geçerlidir. İkinci hata, yalnız bir perturbasyon senaryosu (örneğin tek bir yeni seçenek) deneyip sonucu genellemektir; farklı senaryo türleri (yakın kopya, en kötü seçeneği çıkarma) farklı sonuçlar verebilir. Üçüncü hata, RANK-REVERSAL'i bir sıralama yöntemi gibi kullanıp "en sağlam seçenek" aramaktır; yöntem seçenekleri sıralamaz, var olan bir sıralamanın sağlamlığını ölçer. Dördüncü hata, tersinme tespit edildiğinde temel yöntemi "yanlış" ilan edip hiçbir gerekçe sunmadan başka bir yönteme geçmektir; hangi yöntemin daha az duyarlı olduğu da ayrıca test edilmelidir.

Temel ilke şudur:

Sıra tersinmesi oranı, seçtiğiniz temel yöntemin, denediğiniz perturbasyon senaryolarında ne kadar kararlı olduğunun bir özetidir; test edilmemiş bir senaryo için hiçbir garanti taşımaz ve rapor bunu açıkça göstermelidir.