SMAA-2: Stochastic extension of SMAA2

Overview

SMAA-2 sorar: 'Tüm uzmanlar tüm olası ağırlık profillerinde bu alternatifi nasıl sıralar?' Tek bir 'doğru' ağırlık varsayımı yapmak yerine, ağırlık simpleksini ve veri belirsizliğini Monte Carlo ile tarar; sonra her alternatif için 'sırada 1. olma olasılığı', 'sırada r. olma olasılığı' ve tüm sıralar üzerinden ağırlıklı bir holistik puan üretir.

Strengths

• •Handles BOTH criterion-value uncertainty AND weight uncertainty in a single framework
• •Holistic acceptability a_i^h aggregates over all ranks (not just rank-1) via monotone meta-weights: distinguishes SMAA-2 from base SMAA
• •Central weight vector w_i^c describes 'for what weight profile is alternative i preferred?': interpretable group-DM artifact
• •Confidence factor p_i^c quantifies probabilistic dominance: robust ranking under uncertainty
• •Non-parametric: any weight prior f_W(w) and any criterion distribution f_ij accepted

Limitations

• •Monte Carlo cost: K=10,000 samples typical; scales as O(K·m·n·LP_solve) per run
• •Uniform-simplex weight prior is the default but may not reflect real DM preferences (Tervonen-Lahdelma 2007 sensitivity issues)
• •Meta-weights α^r are user-chosen; pathological uniform α^r yields all-alternatives-tied (paper §4.2 warning)
• •Assumes additive utility on independent criteria: fails under strong criterion interaction
• •Rank acceptability indices b_i^r can be unstable for K below 1000 (Monte Carlo noise near ties)

Assumptions to verify

• •Weight distribution (uniform Dirichlet, or DM-specified) is appropriate
• •Sample size N sufficient for stable acceptability indices (N ≥ 10,000 typical)
• •Underlying ranking method (TOPSIS, SAW, ...) is specified

When not to use

• •Exact weights known with certainty: use deterministic ranking
• •Computational budget very limited: use sensitivity perturbation instead

Edge cases

• •Tüm DM'ler aynı ağırlığı kabul ederse: f_W dejenere → SMAA-2 ≡ deterministic weighted-sum (boş egzersiz)
• •α uniform (α^r = c) → Σ_r b_i^r = 1 her i için, dolayısıyla a_i^h = c (tüm alternatifler beraber). Pathological: paper §4.2 uyarır.
• •ZERO alternatif (paper §5): tüm kriterlerde nominal ortalama değer, deterministic anchor; p_i^c=100% bekleniyor (rakip alternatiflerden ayrılma yoksa)
• •K küçük (<1000) → b_i^r noisy, near-ties (örn. Helsinki IIB2/IIC2 a^h=14) sıra değiştirebilir

Common pitfalls

• •Hatalı: 'Σ_r α^r = 1' diye normalize etmek: DOĞRUSU paper §4.2 α^1=1 (lider rank=1.0 anchor)
• •Hatalı: 'SMAA-2 = SMAA-O = SMAA-3' aynı yöntem sanmak: SMAA-2 sadece α^r meta-weight ekler; SMAA-O ordinal kriter, SMAA-3 farklı utility model
• •Hatalı: Sadece b_i^1 (1.rank kabul) raporlamak: SMAA-2'nin ayırt edici çıktısı a_i^h holistic + tüm sıralar matrisi
• •Hatalı: Central weight w_i^c'yi DM ağırlığı sanmak: DM tercih değil, sonradan-türetilmiş 'bu alternatif hangi ağırlık profilinde lider olur' artifact
• •Hatalı: K=100 ile production karar vermek: Monte Carlo precision ±√(K) skala, K≥10000 zorunlu

Worked example

1. 1.Adım 1 (F1): Kriter değerleri için f_ij(ξ) dağılımları + ağırlık simpleksi W üzerinde f_W(w) (default: uniform) + meta-weights α^1 ≥ α^2 ≥ ... ≥ α^m ≥ 0 ile α^1=1 tanımla (paper §4.2). Default α: linear (m−r)/(m−1) ya da centroid Σ_{i=r}^m 1/i normalize.
2. 2.Adım 2 (F2): K Monte Carlo örneği çek: her örnek için (ξ^(k), w^(k)) ~ f·f_W; K=10000 tipik.
3. 3.Adım 3 (F3): Her örnek için additive utility u(ξ_i^(k), w^(k)) = Σ_j w_j^(k) · u_j(ξ_ij^(k)) (Eq.11). u_j alt-fayda fonksiyonu = paper §5 lineer min-max ölçekleme.
4. 4.Adım 4 (F4): Her alternatif i ve her rank r için b_i^r = (örneklerde alternatif i'nin rank r aldığı sayı) / K (Eq.14). b_i^r ≥ 0, Σ_r b_i^r = 1, Σ_i b_i^r = 1.
5. 5.Adım 5 (F5): Holistic acceptability a_i^h = Σ_{r=1}^m α^r · b_i^r (Eq.18). α=(1,0,...,0) elitistic → a_i^h = b_i^1 = base SMAA. Central weight w_i^c = E[w | u(ξ_i,w) maks] (Eq.7).
6. 6.Adım 6 (F6): Confidence factor p_i^c = Pr(u(ξ_i, w_i^c) ≥ u(ξ_k, w_i^c) ∀k) (Eq.8). Final ranking: a_i^h azalan sırada.

Commonly paired with

• •DM_uniform_prior + SMAA2 (high)

How to cite