Подгрупп

Использование экспертных оценок почти наверняка сопряжено с совмещением отличающимися друг от друга (а то и полярных) взглядов на проблему. Эти отличия обусловлены различной квалификацией, мотивацией, мировозрением и образом профессионального мира привлекаемых экспертов. Обобщать такие мнения в единое целое – все равно что вычислять “среднюю температуру по госпиталю”. Чтобы избежать такого обобщения, необходимо уметь выявлять и отделять основные точки зрения на проблему с последующим разделением экспертов на группы, отражающие данные точки зрения. Настоящую задачу можно рассматривать как задачу нечеткой классификации, решение которой относится к области многомерного статистического анализа.

Известные в статистике методы классификации предполагают две постановки этой задачи:

классификация при полностью описанных классах, состоящая в выработке на основе имеющихся данных правила, позволяющего некоторый новый объект отнести к одному из существующих классов, если заведомо неизвестно, какому из них оно принадлежит;

классификация при неизвестных классах (классификация без обучения), состоящая в разбиении объектов на классы, столь различные между собой, сколь это возможно.

Наиболее популярным методом решения задач первого типа является дискриминантный анализ, предполагающий, что должны иметься значения n переменных для m объектов, полученные в результате наблюдений. Кроме того, должна быть известна принадлежность каждого объекта к одному из двух или более классов. В процессе дискриминантного анализа подбирается такая линейная комбинация переменных, которая бы максимально разделила все классы. Эта комбинация служит основой правила, позволяющего отнести новый объект к одному из этих классов.

Для решения задач второго типа наиболее часто применяются кластерный и факторный анализы.

Кластерный анализ также сводится к разработке определенного правила, с помощью которого можно осуществлять разбиение объектов на группы (кластеры) так, чтобы каждый объект принадлежал только одной группе. 

Факторный анализ основан на исследовании корреляционной матрицы объектов и синтезе гипотетических величин, называемых факторами и находящихся в определенной связи с определенными объектами. Факторы образуют простую структуру, достаточно точно отражающую и воспроизводящую реальные зависимости объектов. По существу, факторы определяют сравнительно далеко отстоящие друг от друга группы (классы) объектов, тесно связанных между собой.

Известны также и другие методы классификации, такие как анализ образов, основанный на исследовании коэффициентов множественной регрессии, анализ латентных структур, анализ группировок, основанный на коэффициентах ранговой корреляции, методы таксономии, использующие так называемые коэффициенты сходства в качестве мер близости объектов и др.

Интерпретация результатов

Целью заключительного этапа экспертного анализа является осмысление полученых результатов и ответ на тот вопрос, ради которого проводилась вся работа. Понять, что означает та или иная цыфра результата можно только исходя из контекста конкретной экспертизы. Поэтому говорить о какой-то единой предметно независимой процедуре семантической интерпретации бессмысленно.

Интерпретация результатов включает:

- представление и анализ результатов обработки экспертных оценок;

- анализ эффективности работы экспертов;

- вычисление итоговых показателей модели, исследование факторов и критериев, раскрывающих стоящую задачу;

- осмысление результатов и генерацию выводов экспертного анализа.

Выводы

1.Обработка экспертных оценок включает унификацию результатов, анализ согласованности мнений, выделение высокосогласованных подгрупп и синтез обобщенного мнения.

2. В качестве унифицированных результатов экспертного оценивания выступают вектор относительных значимостей, матрица парных сравнений, вектор идентификаторов и вектор численных оценок. В зависимости от избираемых методов обработки, результаты могут перобразовываться из сильных шкал в более слабые.

3. Основными свойствами оценок, отражающими согласованность мнений экспертов, являются относительная частота противоречий, вариационный размах и средние отклонения. Для измерения этих свойств известны 12 показателей, позволяющих оценивать парную и множественную согласованность мнений относительно одного или более объектов экспертизы. Каждый показатель согласованности ориентирован на свой тип оценок, однако весьма часты случаи анализа согласованности с помощью показателей более слабых шкал.

4. Выделение высокосогласованных подгрупп является задачей классификации экспертов при неизвестных классах. Эвристический алгоритм такой классификации основан на количественном определении понятия “высокая согласованность”, составляющем неформальную часть этом процедуры.

5. Синтез обобщенного мнения осуществляется двумя способами: статическим (среднее арифметическое, среднее взвешенное, сумма рангов, мажоритарная выборка) и алгебраическим (медиана распределения, медиана Кемени, принцип Кондорсе). Выбор метода обобщения определяется типом обобщаемых оценок.