R EVUE DE STATISTIQUE APPLIQUÉE
S. S. Z HANG
C. G ENEST
Étude d’un test de confirmation des priorités dans le cadre du procédé d’analyse hiérarchique
Revue de statistique appliquée, tome 44, n
o2 (1996), p. 81-103
<http://www.numdam.org/item?id=RSA_1996__44_2_81_0>
© Société française de statistique, 1996, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une in- fraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
ÉTUDE D’UN TEST DE CONFIRMATION DES PRIORITÉS
DANS LE CADRE DU PROCÉDÉ D’ANALYSE
HIÉRARCHIQUE
S.S.
Zhang,
C. GenestDépartement
demathématiques
et destatistique
Université Laval, Québec GIK 7P4
RÉSUMÉ
Le
procédé d’analyse hiérarchique
deSaaty
(1977) permet d’estimerl’importance
relative
qu’un
individu accorde à desobjets
àpartir
de leurcomparaison
deux à deux sur une échellenumérique.
Genest &Zhang (1995)
ontproposé
unefaçon
de bâtir desrégions
de confiance pour le vecteur de
priorités sous-jacent
au moyen d’unpivot s’appuyant
sur lamétrique
de Hilbert. Cet article examine le biais et lapuissance
d’un teststatistique
déduit decette
procédure.
Descomparaisons
sont ensuite faites avec le test du rapport de vraisemblance découlant de la formulation duproblème
en terme d’un modèle linéaire. Elles permettent de conclure à la similarité et à lacomplémentarité
des deuxapproches.
Mots-clés :
analyse
de la variance,comparaisons
parpaire,
étude de Monte-Carlo, loi de l’étendue studentisée,métrique
de Hilbert,procédé d’analyse hiérarchique,
test deTukey.
SUMMARY
The
Analytic Hierarchy
Process wasdeveloped by Saaty (1977)
as a means ofeliciting
individual
priorities
for a set of items, based on theirpairwise comparison
on a ratio scale. Genest&
Zhang (1995)
have shown how toexploit
thepivotal properties
of a statistic derived from Hilbert’s metric to construct confidenceregions
for theunderlying priority
vector. This paperexamines the bias and the power of a test deduced from this
procedure.
Numericalcomparisons
are also made with the likelihood ratio test
suggested by
anequivalent
formulation of thisproblem
in terms of a linear model. These results establish thesimilarity
andcomplementarity
of the two
approaches.
Keywords : analysis of
variance,analytic hierarchy
process, Hilbert’s metric, Monte Carlo simulations,paired
comparisons, Studentized range distribution,Tukey’s
test.1. Introduction
Imaginons
que l’on veuillejuger
de lacapacité
de l’oeil humain àpercevoir
ladistance relative des choses en fonction de leur intensité lumineuse. Pour ce
faire,
on
pourrait
parexemple disposer n >
3objets identiques
à différents endroits dansune
pièce
obscure et demander à unsujet,
assis dans un coin et coiffé d’un casque demineur,
d’évaluer leuréloignement
relatif en les éclairant de sa torche. Pour faciliter la tâche durépondant,
il serait alors natureld’exiger
de luiqu’il procède
au moyende
comparaisons
parpaire
et que danschaque
cas, ilindique lequel
des deuxobjets
est le
plus éloigné,
et parquel
facteur.En
supposant
que lesobjets
soient numérotés de 1 à n et quechaque paire
ait donné lieu à une seule
comparaison,
lejeu
de données serait alors constitué den(n-1)/2
observations rij > 0reflétant,
pourchaque
i=1= j,
ledegré d’éloignement
relatif de
l’objet
i parrapport
àl’objet j.
Si lerépondant
estimait parexemple
que rij = 2 ou que rji =1/2,
celasignifierait qu’à
sonavis, l’objet
i est deux foisplus éloigné
de lui quel’objet j.
Réduit à sa
plus simple expression,
leprocédé d’analyse hiérarchique
deSaaty (1977, 1994)
vise àanalyser
cetype
de données en modélisant lesréponses
dusujet
comme suit
en terme de
paramètres
w1 >0,...,
w,, > 0(représentant
ici le véritabledegré
relatif
d’éloignement
des nobjets)
et deperturbations
aléatoires Ei . -7>
0permettant
de tenir compte d’éventuelles incohérences dans la formulation des
réponses.
De
façon générale,
lesparamètres
wi sontappelés
despriorités, puisqu’ils
fournissent un classement des
objets
sur une échellenumérique,
soit en termed’éloignement
relatif commeci-haut,
soit en terme de toute autrecaractéristique objective
ousubjective,
tel leurtaille,
leurpoids,
leurvolume,
leur valeurmarchande, sentimentale, hédonique,
et ainsi de suite. Enprincipe,
on devrait bien sûr avoir rij =wi/wj
pour tous1 i,j
n. Enpratique, toutefois,
les difficultés inhérentes à lacomparaison
mentale deplusieurs objets
mènent laplupart
dutemps à
des incohérences dans lesdonnées;
ainsipourra-t-on
avoir rij xrjk =1-
rik ou,pis
encore,rij > 1 et rjk > 1 mais rik 1 pour certains
1 i, j,k
n. Ce sont ces aberrations que les termes ~ijpermettent
deprendre
en considération dans le modèle(1).
D’un
point
de vuestatistique, l’analyse
de cetype
de données est facilitée par la reformulation del’équation (1)
en terme du modèle linéairedans
lequel
yij =log (ris),
pi =log (wi )
et eij =log (~ij).
Par souci decommodité,
on notera dans la suite rji i =
1/rij,
Eji i =1/~ij et rii =
Eii = 1 pour tous1 i,j
n. Par voie deconséquence,
on aura dès lors yji i == 2013yij, eji = - eij et Yii = ei2 = 0 pour tous1 i, j
n. deJong (1984) signale
que les estimations des moindres carrés des pi sont de la formeà une constante additive
près.
La conventionL
wi =1,
àlaquelle
on adhèreraici,
i=l
fait en sorte que ces estimations soient
uniques.
Si deplus
lesperturbations
aléatoireseij sont
supposées d’espérance
nulle et de même variance03C32,
un estimateur sans biais de ceparamètre
est alors donné parSous les
postulats
de normalité etd’indépendance
des eij pour1
ij
n, toutesces estimations sont à vraisemblance maximale.
Dans des travaux récents motivés par une remarque de
Saaty (1993),
Genest&
Zhang (1995)
ontproposé
des’appuyer
sur lamétrique
de Hilbert pour construire desrégions
de confiance pour le vecteur-colonne w =(w1, ... , wn)’.
Si a =(a1, ... , an)’
et b =(b1, ... , bn)’
sont deux tels vecteurs à coordonnées strictementpositives,
la distance de Hilbert entre eux est définie parPartant de l’observation que la loi du
rapport nD(, w) /03C3
est la mêmequelles
que soient les valeurs
hypothétiques
de w et deu2,
Genest &Zhang ( 1995)
ont montréque l’ensemble
C1-a
des vecteurs w pourlesquels
constitue une
région
de confianceà 100x(1-03B1)%
pour w, dans la mesure où la valeurcritique
pareprésente
lequantile
d’ordre 1- a de la loi de l’étendue studentisée d’un échantillon aléatoire de taille n d’unepopulation
normale centrée réduite.Le but de cet article est d’étudier les
propriétés
du test del’hypothèse Ho :
w = w* déduit de cette
procédure
et d’en comparer lecomportement
à celui dutest du
rapport
de vraisemblance découlant de lareprésentation
duproblème
sous laforme d’un modèle linéaire. Les deux critères de test sont
précisés
au§2,
ainsi que leurpuissance
sous lespostulats
de normalité etd’indépendance
desperturbations
aléatoires eij pour tous
1
ij
n.Après
avoir constaté l’absence de biais des deux tests au§3,
on compare leurpuissance numériquement,
dans le casspécial
où n = 3 et w* -
(1/3,1/3,1/3)’ d’abord, puis
pour deplus grandes
valeursde n par un choix
judicieux
decontre-hypothèses contiguës.
Lesrésultats,
illustrés par desgraphiques
au§4,
font ressortir la similarité et lacomplémentarité
des deuxapproches.
Les simulations dont on fait état au§5 permettent également
de voirqu’on peut
s’affranchir dupostulat
de normalité sans forcément mettre enpéril
laqualité
del’inférence fondée sur ces tests concurrents.
2. Présentation des tests et calcul de leur
puissance
Dans le cadre du modèle linéaire
(2),
lastatistique canonique permettant
detester
l’hypothèse Ho : w
= w*s’exprime
en terme desp2 - log (wi )
comme lerapport pondéré
F =n2S21 /n1S22
de deux sommes de carrésrésiduelles,
à savoir :lesquelles
sontindépendantes
etrespectivement
de loi du khi-deux à nl = n - 1 et n2 =(n - 1) (n - 2) /2 degrés
de liberté sous lespostulats d’indépendance
etde normalité des
perturbations
aléatoires mentionnésau §1.
Ce test du rapport de vraisemblancerejette Ho
au seuil de 100 xa%
dès que F estsupérieur
auquantile
Fn1,n2(03B1)
d’ordre 1 - a de la loi de Fisher-Snedecor.Quant
au test déduit de laprocédure
de Genest &Zhang ( 1995),
ilrejettera Ho lorsque
le vecteur w*n’appartient
pas à la
région
de confianceC1-03B1
définieplus haut,
c’est-à-dire si lastatistique Q
=nD(), w*)/03C3
estsupérieure
auquantile
pa d’ordre 1 - a de la loi de l’étendue studentisée.Les
propositions
suivantespermettent
de déterminer lapuissance
et l’absencede biais des deux tests pour une
contre-hypothèse générale w ~
w*. Dans lasuite, In
dénote la matrice identité de taille n et en
représente
le vecteur-colonne(1, ...
de
longueur
n.Proposition
2.1.Supposons
que pour1
ij
n, lesperturbations
aléatoires eij du modèle(2)
soient mutuellement
indépendantes,
de loi normaled’espérance
nulle et de variance03C32.
Sousl’hypothèse
nulleHo : w
=w*,
lastatistique
F obéit à une loi de Fisher- Snedecor à nul = n -1 et n2 =(n-1)(n- 2)/2 degrés
de liberté.Lorsque w ~ w*,
elle est décentrée et a pour
paramètre
d’excentricité A =n(p- p*)’B(p- p*)/O’2,
où B = I -
ee’/n
est la matrice dite decentrage.
Dans ce dernier cas, laprobabilité
que la
statistique
F prenne une valeursupérieure
à c > 0 est donnée par :Démonstration.
C’est une
application
immédiate du deuxième théorème fondamental de la théorie des moindrescarrés,
telqu’énoncé
en page 191 del’ouvrage
de Rao(1973).
Pourle
voir,
dénotons par Y et E les vecteurs-colonnes delongueur n(n- 1)/2 ayant respectivement
pourcomposantes
les réalisations de yij et de eij, pour1
ij
n.On
peut
alors écrire le modèle(2)
sous la forme matricielleclassique
Y =X p
+E,
où X est une matrice d’incidence de dimensionn(n - 1)/2
x ncomportant
exactement deux entrées non-nulles par
ligne,
à savoir un 1 et un -1.L’hypothèse
nulle
Ho : w
= w* estéquivalente
à la condition que p etp*
ne diffèrent que par une constante, soit encoreH’(p-p*)
=0,
où H est une matrice de dimension n x(n-1)
définie comme suit :
D’après
le résultat énoncé par Rao(1973),
les sommes de carrésSr
et2
définies
plus
haut sontindépendantes
et suiventrespectivement
des lois du khi-deux à n - 1 et à(n - 1)(n - 2)/2 degrés
de liberté sousl’hypothèse nulle, puisque rang(X) = rang(H)
= n-1. Rao mentionne deplus
queSi
est une variable aléatoire du khi-deux décentréelorsque Ho
n’est pas vérifiée. Un calculsimple
montre que sonparamètre
d’excentricité est alorségal
à 03BB =n(p-p*)’B(p-p*)/03C32, tel qu’annoncé.
La formule
permettant
de calculer laprobabilité
que lastatistique
F prenneune valeur
supérieure
à c > 0 se déduit immédiatement des résultatsexposés
dans lechapitre
30 du livre de Johnson & Kotz(1970).D
La définition suivante facilitera l’énoncé de la deuxième
proposition.
Définition 2.2.
Soient
Zl , ... , Zn
un échantillon aléatoire de loi normale centrée réduite et Tune variable aléatoire du khi-deux à m
degrés
de libertéindépendante
de tous lesZi.
Onappelle
loi de l’étendue studentisée deparamètres
n et m la loi durapport
{maxi(Zi) - mini(Zi)}/T/m.
Deplus,
on nomme loi de l’étendue studentisée décentrée de mêmesparamètres
la loi durapport
L’excentricité de la distribution est alors
caractérisée,
à un scalaireprès,
par le vecteur- colonne 0=(03B81, ... , 03B8n)’.
Proposition
2.3.Supposons
que pour1
ij
n, lesperturbations
aléatoires eij du modèle(2)
soient mutuellement
indépendantes,
de loi normaled’espérance
nulle et de variancea2.
Sousl’hypothèse
nulleHo : w - w*,
lastatistique Q = nD(,w*)/03C3
obéità la loi de l’étendue studentisée de
paramètres
n et n2 =(n - 1)(n- 2) /2. Lorsque w =1= w*,
cette loi est décentrée et a pourparamètre
d’excentricité O =n(p-p*) /03C3.
Dans ce dernier cas, la
probabilité
queQ
prenne une valeursupérieure
à c > 0 est donnée par la formuleexprimée
en terme de la fonction dedensité ~
d’une variable khi à n2degrés
deliberté1,
de la fonction de densité normale centrée réduite ’P et de la fonction derépartition correspondante
03A6.Démonstration.
Il n’est pas nécessaire de vérifier la
première partie
de laproposition, puisqu’elle
sedéduit de la deuxième en
posant
w* = w. Pour déterminer la loi de lastatistique Q
defaçon générale,
onpart
du fait quen22/03C32
=S22
est une variable du khi- deux à n2 =(n - 1)(n - 2)/2 degrés
de libertéquelle
que soit la valeur de w. Telqu’établi
dans la démonstration de laProposition
6.1 de l’article de Genest &Zhang (1995),
cette somme de carrés estindépendante
du vecteur e =(eL,... , en.)’
dontn
les éléments sont définis par ei.
= L eij/n.
Orj=l
L’argument
sera donccomplet
si onpeut réexprimer
cettevariable, appelons-la Q,
sousla même forme que le numérateur de
(4)
en terme de variables aléatoiresindépendantes Zi,..., Zn
de loi normale centrée réduite.Pour ce
faire,
on doit d’abord remarquer que le vecteur-colonne V =(V1,
...,
Vn)
decomposantes
obéit à une loi normale multidimensionnelle
d’espérance 03BC
=n(p - p*)/03C3n-1
etde covariance E =
(1- P) In
+Pen e’ n où 03C1 =-1/(n-1).
Ceci découle directement dufait, déjà souligné
dans la démonstration de laProposition
3.1 de l’article de Genest&
Zhang (1995),
que le vecteur e est lui-même de loi normale multivariéed’espérance
nulle et de structure
d’équivariance B03C32/n. D’après
un résultat deGupta,
Pillai &Steck
(1964),
il est alorspossible d’exprimer
lesvariables Vi
sous la formeen fonction de variables aléatoires normales centrées réduites
indépendantes Zl, ... , Zn
et d’un aléa
supplémentaire Zo
de même loi tel quecov(Zi, Z0) = - 1-03C1
1 Par définition,
~(s) = 21-n2/2sn2-lexp (-s2/2)/r(n2/2)
pour s > 0 et vaut zéro partout ailleurs.pour tout
1
i n. Dèslors,
on apuisque Mi
=1-p 03B8i
pour tout1
i n. Ceci achève la démonstration de la deuxièmepartie
de laproposition.
Enfin,
pour déduire la formule(5),
remarquons quepuisque
les variablesQ et â
sontindépendantes
et que lerapport ln-2âlu
obéit àune loi khi à n2
degrés
de liberté. Le résultat est alors uneconséquence
immédiatede l’exercice 2.3.2 de
l’ouvrage
de David(1981), lequel stipule
quequel
quesoit q
> 0. 03. Absence de biais des tests
Il est bien connu que sous les
postulats d’indépendance
et denormalité,
letest du
rapport
de vraisemblance F est sans biais. Pour voir que le test fondé sur lastatistique Q = nD(, w*)/
l’estégalement,
ons’inspire
del’approche
utiliséepar Ramachandran
(1956)
pour démontrer l’absence de biais d’un testd’égalité
desmoyennes
proposé
parTukey
dans un contexted’analyse
de la variance.À
cettefin,
onopère
d’abord lechangement
de variable t= x - e2
dans le i èmeterme de la somme
(5),
cequi permet
de réécrire cette formule sous la forme 1 -03B2
avec
On
procède
ensuite à unereparamétrisation
du vecteur 8 enposant
~i-1 =03B81 - Bi
pour
1
i n. Il vient alorsce
qui
s’écrit encoreaprès
avoir isolé le terme i = 1 etremplacé
i - 1 par i dans la somme restante.L’expression (6) correspondant
en toutpoint
àl’équation (3.2)
de l’article deRamachandran,
la démarcheexposée
au§4
de son travailpermet
de conclure. Vuce lien entre le test de
Tukey
et celui déduit de laprocédure
de Genest &Zhang (1995),
on dira par la suite queQ
est lastatistique
deTukey.
4.
Comparaisons numériques
Pour se faire une idée
comparative
de lapuissance
du testclassique
et de celui deTukey,
desgraphiques
illustrant la fluctuation de laprobabilité
derejeter l’hypothèse
nulle
Ho : w
=e/n
en fonction de la vraie valeur de w ont étéproduits
àpartir
desimulations de
type
Monte-Carlo dans le cas où n = 3 pour des tests de seuil nominal03B1 =
5%.
Cetteapproche
a étépréférée
à l’évaluationnumérique
des formules(3)
et
(5)
pour des raisons de coût et detemps
de calcul.Chaque graphique
est basé sur10 000 observations de la valeur de la
statistique
calculées àpartir
de matrices deréponses
d’éléments rij de la forme(1)
oùlog ( Eij)
obéit à une loi normale centrée de varianceu 2
=1, 1/4
ou1/100
selon le cas. Lesfigures
1-7 sonttypiques
desrésultats obtenus. Les courbes
d’isoprobabilité
des deux fonctions depuissance
y sontreprésentées
sur unsystème
d’axesayant
wi pour abscisse et W2 pour ordonnée.Ces
graphiques
font clairement ressortir la trèsgrande
similarité decomportement
des deux tests ; ils montrentégalement
que ni l’un ni l’autre de ces tests n’est uniformémentplus puissant
que soncompétiteur.
Afin de pousser la
comparaison graphique
au delà du cas n =3,
il est nécessairede
spécifier
une série decontre-hypothèses contiguës dépendant
d’unparamètre
unidimensionnel, disons 03B3
0. Un choix commode consiste àprendre
FIGURE 1 :
Puissance observée de la
procédure
deTukey
lors de 10 000 tests del’hypothèse Ho :
w =(1/3, 1/3, 1/3)’
au seuil de5%, lorsque
lesperturbations pseudo-
aléatoires
affectant
lescomparaisons
parpaire
suivent une loi normaled’espérance
nulle et de variance
03C32 =
1 sur l’échellelogarithmique.
FIGURE 2 :
Puissance observée de la
procédure classique
lors de 10 000 tests del’hypothèse Ho :
w -(1/3, 1/3, 1/3)’
au seuil de5%, lorsque
lesperturbations pseudo-
aléatoires
affectant
lescomparaisons
parpaire
suivent une loi normaled’espérance
nulle et de variance
03C32 =
1 sur l’échellelogarithmique.
FIGURE 3 :
Puissance observée de la
procédure
deTukey
lors de 10 000 tests del’hypothèse Ho :
w -(1/3, 1/3, 1/3)’
au seuil de5%, lorsque
lesperturbations pseudo-
aléatoires
affectant
lescomparaisons
parpaire
suivent une loi normaled’espérance
nulle et de variance
03C32 = 1/100
sur l’échellelogarithmique.
FIGURE 4 :
Puissance observée de la
procédure classique
lors de 10 000 tests del’hypothèse Ho :
w =(1/3, 1/3, 1/3)’
au seuil de5%, lorsque
lesperturbations pseudo-
aléatoires
affectant
lescomparaisons
parpaire
suivent une loi normaled’espérance
nulle et de variance
03C32 =1/100
sur l’échellelogarithmique.
FIGURE 5 :
Différence
observée entre lapuissance
de laprocédure
deTukey
et celle de laprocédure classique
lors de 10 000 tests del’hypothèse Ho :
w =(1/3, 1/3, 1/3)’au
seuil de
5%, lorsque
lesperturbations pseudo-aléatoires affectant
lescomparaisons
par
paire
suivent une loi normaled’espérance
nulle et de variance03C32 =
1 surl’échelle
logarithmique.
FIGURE 6 :
Différence
observée entre lapuissance
de laprocédure
deTukey
et celle de laprocédure classique
lors de 10 000 tests del’hypothèse Ho :
w =(1/3,1/3, 1/3)’au
seuil de
5%, lorsque
lesperturbations pseudo-aléatoires affectant
lescomparaisons
par
paire
suivent une loi normaled’espérance
nulle et de variancea-2
=1/4
surl’échelle
logarithmique.
FIGURE 7 :
Différence
observée entre lapuissance
de laprocédure
deTukey
et celle de laprocédure classique
lors de 10 000 tests del’hypothèse Ho :
w =(1/3, 1/3, 1/3)’au
seuil de
5%, lorsque
lesperturbations pseudo-aléatoires affectant
lescomparaisons
par
paire
suivent une loi normaled’espérance
nulle et de varianceu 2
=1/100
surl’échelle
logarithmique.
pour
1
i n, de sorte que 1 = 0corresponde
àl’hypothèse
nulleHo : w = e/n.
La
figure
8permet
de visualiser la courbe que décrit le vecteurw(03B3)
dans lesimplexe lorsque n =
3. Ce choix decontre-hypothèses
sejustifie
du fait que le vecteur dont lescomposantes
sont définies en(7)
est à la fois la solution deSaaty
et celledes moindres carrés
logarithmiques
auproblème
de l’estimation despriorités
d’unematrice de
réponses
cohérente au sens ordinal dont tous les éléments à l’extérieur de ladiagonale principale
seraientégaux
à a = ey > 1 ou à son inversemultiplicatif.
Pour de
plus amples
détails sur le rôle central quejouent
les matrices de cetype
dansl’analyse
decomparaisons
parpaire exprimées
sur une échelleordinale,
onpeut
se référer à l’article deGenest, Lapointe
&Drury (1993).
FIGURE 8 :
Lieu
géométrique
despoints
w =(w1, W2)’
de composanteswi(03B3) définies
parl’équation (7)
pour i =1,
2Les
figures
9 et 10 illustrent l’évolution de lapuissance
du testclassique
etdu test de
Tukey
à mesure que la vraie valeur dew(03B3) s’éloigne
dupoint e/n.
Cesrésultats ont été obtenus à
partir
de tests effectués aux seuils de 5 % et de 1 % sur 10 000 matrices deréponses
de taille n =3, 5, 7
et 9. Les simulations ont été réalisées ensupposant
une loi normaled’espérance
nulle et de variancea2
=1, 1/4
et1/100
pour le
logarithme
desperturbations
aléatoires affectant lescomparaisons
parpaire.
La
figure
9 montre que pour lescontre-hypothèses choisies,
les deux tests ont uncomportement
très semblablelorsque n
= 5 et ce, sanségard
à la valeur dea2
ou au seuil nominal des tests. Les résultatsnumériques
confirmentégalement
l’absencede biais des deux tests
rapportée
au§3. Quant
à lafigure 10,
elle met en évidence la détériorationgraduelle
du test deTukey
à mesure que n croît. Cette observation est toutefois limitée à la série decontre-hypothèses choisie, puisque
ni l’un ni l’autre des deux tests n’est uniformémentplus puissant
que soncompétiteur.
Dans le casd’espèce considéré,
lasupériorité
du testclassique
reste d’ailleurs touterelative, puisque quand
n =
7,
la différence depuissance
entre les deux tests est inférieure à 6%lorsque
a =
0, 05
et à 8%quand
a =0,01.
Ces différences s’élèventrespectivement
à8,6%
et à
12,8% lorsque n
= 9.Si on
ajoute
à ces différentes observations le fait que la méthode des compa- raisons parpaire
devientrapidement impraticable
pour des valeurs de nsupérieures
à
10,
ilapparaît
que le choix du test à utiliser pour confirmer despriorités
dans lecontexte du
procédé d’analyse hiérarchique
se réduit essentiellement à une affaire degoût.
Cette conclusion est d’ailleurs en toutpoint
semblable à celle que David(1953)
formulait à propos des mérites relatifs du test deTukey
et du test durapport
de vraisemblance dans le cadre del’analyse
de la variance.5.
Étude
de robustesseLes résultats
théoriques
etexpérimentaux exposés
dans lesparagraphes précédents supposent
tous la normalité dulogarithme
desperturbations
aléatoiresEij du modèle
(1).
Afin d’évaluer dansquelle
mesure le test deTukey
et soncompéti-
teur
classique dépendent
de cepostulat,
leurpuissance
a été étudiée sous d’autres conditions à l’aide de simulations detype
Monte-Carlo. Trois genres de lois pour eij =log (~ij)
ont été utilisés à cettefin,
à savoir :(1)
la loi uniforme sur l’intervalle(-3, 3);
(2)
la loi deLaplace (ou
doubleexponentielle)
de densité exp(-2|x|)/2
sur ladroite
réelle;
(3)
unmélange
de deux lois normalesN(0, -r 2)
et N0,
enproportions
7r > 0 et 1 - 7r
respectivement.
Toutes ces lois étant de variance un, les résultats de simulations sont directement
comparables
à ceux obtenuslorsque
eij suit une loi normale centrée réduite. Ce choix de lois a étéguidé
par le fait que les ailes de la distribution normale sontplus déployées
que celles de la loi
uniforme,
mais moins que celles des deux autres lois.FIGURE 9 :
Puissance observée des
procédures classique (ligne pointillée)
et deTukey (ligne continue)
lors de10000 tests confrontant les hypothèses Ho :
w =(1/5, 1/5, 1/5, 1/5, 1/5)’
etHl :
w =w(03B3)
aux seuils de 5% et1%, lorsque
lesperturbations pseudo-
aléatoires
affectant
lescomparaisons
parpaire
suivent une loi normaled’espérance
nulle et de variance
03C32= 1, 1/4
et1/100.
FIGURE 10 :
Puissance observée des
procédures classique (ligne pointillée)
et deTukey (ligne continue)
lors de 10 000 testsconfrontant
leshypothèses Ho :
w =e/n
etHl :
w =w(03B3)
aux seuils de 5% et1%, lorsque
n =3, 5, 7
et 9 et que lesperturbations pseudo-aléatoires affectant
lescomparaisons
parpaire
suivent une loinormale
d’espérance
nulle et de variance03C32
=1/4.
Les
figures
11 et 12 sont le résultat de 10 000 tests del’hypothèse Ho :
w =e/n
effectués au seuil de 5% et de 1 %
quand
n = 5.Chaque graphique
illustre l’évolution de lapuissance
des deux tests concurrents en fonctionde 03B3 0,
leparamètre
définissant les
contre-hypothèses contiguës (7).
La
figure
11 met enparallèle
les situations où la loi de eij estnormale,
uniforme ou doubleexponentielle.
Lafigure
12permet
de faire descomparaisons
avec différentsmélanges
de lois normales. Comme onpeut
le constater, lecomportement
des deuxtests est le même dans tous les cas. Il semble donc
n’ y
avoir que peu deconséquence
àsupposer la normalité
lorsque
la loi desperturbations
est en réalitéuniforme,
doubleexponentielle
ou unmélange
de lois normales. Lagénéralité
de cette conclusionmériterait toutefois d’être testée à l’aide d’autres séries de
contre-hypothèses.
Commeon le
signale
dans le§2.10
del’ouvrage
de Miller(1981),
bien peu de choses sontconnues à ce
jour
sur la robustesse desprocédures statistiques
définies àpartir
del’étendue studentisée.
6. Conclusion
Tous les résultats
théoriques
etexpérimentaux rapportés
dans cet articleportent
à croirequ’il
n’existe pas de différencemajeure
entre lastatistique
deTukey
etcelle du
rapport
devraisemblance,
vus comme critères d’un test de confirmation despriorités
dans le cadre duprocédé d’analyse hiérarchique
deSaaty.
L’une et l’autreprocédure
sont sans biais et depuissance comparable
pour depetites
valeurs de n sousles
postulats d’indépendance
mutuelle et de normalité desperturbations
aléatoiresaffectant les
comparaisons
parpaire
effectuées par lerépondant.
Parailleurs,
lesdeux
statistiques
semblent secomporter adéquatement
mêmelorsque
leditpostulat
de normalité s’avère non fondé.
Il serait
intéressant,
dans des travauxultérieurs,
d’examiner la sensibilité relative de ces deux tests en cas dedépendance
oud’hétérogénéité
de la variance des termes d’erreur eij du modèle linéaire(2).
La structure de covarianceproposée
par deJong (1984)
serait unpoint
dedépart
naturel pour une telle étude. Unprojet plus
ambitieuxconsisterait à identifier le
type
decontre-hypothèses
pourlequel
le test deTukey
s’avère moins
puissant
que soncompétiteur.
Bien peu deprogrès
semblent avoir été réalisés dans ce domainedepuis
les travaux de David(1953).
FIGURE 11 :
Puissance observée des
procédures classique (ligne pointillée)
et deTukey (ligne continue)
lors de 10 000 testsconfrontant
leshypothèses Ho :
w =(1/5, 1/5, 1/5, 1/5, 1/5)’
etHl :
w =w(03B3)
aux seuils de 5% et1%, lorsque
lesperturbations pseudo-aléatoires affectant
lescomparaisons
parpaire
suivent(a)
une loi normalecentrée
réduite; (b)
une loiuniforme
sur l’intervalle(--,f3-, 3); (c)
une loi doubleexponentielle
de variance 1.FIGURE 12 :
Puissance observée des
procédures classique (ligne pointillée)
et deTukey (ligne continue)
lors de 10 000 testsconfrontant
leshypothèses Ho :
w =(1/5, 1/5, 1/5, 1/5, 1/5)’
etHl :
w =w (-y)
aux seuils de 5% et1%, lorsque
lesperturbations pseudo-aléatoires affectant
lescomparaisons
parpaire
ont pour distributions unmélange
de lois normales deparamètres (a) T2 = 1/2
et 7r =1/2; (b) T2
=1/2
et7r =
1/10; (c) T2 = 9/10
et 03C0 =1/10; (d) T2 = 99/100
et 7r =1/2.
Bibliographie
DAVID,
H. A.(1953).
The power function of some tests based on range.Biometrika, 40,
347-353.DAVID,
H. A.(1981).
OrderStatistics,
deuxième édition. JohnWiley
&Sons,
New York.DE
JONG,
P.(1984).
A statisticalapproach
toSaaty’s scaling
method forpriorities.
Journal
of Mathematical Psychology, 28,
467-478.GENEST, C.,
F. LAPOINTE& S. W.Drury (1993).
On aproposal
of Jensen for theanalysis
of ordinalpairwise preferences using Saaty’s eigenvector scaling
method. Journal
of Mathematical Psychology, 37,
575-610.GENEST,
C. & S.-S.Zhang (1995).
Hilbert’s metric and theAnalytic Hierarchy
Process. Mathematical and
Computer Modelling,
sous presse.GUPTA,
S.S.,
K. C. S. PILLAI & G. P. Steck(1964).
On the distribution of linear functions and ratios of linear functions of ordered correlated normal random variables withemphasis
on range.Biometrika, 51,
143-151.JOHNSON,
N. L. & S. KOTZ(1970).
Continuous Univariate Distributions-2. JohnWiley
&Sons,
New York.MILLER,
R. G. Jr(1981).
Simultaneous StatisticalInference,
deuxième édition.Springer-Verlag,
New York.RAMACHANDRAN,
K. V.(1956).
On theTukey
test for theequality
of meansand the
Hartley
test for theequality
of variances. The Annalsof Mathematical Statistics, 27,
825-831.RAO,
C. R.(1973).
Linear StatisticalInference
and itsApplications,
deuxièmeédition. John
Wiley
&Sons,
New York.SAATY,
T. L.(1977).
Ascaling
method forpriorities
in hierarchical structures.Journal
of Mathematical Psychology, 15,
234-281.SAATY,
T. L.(1993).
What is relative measurement? The ratio scalephantom.
Mathematical and
Computer Modelling, 17, 1-12.
SAATY,
T. L.(1994).
Fundamentalsof Decision Making
andPriority Theory
withthe