A Novel Approach to Objective Criterion Weighting: Extended Statistical Variance Procedure (ESVP)

Abstract

This study proposes the Extended Statistical Variance Procedure (ESVP) method to introduce a new perspective to criterion weighting processes. To address the limitations of the traditional SVP method, which focuses solely on the internal variations of criteria, the proposed method comprehensively examines the contrasts among criteria and their contributions to decision-making processes. In this context, criterion weights are calculated through a mathematical model that integrates the internal distribution of each criterion with the effects of its contrasts with other criteria. The effectiveness of the method has been tested through analyses focusing on sensitivity, reliability, and robustness. When compared to other widely used weighting methods such as ENTROPY, CRITIC, SVP, SD, and MEREC, the ESVP method demonstrated high correlations with these methods and superior performance. The Simulation analyses further validated the stability of the method under varying scenarios, revealing that the variances of criterion weights remained homogeneous. Moreover, the method's sensitivity to zero and negative values, computational comprehensiveness, and its ability to evaluate contrasts among criteria to strengthen decision-making processes provide distinct advantages over other approaches in the literature. In conclusion, the ESVP method is considered an effective and reliable tool for decision-makers in multi-criteria decision-making problems that require criterion weighting.

Keywords

• Variance
• SVP
• ESVP
• Intrinsic Distinction
• External Distinction

Nesnel Kriter Ağırlıklandırmasına Yönelik Yeni Bir Yaklaşım: Genişletilmiş İstatistiksel Varyans Yöntemi (ESVP)

Öz

Bu çalışma, kriter ağırlıklandırma süreçlerine yeni bir bakış açısı kazandırmak amacıyla Genişletilmiş İstatistiksel Varyans Yöntemi’ni (Extended Statistical Variance Procedure - ESVP) önermektedir. Yalnızca kriterlerin içsel değişkenliğine odaklanan geleneksel İVP (İstatistiksel Varyans Prosedürü) yönteminin sınırlılıklarını gidermek amacıyla geliştirilen bu yöntem, kriterler arasındaki zıtlıkları ve bu zıtlıkların karar verme süreçlerine katkılarını bütüncül bir şekilde ele almaktadır. Bu kapsamda, kriter ağırlıkları; her bir kriterin içsel dağılımı ile diğer kriterlerle olan karşıtlıklarının etkilerini birleştiren matematiksel bir model aracılığıyla hesaplanmaktadır. Yöntemin etkinliği; duyarlılık, güvenilirlik ve sağlamlık odaklı analizlerle test edilmiştir. ESVP yöntemi, ENTROPY, CRITIC, SVP, SD ve MEREC gibi literatürde yaygın olarak kullanılan diğer ağırlıklandırma yöntemleriyle karşılaştırıldığında, bu yöntemlerle yüksek korelasyon göstermiş ve üstün bir performans sergilemiştir. Simülasyon analizleri, farklı senaryolar altında yöntemin istikrarını doğrulamış ve kriter ağırlıklarının varyanslarının homojen kaldığını ortaya koymuştur. Ayrıca, yöntemin sıfır ve negatif değerlere karşı duyarlılığı, hesaplamadaki kapsamlılığı ve kriterler arası karşıtlıkları dikkate alarak karar verme sürecini güçlendirme kabiliyeti, literatürdeki diğer yaklaşımlara kıyasla belirgin avantajlar sunmaktadır. Sonuç olarak, ESVP yöntemi, kriter ağırlıklandırması gerektiren çok kriterli karar verme problemlerinde karar vericiler için etkili ve güvenilir bir araç olarak değerlendirilmektedir.

Anahtar Kelimeler

• Varyans
• IVP
• ESVP
• İçsel Dağılım
• Dışsal Dağılım

Kaynakça

1. [1] Zardari NH, Ahmed K, Shirazi SM, Yusop ZB. Weighting methods and their effects on multi criteria decision making model outcomes in water resources management, Springer Nature, Berlin, 2014.
2. [2] Baş, F. Çok kriterli karar verme yöntemlerinde kriter ağırlıklarının belirlenmesi, Nobel Bilimsel, Ankara, 2021.
3. [3] Bircan, H. Çok kriterli karar verme problemlerinde kriter ağirliklandirma yöntemleri, Nobel Akademik, Ankara, 2020.
4. [4] Ecer, F. Çok kriterli karar verme, Seçkin Yayıncılık, Ankara, 2020.
5. [5] Paksoy, S. Çok kriterli karar vermede güncel yaklaşimlar, Karahan Kitapevi, Ankara, 2017.
6. [6] Demir G, Özyalçın AT, Bircan H. Çok kriterli karar verme yöntemleri ve çkkv yazılımı ile problem çözümü, Nobel, Ankara, 2021.
7. [7] Wang CN, Nguyen NAT, Dang TT, Sustainable evaluation of major third-party logistics providers: A framework of an mcdm-based entropy objectiveweighting method. Mathematics. 2023; 11: 1-27.
8. [8] Liu S, Chen S, Wu P, Wu Q, Zhou L, Deveci M. A. Mardani, An integrated critic edas approach for assessing enterprise crisis management effectiveness based on weibo. Journal of Contingencies and Crisis Management. 2024; 32(2): 1-15.

9. [9] Odu GO, Weighting methods for multi-criteria decision making technique, J. Appl. Sci. Environ. Manage. 2024; 23(8): 1449-1457.
10. [10] Irvanizam I, Nasution MK, Tulus T, Nababan EB. A hybrid decision support framework using merec-rafsi with spherical fuzzy numbers for selecting banking financial aid recipients. IEEE. 2017; 20: 1-23.
11. [11] Öztaş T, Öztaş GZ. Innovation performance analysis of G20 countries: A novel integrated lopcow-mairca mcdm approach including the covid-19 period. Verimlilik Dergisi. 2024; Special Issue: 1-20.
12. [12] Öztel A, Alp İ. Çok kriterli karar verme seçiminde yeni bir yaklaşım, Kriter Yayıncılık, İstanbul, 2020.
13. [13] Thakkar JJ. Multi criteria decision making, Springer Singapore, Singapore, 2021.
14. [14] Kulkarni AJ. Multiple criteria decision making: techniques, analysis and applications, Springer Nature, Singapore, 2022.
15. [15] Triantaphyllou E. Multi-criteria decision making methods: A comparative study, Springer, New York, 2010.
16. [16] Diakoulaki D, Mavrotas G, Papayannakis L. Determining objective weights in multiple criteria problems: The critic method. Computers & Operations Research. 1995; 22(7): 763-770.
17. [17] Ayçin E. Çok kriterli karar verme, Nobel Yayın, Ankara, 2019.
18. [18] Keshavarz-Ghorabaee M, Amiri M, Zavadskas EK, Turskis J, Antucheviciene J. Determination of objective weights using a new method based on the removal effects of criteria (merec). Symmetry. 2021; 13: 1-20.
19. [19] Ecer F, Pamucar D. A novel lopcow-dobi multi-criteria sustainability performance assessment methodology: An application in developing country banking sector. Omega. 2022; 1: 1-35.
20. [20] Keleş, N. Uygulamalarla klasik ve güncel karar verme yöntemleri, Nobel Bilimsel, Ankara, 2023.
21. [21] Özarı Ç, Demirkale Ö. Entropy-topsis method approach: A comprehensive quarterly assessment with application in Turkey's cement sector. Fiscaoeconomia. 2024; 8(3): 938-967.
22. [22] Ulutaş A, Topal A. Bütünleştirilmiş çok kriterli karar verme yöntemlerinin üretim sektörü uygulamaları, Akademisyen Kitapevi, Ankara, 2020.
23. [23] Gülençer İ, Türkoğlu SP., Gelişmekte olan Asya ve Avrupa ülkelerinin finansal gelişmişlik performansinin istatistiksel varyans prosedürü temelli ocra yöntemiyle analizi. Üçüncü Sektör Sosyal Ekonomi Dergisi. 2020; 55(2): 1330-1344.
24. [24] Göktolga ZG. İktisadi ve idari bilimler için istatistik, Seçkin Yayıncılık, Ankara, 2017.
25. [25] Albayrak, AS. Uygulamalı çok değişkenli istatistik teknikleri, Asil Yayın Dağıtım, Ankara, 2006.
26. [26] Karagöz Y. Spss ve amos 23 uygulamali istatistiksel analizler, Nobel Akademik Yayıncılık, Ankara, 2017.
27. [27] Altun M, Bozkurt I. İstatistik ve İstatistiksel Yorumlama Teknikleri, Alfa Aktüel Yayıncılık, Ankara, 2020.
28. [28] Kalaycı Ş. Spss uygulamali çok değişkenli istatistik teknikleri, Anı Yayın Dağıtım, Ankara, 2013.
29. [29] Bursal M. Spss ile temel veri analizi, Anı Yayıncılık, Ankara, 2017.
30. [30] Tutar H. İşletme & yönetim terimleri ansiklopedik sözlük, Detay Yayıncılık, Ankara, 2013.
31. [31] Özdamar, K. Paket programlar ile istatistiksel veri analizi, Nisan Kitapevi, Ankara, 2013.
32. [32] Hayran O, Özbek H. Sağlık bilimlerinde araştirma ve istatistik yöntemler, Nobel Tıp Kitapevi, İstanbul, 2017,
33. [33] Turanlı M, Güriş S, Cengiz D, Özden ÜH, Kalkan SB. İstatistik El Kitabı, DER Yayınları, İstanbul, 2017.
34. [34] Taşpınar M. Sosyal bilimlerde spss uygulamalı nicel veri analizi, Detay Yayıncılık, Ankara, 2017.
35. [35] Erol H. Spss paket programi ile istatistiksel veri analizi, Akademisyen Kitabevi, Ankara, 2013.
36. [36] Güçlü İ. Sosyal bilimlerde nicel veri anaizi, Gazi Kitapevi, Ankara, 2020.
37. [37] Kilmen, S. Eğitim araştırmacıları için spss uygulamalı istatistik, Edge Akademi, Ankara, 2015.
38. [38] Yaratan, H. Sosyal bilimler için temel istatistik, Anı Yayıncılık, Ankara, 2017.
39. [39] Gürsakal, S. Sosyal bilimlerde spss uygulamali çok değişkenli istatistiksel analiz, Dora Yayıncılık, Bursa, 2019.
40. [40] Karagöz, Y. SPSS ve amos uygulamali nitel-nicel karma bilimsel araştirma yöntemler ve yayin etiği, Nobel Akademik Yayıncılık, Ankara, 2016.
41. [41] Tayalı, HA, Timor M, Ranking with statistical variance procedure based analytic hierarchy process. Acta Infologica. 2017; 1(1): 31-38.
42. [42] Nasser AA, Alkhulaidi AA, Ali MN, Hankal M, Al-olofe M. A Study on the impact of multiple methods of the data normalization on the result of saw, wed and topsis ordering in healthcare multi-attributte decision making systems based on ew, entropy, critic and svp weighting approaches. Indian Journal of Science and Technology. 2019; 12(4): 1-21.
43. [43] Nasser AA, Alkhulaidi AA, Ali MN, Hankal M, Al-olofe M. A weighted euclidean distance-statistical variance procedure based approach for improving the healthcare decision making system in Yemen. Indian Journal of Science and Technology. 2019; 12: (3): 1-15.
44. [44] Regaieg M, Frikha HM. Inferring criteria weight parameters in codas method. Int. J. Multicriteria Decision Making. 2021; 10(20): 1-19.
45. [45] R. Vavrek, An analysis of usage of a multi-criteria approach in an athlete evaluation: an evidence of nhl attackers, Mathematics, 9 (2021), 1-22.
46. [46] R. Vavrek, Evaluation of the impact of selected weighting methods on the results of the topsis technique. International Journal of Information Technology & Decision Making. 2019; 18(6): 1821–1843.
47. [47] T. T. Worku, Formwork material selection and optimization by a comprehensive integrated subjective–objective criteria weighting mcdm model. Discover Materials. 2025; 5(2): 1-23.
48. [48] A. K. Yadav, K. Singh, P. K. Srivastava, P. S. Pandey, I-MEREC-T: Improved merec-topsis scheme for optimal network selection in 5g heterogeneous network for IoT. Internet of Things. 2023; 22: 1-15.
49. [49] G. Demir, R. Arslan, Sensitivity analysis in multi-criteria decision-making problems. Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi. 2022; 24(3): 1025-1056.