Evidence-Weighted Multi-Criteria Decision Support for Subjective Quality Assessment Under Sparse and Unbalanced Information

复杂产品的决策往往依赖主观用户体验，而相互竞争的备选方案可能由数量极不均衡的观测值所支持。本研究针对此类稀疏且不均衡的信息，开发了一种证据加权多准则决策方法。将七类评分量表在受访者层面进行聚合，并通过仿射变换映射至[0, 1]区间。通过限制最大似然估计领域特定的方差分量，并将其用于经验贝叶斯部分池化，从而在不排除有效备选方案的前提下对稀疏估计进行适度调整。AHP偏好权重在概念上与证据权重保持分离，固有产品质量与非固有所有权属性相区分，不确定性通过蒙特卡洛模拟进行传播。实证演示包含21个农用拖拉机品牌的140份独立问卷记录，样本量从1到50不等。与直接平均法相比，经验贝叶斯排序结果高度保持（Spearman ρ=0.992），同时缺乏支持的极端值有所减少。一项受控模拟表明，在高斯和有界非高斯数据生成条件下，经验贝叶斯的RMSE均低于算术平均、中位数和固定收缩法，且在n=1时获益最大。敏感性分析表明，排序对上层质量权重、AHP权重的扰动以及有界得分变换均具有高度稳定性。因此，该框架提供了可重复的、考虑不确定性的决策支持，而不会将弱证据视为不存在或与数据丰富的证据同等有力。