📊 statistics

Bayesian inference for partial orders from random linear extensions: power relations from 12th Century Royal Acta

Dieser Beitrag stellt ein bayessches Hidden-Markov-Modell vor, das sich aus zufälligen linearen Erweiterungen in den königlichen Urkunden des 12. Jahrhunderts ergebende, sich entwickelnde soziale Hierarchien als partielle Ordnungen ableitet, wodurch Veränderungen der bischöflichen Autorität erfolgreich quantifiziert und Verschiebungen in der Hofpolitik aufgedeckt werden, die einfachere Ranking-Modelle nicht erfassen können.

Ursprüngliche Autoren: Geoff K. Nicholls, Jeong Eun Lee, Nicholas Karn, David Johnson, Rukuang Huang, Alexis Muir-Watt

Veröffentlicht 2026-05-18

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Geoff K. Nicholls, Jeong Eun Lee, Nicholas Karn, David Johnson, Rukuang Huang, Alexis Muir-Watt

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, die genaue Rangfolge einer Gruppe von 67 Bischöfen im England des 12. Jahrhunderts herauszufinden. Sie haben kein Regelbuch, das besagt: „Bischof A steht immer über Bischof B." Stattdessen verfügen Sie über Hunderte alter Rechtsdokumente (sogenannte Royal Acta), in denen diese Bischöfe als Zeugen ihre Namen unterzeichnet haben.

In diesen Dokumenten war die Reihenfolge, in der die Namen erschienen, nicht zufällig; sie spiegelte den sozialen Status wider. Je höher Ihr Rang, desto früher erschien Ihr Name. Allerdings waren die Listen nicht perfekt. Manchmal sprang ein Bischof die Schlange ab, oder ein Schreiber machte einen Fehler. Zudem war nicht jeder Bischof bei jeder Versammlung anwesend, sodass Sie zu jedem Zeitpunkt nur einen kleinen Ausschnitt der Gruppe sehen.

Die Autoren dieses Papers bauten eine ausgefeilte „Zeitmaschine" (ein statistisches Modell), um die sich entwickelnde soziale Hierarchie dieser Bischöfe über einen Zeitraum von 76 Jahren zu rekonstruieren. Hier ist die einfache Erklärung, wie sie es taten:

1. Das Problem: Es ist keine einfache Linie

Die meisten Menschen gehen davon aus, dass der soziale Rang eine gerade Linie ist: Platz 1, Platz 2, Platz 3 und so weiter. Doch die Autoren erkannten, dass dies für diese Bischöfe nicht zutrifft.

Die Analogie: Stellen Sie sich eine Leiter vor, bei der einige Sprossen fehlen. Sie können von unten nach oben klettern, aber manchmal befinden sich zwei Personen auf verschiedenen Ästen eines Baumes, und keiner ist eindeutig „über" dem anderen.
Die Mathematik: Sie nennen dies eine Partielle Ordnung. Es ist eine Karte darüber, wer definitiv über wem steht, erlaubt aber „Unentschiedene" oder „Unbekannte", wo die Daten keine klare Antwort liefern. Dies ist flexibler als die Annahme einer perfekten, geraden Rangliste.

2. Die Methode: Die „Schlange" und das „Rauschen"

Die Autoren stellten sich die Bischöfe vor, wie sie in einer Schlange warten, um ein Dokument zu unterzeichnen.

Das Ideal: Wenn alle die Regeln perfekt befolgten, wäre die Schlange immer gemäß der verborgenen sozialen Hierarchie (der „Partiellen Ordnung") angeordnet.
Die Realität: Manchmal würde ein Bischof die „Schlange abkürzen" (vielleicht aufgrund politischer Gunst oder eines Schreibfehlers).
Das Modell: Sie schufen ein Hidden-Markov-Modell.
- Der verborgene Zustand: Die unsichtbare, sich wandelnde soziale Hierarchie (die „Karte", wer wen überragt).
- Die beobachteten Daten: Die tatsächlichen Namenslisten, die in den Dokumenten gefunden wurden.
- Das Rauschen: Eine „Schlange-abkürzende" Wahrscheinlichkeit. Das Modell berechnet, wie wahrscheinlich es ist, dass ein Bischof die Schlange abgeschnitten hat, im Vergleich dazu, einfach korrekt platziert worden zu sein.

3. Die Zutaten: Dienstalter vs. Macht

Das Modell versuchte herauszufinden, was die Position eines Bischofs bestimmte.

Dienstalter (Der Faktor „Zeit im Amt"): Je länger ein Bischof im Amt war, desto höher sollte er rangieren. Das Modell behandelte dies wie eine vorhersehbare Regel.
Autorität (Der Faktor „Politische Macht"): Manchmal wurde ein Bischof mit weniger Dienstalter höher eingestuft, weil er ein enger Freund des Königs war. Das Modell trennte diese „politische Macht" von der Regel des „Dienstalters".

4. Die Ergebnisse: Was das Modell fand

Indem sie ihr Modell auf 371 Listen von 1080 bis 1155 anwandten, enthüllten sie mehrere interessante historische Wahrheiten:

Dienstalter zählt (meistens): Das Modell bestätigte, dass die Regeln der Kirche (basierend darauf, wie lange man Bischof war) der Haupttreiber der Reihenfolge waren. Die Listen folgten im Allgemeinen der „Dienstalters"-Regel.
Der „normannische" Rückgang: Zu Beginn des Zeitraums wurden Bischöfe aus der Normandie (Frankreich) sehr hoch eingestuft. Doch im Laufe der Zeit sank ihr Status in englischen Dokumenten. Das Modell deutet darauf hin, dass englische Bischöfe ihren französischen Amtskollegen langsam den Vorrang nahmen.
Politische Gunst: Einige Bischöfe brachen die Dienstaltersregeln. Zum Beispiel wurde Nigel, Bischof von Ely, in den 1130er Jahren sehr hoch eingestuft (wahrscheinlich aufgrund königlicher Gunst), fiel aber nach 1139, als er bei König in Ungnade fiel, deutlich ab.
London und Winchester: Die Bischöfe von London und Winchester hielten durchgehend hohe Autorität und rangierten oft über anderen, selbst wenn sie nicht die dienstältesten waren.

5. Warum dieses Modell besonders ist

Die Autoren verglichen ihr „Partielle-Ordnung"-Modell mit anderen Methoden zur Rangordnung (wie Standard-Sportranglisten oder einfachen Listen).

Die Analogie: Stellen Sie sich vor, Sie versuchen, einen unordentlichen Raum zu organisieren.
- Alte Modelle: Zwingen Sie dazu, jeden Gegenstand in eine einzige, perfekte Linie zu stellen (Buch A, Buch B, Buch C). Wenn zwei Bücher nicht in diese Linie passen, gerät das Modell in Verwirrung.
- Dieses Modell: Erlaubt Ihnen zu sagen: „Buch A steht über Buch B, aber Buch C befindet sich auf einem ganz anderen Regal, und wir wissen nicht, wie es sich damit vergleicht."
Das Urteil: Die Autoren fanden heraus, dass dieser flexible „Partielle-Ordnung"-Ansatz die historischen Daten viel besser abbildete als die starren „gerade Linie"-Modelle. Er erfasste die chaotische, komplexe Realität der mittelalterlichen Politik besser als einfachere Methoden.

Zusammenfassung

Das Paper ist eine statistische Detektivgeschichte. Indem sie die Reihenfolge der Namen in alten Rechtsdokumenten als verrauschtes Signal behandelten, rekonstruierten die Autoren die unsichtbare soziale Leiter der Bischöfe des 12. Jahrhunderts. Sie bewiesen, dass zwar das Dienstalter die Hauptregel war, politische Macht und Nationalität (Engländer vs. Normannen) die Leiter jedoch erschüttern konnten, und dass ihr neues mathematisches Werkzeug der beste Weg war, diese Veränderungen klar zu erkennen.

Technische Zusammenfassung: Bayessche Inferenz für partielle Ordnungen aus zufälligen linearen Erweiterungen

Problemstellung
Der Beitrag adressiert die statistische Herausforderung, eine sich zeitlich entwickelnde soziale Hierarchie aus Rangordnungsdaten zu inferieren, wobei die zugrundeliegende Struktur nicht notwendigerweise eine vollständige (totale) Ordnung ist. Die Autoren analysieren 371 Zeugenlisten aus den englischen und normannischen königlichen Acta des 12. Jahrhunderts (Rechtsurkunden), die die Reihenfolge der Nennung von 67 Bischöfen verzeichnen. Historiker vermuten, dass diese Reihenfolge eine soziale Hierarchie widerspiegelt, die auf Status, Seniorität und politischem Einfluss basiert. Die Daten sind jedoch verrauscht, unvollständig (in jeder Liste erscheinen nur Teilmengen von Bischöfen), und die zugrundeliegende Hierarchie kann nicht vergleichbare Paare von Akteuren enthalten (eine partielle Ordnung) anstatt einer einzigen linearen Rangfolge. Bestehende Modelle für Rangdaten, wie Mallows und Plackett-Luce, gehen typischerweise von einer totalen Ordnung oder kontextunabhängigen Wahrscheinlichkeiten aus, was für diesen historischen Kontext, in dem zwar Transitivität erwartet wird, die Ordnung jedoch partiell ist, möglicherweise unangemessen ist.

Methodik
Die Autoren schlagen ein Bayessches Hidden-Markov-Modell (HMM) vor, bei dem der latente Zustand eine sich entwickelnde partielle Ordnung (Poset) ist und die beobachteten Daten zufällige lineare Erweiterungen dieses Posets darstellen.

Parametrisierung der latenten Variable:
- Das Poset zur Zeit $t$ , bezeichnet als $h(t)$ , wird aus einer latenten $K$ -dimensionalen Statusmatrix $Z(t)$ generiert.
- Für jeden Bischof $j$ entwickelt sich ein latenter Autoritätsvektor $U^{(t)}_j$ über die Zeit als Vektorautoregression (VAR) erster Ordnung.
- Ein Kovariableneffekt $\beta_{s_{t,j}}$ basierend auf der Seniorität wird zum Autoritätsvektor addiert, um den Statusvektor zu bilden: $Z^{(t)}_j = U^{(t)}_j + \mathbf{1}_K \beta_{s_{t,j}}$ .
- Das Poset $h(t)$ wird durch den Schnitt von $K$ totalen Ordnungen definiert, die sich aus den Spalten von $Z(t)$ ergeben. Bischof $i$ geht im Poset vor $j$ voraus, wenn und nur wenn $Z^{(t)}_{i,k} > Z^{(t)}_{j,k}$ für alle $k=1,\dots,K$ gilt.
- Die Dimension $K$ wird als $\lfloor D/2 \rfloor$ gewählt (wobei $D$ die maximale Anzahl aktiver Bischöfe ist), was sicherstellt, dass das Modell jedes mögliche Poset darstellen kann (universelle Darstellungs Eigenschaft).
Beobachtungsmodell (Queue-Jumping):
- Die beobachteten Listen werden als „verrauschte" lineare Erweiterungen des wahren Posets modelliert.
- Die Autoren führen einen „Queue-Jumping"-Mechanismus ein: Mit Wahrscheinlichkeit $p$ wird der nächste Akteur in der Liste gleichverteilt zufällig gewählt (unter Ignorierung der Poset-Beschränkungen); andernfalls wird der Akteur gemäß einer zufälligen linearen Erweiterung der verbleibenden Teilordnung gewählt.
- Dies ermöglicht „Rauschen", bei dem die beobachtete Reihenfolge der zugrundeliegenden Hierarchie widerspricht, während die Beschränkung aufrechterhalten wird, dass gültige lineare Erweiterungen wahrscheinlicher sind.
- Das Modell behandelt unvollständige Listen (Teilmengen von Bischöfen), indem es auf die durch die anwesenden Akteure induzierte Teilordnung konditioniert.
Priors und Konsistenz:
- Der Prior für den Poset-Prozess wird so konstruiert, dass er marginal konsistent ist, was bedeutet, dass die Verteilung einer Teilordnung (induziert durch eine Teilmenge von Akteuren) mit der Verteilung der totalen Ordnung konsistent ist. Dies wird durch die Verwendung eines spezifischen Priors für die latenten Vektoren $U$ und den Korrelationsparameter $\rho$ erreicht.
- Ein Hyperparameter $\rho$ steuert die „Tiefe" des Posets (die Länge der längsten Kette). Der Prior ist so gestaltet, dass er bezüglich der Tiefe nicht-informativ ist, wodurch die Konzentration auf Posets der Tiefe 3 vermieden wird, wie sie bei uniformen Priors über alle Posets beobachtet wird.
- Die Senioritätseffekte $\beta$ werden so eingeschränkt, dass sie geordnet sind ( $\beta_1 > \beta_2 > \dots$ ), um historischen Erwartungen zu entsprechen, dass Seniorität mit Status korreliert, obwohl auch unbeschränkte Modelle getestet werden.
Inferenz:
- Die Posterior-Inferenz wird mittels Markov-Chain-Monte-Carlo (MCMC) mit Metropolis-Hastings-Updates durchgeführt.
- Die Likelihood beinhaltet das Zählen linearer Erweiterungen, ein #P-vollständiges Problem. Die Autoren nutzen rekursive Zählalgorithmen (insbesondere das Paket lecount), die für die kleine Anzahl von Akteuren ( $m \le 22$ ) in diesem Datensatz machbar sind, die Skalierbarkeit auf größere Probleme jedoch begrenzen.

Hauptbeiträge

Neue Modellklasse: Der Beitrag führt ein allgemeines Rahmenwerk zur Modellierung von Rangzeitreihendaten ein, bei dem die zugrundeliegende Struktur eine partielle Ordnung ist, und verallgemeinert dabei bestehende Modelle wie Mallows und Plackett-Luce.
Marginale Konsistenz: Die Autoren leiten her und beweisen, dass ihr latenter Variablen-Prior für Posets marginal konsistent ist, eine Eigenschaft, die bei ad-hoc-Priors für partielle Ordnungen häufig verletzt wird.
Universelle Darstellung: Sie zeigen, dass mit einer latenten Dimension $K \ge \lfloor D/2 \rfloor$ das Modell jede mögliche Poset-Zeitreihe darstellen kann, was sicherstellt, dass kein struktureller Bias gegen komplexe Hierarchien besteht.
Historische Anwendung: Dies ist die erste statistische Analyse von Zeugenlisten königlicher Acta aus dem 12. Jahrhundert, die die soziale Hierarchie explizit als partielle Ordnung modelliert und die Effekte der Seniorität von der persönlichen Autorität trennt.

Ergebnisse

Modellanpassung: Das auf Posets basierende Modell übertrifft einfachere Alternativen (Vertex-Series-Parallel-Ordnungen, Bucket-Ordnungen) und ein Plackett-Luce-Zeitreihen-Mischmodell hinsichtlich der Güte der Anpassung (gemessen durch Leave-One-Out-Cross-Validation und Bayes-Faktoren).
Seniorität vs. Autorität: Die Analyse bestätigt eine starke Abhängigkeit des Status von der Seniorität, wobei der Effekt der Seniorität mit zunehmender Rangkennzahl abnimmt. Das Modell isoliert jedoch erfolgreich „Autorität" (Abweichungen von der Seniorität).
Historische Erkenntnisse:
- Normannische Bischöfe: Das Modell erkennt einen Rückgang des Status normannischer Bischöfe (z. B. aus Avranches, Bayeux, Évreux) im Verhältnis zu englischen Bischöfen ab dem frühen 12. Jahrhundert, einen Trend, der zuvor nicht quantifiziert wurde.
- Politischer Einfluss: Der Status bestimmter Bischöfe, wie Henry de Blois (Bruder von König Stephan) und Nigel von Ely, schwankt in einer Weise, die mit politischer Gunst oder Ungnade korreliert, unabhängig von ihrer Seniorität.
- Hierarchiestruktur: Die rekonstruierten konsensuellen Posets sind relativ flach und bestehen typischerweise aus wenigen Gruppen mittlere Rang einnehmender Bischöfe mit einer kleinen Anzahl von Akteuren darüber oder darunter, anstatt einer tiefen, starren Hierarchie.

Bedeutung und Behauptungen
Der Beitrag behauptet, dass sein primärer Beitrag die Entwicklung einer statistisch rigorosen Methode zur Inferenz sich entwickelnder partieller Ordnungen aus verrauschten, unvollständigen Rangdaten ist. Durch die Anwendung auf historische Acta liefern die Autoren quantitative Belege dafür, wie soziale Hierarchien im 12. Jahrhundert funktionierten, und unterscheiden dabei spezifisch zwischen struktureller Seniorität und fließender politischer Autorität.

Die Autoren sind bezüglich der rechnerischen Skalierbarkeit ihrer Methode bescheiden und räumen ein, dass die #P-vollständige Natur des Zählens linearer Erweiterungen das Modell auf Datensätze mit kleinen Anzahlen von Akteuren (ca. 20) beschränkt. Sie schlagen vor, dass für größere Datensätze eingeschränkte Klassen von Posets (wie VSP- oder Bucket-Ordnungen) notwendige Kompromisse sein könnten. Sie weisen zudem darauf hin, dass ihr Modell, obwohl es gut zu den Daten passt, das „Rauschen" so annimmt, dass Fehler in eine Richtung auftreten (Queue-Jumping), und zukünftige Arbeiten bidirektionale Rauschmodelle untersuchen könnten.

Letztlich argumentiert der Beitrag, dass die Annahme einer totalen Ordnung (wie in Standard-Ranking-Modellen) für diese Art sozialer Daten ungerechtfertigt ist und dass Modelle für partielle Ordnungen eine genauere und interpretierbarere Darstellung historischer sozialer Strukturen bieten.