Isotonic Bradley-Terry Model for Paired Comparison Data

Stellen Sie sich vor, Sie sind ein Sportfan und versuchen herauszufinden, wer der beste Spieler der Welt ist. Sie haben eine riesige Liste von Spielergebnissen: wer gegen wen gewonnen hat, wer unentschieden spielte und wer verloren hat. Aber der knifflige Teil dabei ist: Sie können nicht einfach nur auf die Anzahl der Siege schauen. Ein Spieler könnte zehnmal gegen einen schwachen Gegner gewonnen haben, aber gegen einen starken einen einzigen Male verloren haben. Um das Sinn zu geben, nutzen Wissenschaftler ein mathematisches Werkzeug namens Bradley-Terry-Modell. Betrachten Sie dieses Modell als einen „Stärkerechner“. Es weist jedem Spieler eine verborgene Zahl (einen „Stärkewert“) zu. Wenn Spieler A einen höheren Wert als Spieler B hat, sagt das Modell voraus, dass A gewinnen wird. Um die Differenz zwischen diesen beiden Werten in eine echte Gewinnwahrscheinlichkeit (wie „60 % Chance, dass A gewinnt“) umzuwandeln, verwendet das Modell eine spezifische Form oder „Kurve“, die als inverse Verknüpfungsfunktion bezeichnet wird.

Jahrzehntelang mussten Forscher raten, welche Kurvenform die richtige ist. Sie wählen eine Standardform – wie eine glatte S-Kurve (logistisch) oder eine Glockenkurvenform (Gauß) – und halten sich daran, in der Hoffnung, dass sie zu den Daten passt. Das Problem ist: Das reale Leben ist chaotisch. Manchmal passt die Form der Daten nicht perfekt zu einer vorab gewählten Kurve, was zu schlechten Vorhersagen führt. Diese Arbeit stellt eine einfache, aber kühne Frage: Was wäre, wenn wir die Daten nicht in eine vorgefertigte Kurve zwingen? Was wäre, wenn wir die Daten selbst bestimmen lassen, wie die Kurve aussehen muss? Der Autor schlägt eine neue Methode vor, die die Form der Kurve direkt aus den Ergebnissen lernt, anstatt sie im Voraus zu erraten.

Das Problem: Die „Einheitsgröße“-Falle

In der Welt der Paarvergleiche – sei es bei Schachgroßmeistern, Tennisprofis oder Fußballmannschaften – wollen wir oft zwei Dinge tun: die Gewinnchancen zwischen zwei Spielern vorhersagen, die bisher noch nicht gegeneinander gespielt haben, und alle von der Stärksten zur Schwächsten ranken. Die traditionelle Art, dies zu tun, ist das Bradley-Terry-Modell.

Stellen Sie sich das Modell als eine Maschine mit zwei Teilen vor. Der erste Teil lernt einen „Stärkewert“ für jeden Spieler. Der zweite Teil nimmt die Differenz zwischen den Werten zweier Spieler, führt sie durch einen festen „Filter“ (die inverse Verknüpfungsfunktion) und spuckt dann die Gewinnwahrscheinlichkeit aus. Seit Jahren müssen Wissenschaftler diesen Filter im Voraus festlegen. Sie könnten sagen: „Lass uns den logistischen Filter verwenden“ oder „Lass uns den Gauß-Filter verwenden“.

Der Autor dieser Arbeit weist auf einen Fehler in diesem Ansatz hin: die Modellspezifikationsfehler (Model Misspecification). Es ist, als versuche man, einen quadratischen Klotz in ein rundes Loch zu pressen. Wenn sich die reale Welt wie eine gezackte, stufenförmige Funktion verhält, Sie die Daten aber durch eine glatte S-Kurve pressen, werden Ihre Vorhersagen falsch sein. Die Arbeit argumenttiert, dass wir, indem wir eine spezifische Kurvenform festlegen, bevor wir die Daten betrachten, wertvolle Informationen wegwerfen könnten.

Die Lösung: Das „Formwandler“-Modell

Um dies zu beheben, führt der Autor das Isotonische Bradley-Terry-Modell ein. Anstatt eine feste Kurve zu wählen, lässt er die Daten ihre eigene Kurve Stück für Stück aufbauen.

So funktioniert es, unter Verwendung einer spielerischen Analogie: Stellen Sie sich vor, Sie versuchen, eine hügelige Landschaft basierend auf ein paar verstreuten Wetterberichten zu kartieren.

1. Der alte Weg: Sie entscheiden im Voraus, dass das Gelände eine perfekte, glatte Parabel sein muss. Sie passen die Höhe Ihres Hügels an, um die Berichte zu erfüllen, aber wenn die Berichte einen plötzlichen Abhang zeigen, kann Ihre glatte Parabel diesen einfach nicht erfassen.
2. Der neue Weg (Isotonisches Modell): Sie nehmen keine Annahme über die Form vor. Stattdessen schauen Sie sich die Berichte an und zeichnen eine „Verbinde-die-Punkte“-Linie, die strikt nach oben geht (oder flach bleibt), während Sie sich von niedrigen zu hohen Werten bewegen. Dies wird als isotonische Regression bezeichnet. Es ist ein „nicht-parametrischer“ Ansatz, was bedeutet, dass er keine spezifische Formel annimmt; er folgt einfach dem Trend der Daten.

Der Autor schlägt einen klugen Tanz zwischen den beiden Teilen des Modells vor:

1. Zuerst schätzen sie die Stärkewerte der Spieler mithilfe einer Standardkurve.
2. Dann schauen sie sich die tatsächlichen Spielergebnisse an und zeichnen die Kurve (den „Filter“) neu, um diese Ergebnisse perfekt abzubilden, wobei sichergestellt wird, dass sie niemals rückwärts geht (Monotonie).
3. Dann verwenden sie diese neue, individuell geformte Kurve, um die Stärkewerte der Spieler neu zu berechnen.
4. Sie wiederholen diesen Prozess, indem sie abwechselnd die Werte und die Form der Kurve aktualisieren, bis das Modell sich nicht mehr verbessert.

Was sie herausgefunden haben: Bessere Vorhersagen und ehrliche Unentschieden

Der Autor testete diese neue Methode mit zwei Arten von Daten: synthetischen Daten (computergenerierte Spiele, bei denen sie die „wahre“ Antwort kannten) und realdaten aus der Fußball-Premier League 2024/2025, der MLB-Baseball-Saison 2025 und der ATP-Tennis-Tour 2025.

In ihren Computersimulationen erstellten sie Szenarien, in denen die „wahre“ Beziehung zwischen Stärke und Sieg seltsam war und nicht zu Standardkurven passte. In diesen Fällen hatte das traditionelle Modell Schwierigkeiten, aber das Isotonische Bradley-Terry-Modell schnitt signifikant besser ab. Es lernte die seltsame Form der Daten und traf genauere Gewinnvorhersagen.

Noch interessanter ist, dass das neue Modell besser darin ist, zuzugeben, wenn es die Antwort nicht weiß. Im traditionellen Modell könnte das Modell bei zwei Spielern mit ähnlichen Werten dennoch einen winzigen Unterschied erzwingen und sagen: „Spieler A hat eine 51%ige Gewinnchance.“ Das Isotonische Modell hingegen ist eher bereit zu sagen: „Diese beiden sind effektiv gleich stark“, was zu einer Gewinnwahrscheinlichkeit von 50 % führt. Der Autor fand heraus, dass dieses „Unentschieden“-Verhalten tatsächlich ein Merkmal und kein Fehler ist. Wenn nicht genügend Daten vorhanden sind, um zwischen zwei Spielern zu unterscheiden, verweigert das Modell korrekt die Erstellung eines strikten Rankings, was zu ehrlicheren und stabileren Gesamtranglisten führt.

In den realen Sportdaten waren die Ergebnisse ähnlich. Das neue Modell verbesserte die Genauigkeit der Gewinnwahrscheinlichkeitsprognosen, insbesondere wenn weniger Daten verfügbar waren (wie im Tennis, wo Spieler nicht sehr oft gegeneinander spielen). Es verbesserte auch den Kendall-Tau-Wert, ein Maß dafür, wie gut das Ranking des Modells mit den tatsächlichen Ergebnissen übereinstimmt.

Das Fazit

Diese Arbeit legt nahe, dass wir unsere Daten nicht in vorgefertigte mathematische Kästen pressen müssen. Indem wir die Daten die Form der Beziehung zwischen Stärke und Sieg bestimmen lassen, können wir Modelle bauen, die flexibler und genauer sind. Das Isotonische Bradley-Terry-Modell rät nicht nur die Kurve; es lernt sie. Obwohl es mehr Rechenschritte erfordert (das abwechselnde Aktualisieren von Werten und Kurve), ist der Lohn ein System, das mit chaotischen Realdaten besser umgehen kann und weiß, wann es „Ich kann nicht sagen, wer besser ist“ sagen muss, anstatt eine unsichere Vermutung anzustellen. Der Autor kommt zu dem Schluss, dass dieser Ansatz ein vielversprechender Schritt nach vorn ist, um alles von Sportspielen bis hin zu Umfragepräferenzen zu analysieren.