📊 statistics

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

Este artículo presenta un Modelo Oculto de Markov Bayesiano que infiere jerarquías sociales evolutivas como órdenes parciales a partir de extensiones lineales aleatorias halladas en los Acta Reales del siglo XII, cuantificando con éxito los cambios en la autoridad episcopal y revelando desplazamientos en la política cortesana que modelos de clasificación más simples no logran captar.

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

Publicado 2026-05-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

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

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de averiguar el orden de precedencia exacto de un grupo de 67 obispos en la Inglaterra del siglo XII. No tienes un reglamento que diga «el Obispo A siempre está por encima del Obispo B». En cambio, tienes cientos de documentos legales antiguos (llamados Acta Regia) donde estos obispos firmaron sus nombres como testigos.

En esos documentos, el orden en que aparecían los nombres no era aleatorio; era un reflejo del estatus social. Cuanto mayor era tu rango, más temprano aparecía tu nombre. Sin embargo, las listas no eran perfectas. A veces un obispo podía saltarse el turno, o un escriba podía cometer un error. Además, no todos los obispos estaban presentes en cada reunión, por lo que solo se veía un pequeño fragmento del grupo en cualquier momento dado.

Los autores de este artículo construyeron una sofisticada «máquina del tiempo» (un modelo estadístico) para reconstruir la jerarquía social evolutiva de estos obispos a lo largo de 76 años. Así es como lo hicieron, explicado de forma sencilla:

1. El Problema: No es una Línea Simple

La mayoría de la gente asume que el rango social es una línea recta: primer lugar, segundo lugar, tercer lugar, y así sucesivamente. Pero los autores se dieron cuenta de que esto no era cierto para estos obispos.

La Analogía: Imagina una escalera donde faltan algunos peldaños. Puedes subir desde la parte inferior hasta la superior, pero a veces dos personas están en ramas diferentes de un árbol y ninguna está claramente «por encima» de la otra.
Las Matemáticas: Ellos llaman a esto un Orden Parcial. Es un mapa de quién está definitivamente por encima de quién, pero permite «empates» o «desconocidos» donde los datos no dan una respuesta clara. Esto es más flexible que asumir una clasificación perfecta y recta.

2. El Método: La «Cola» y el «Ruido»

Los autores imaginaron a los obispos formando una cola esperando firmar un documento.

Lo Ideal: Si todos siguieran las reglas perfectamente, la cola siempre estaría organizada según la jerarquía social oculta (el «Orden Parcial»).
La Realidad: A veces, un obispo «saltaría la cola» (quizás debido a un favor político o a un error del escriba).
El Modelo: Crearon un Modelo Oculto de Markov.
- El Estado Oculto: La jerarquía social invisible y cambiante (el «mapa» de quién tiene rango superior sobre quién).
- Los Datos Observados: Las listas reales de nombres encontradas en los documentos.
- El Ruido: Una probabilidad de «saltarse la cola». El modelo calcula qué tan probable es que un obispo saltara la línea frente a simplemente haber sido colocado allí correctamente.

3. Los Ingredientes: Antigüedad vs. Poder

El modelo intentó averiguar qué impulsaba la posición de un obispo.

Antigüedad (El Factor «Tiempo Servido»): Cuanto más tiempo había estado un obispo en el cargo, más alto debería ser su rango. El modelo trató esto como una regla predecible.
Autoridad (El Factor «Poder Político»): A veces, un obispo con menos antigüedad era clasificado más alto porque era un amigo cercano del Rey. El modelo separó este «poder político» de la regla del «tiempo servido».

4. Los Resultados: Qué Encontró el Modelo

Al ejecutar su modelo en 371 listas desde 1080 hasta 1155, descubrieron varias verdades históricas interesantes:

La Antigüedad Importa (Principalmente): El modelo confirmó que las reglas de la iglesia (basadas en cuánto tiempo habías sido obispo) eran el principal impulsor del orden. Las listas generalmente seguían la regla de la «antigüedad».
El Declive «Normando»: Al principio del período, los obispos de Normandía (Francia) eran clasificados muy alto. Pero con el paso del tiempo, su estatus en los documentos ingleses disminuyó. El modelo sugiere que los obispos ingleses estaban lentamente tomando precedencia sobre sus contrapartes francesas.
Favor Político: Algunos obispos rompieron las reglas de antigüedad. Por ejemplo, Nigel, Obispo de Ely, fue clasificado muy alto en la década de 1130 (probablemente debido al favor real) pero luego cayó significativamente después de caer en desgracia con el Rey en 1139.
Londres y Winchester: Los obispos de Londres y Winchester mantuvieron consistentemente una alta autoridad, clasificándose a menudo por encima de otros incluso cuando no eran los más antiguos.

5. Por Qué Este Modelo es Especial

Los autores compararon su modelo de «Orden Parcial» con otras formas de clasificar cosas (como las clasificaciones deportivas estándar o listas simples).

La Analogía: Imagina intentar organizar una habitación desordenada.
- Modelos Antiguos: Te obligan a poner cada objeto en una sola línea perfecta (Libro A, Libro B, Libro C). Si dos libros no encajan en esa línea, el modelo se confunde.
- Este Modelo: Te permite decir: «El Libro A está por encima del Libro B, pero el Libro C está en un estante completamente diferente y no sabemos cómo se compara».
El Veredicto: Los autores encontraron que este enfoque flexible de «Orden Parcial» se ajustaba mucho mejor a los datos históricos que los modelos rígidos de «línea recta». Capturó la realidad desordenada y compleja de la política medieval mejor que los métodos más simples.

Resumen

El artículo es una historia de detectives estadística. Al tratar el orden de los nombres en documentos legales antiguos como una señal ruidosa, los autores reconstruyeron la escalera social invisible de los obispos del siglo XII. Demostraron que, aunque la antigüedad era la regla principal, el poder político y la nacionalidad (inglés vs. normando) podían sacudir la escalera, y su nueva herramienta matemática era la mejor manera de ver estos cambios con claridad.

Resumen Técnico: Inferencia Bayesiana para Ordenes Parciales a partir de Extensiones Lineales Aleatorias

Planteamiento del Problema
El artículo aborda el desafío estadístico de inferir una jerarquía social en evolución temporal a partir de datos de orden de rango donde la estructura subyacente no es necesariamente un orden completo (total). Los autores analizan 371 listas de testigos de los Acta Reales ingleses y normandos del siglo XII (documentos legales), registrando el orden en el que se listaron 67 obispos. Los historiadores hipotetizan que este orden refleja una jerarquía social basada en estatus, antigüedad e influencia política. Sin embargo, los datos son ruidosos, incompletos (aparecen subconjuntos de obispos en cada lista) y la jerarquía subyacente puede contener pares de actores incomparables (un orden parcial), en lugar de una única clasificación lineal. Los modelos existentes para datos de rango, como Mallows y Plackett-Luce, suelen asumir un orden total o probabilidades independientes del contexto, lo cual puede ser inapropiado para este contexto histórico donde se espera transitividad pero el orden es parcial.

Metodología
Los autores proponen un Modelo Oculto de Markov (HMM) Bayesiano donde el estado latente es un orden parcial (poset) en evolución y los datos observados son extensiones lineales aleatorias de dicho poset.

Parametrización de la Variable Latente:
- El poset en el tiempo $t$ , denotado $h(t)$ , se genera a partir de una matriz de estatus latente $Z(t)$ de dimensión $K$ .
- Para cada obispo $j$ , un vector de autoridad latente $U^{(t)}_j$ evoluciona en el tiempo como una regresión vectorial autorregresiva (VAR) de orden 1.
- Se añade un efecto de covariable $\beta_{s_{t,j}}$ basado en la antigüedad al vector de autoridad para formar el vector de estatus: $Z^{(t)}_j = U^{(t)}_j + \mathbf{1}_K \beta_{s_{t,j}}$ .
- El poset $h(t)$ se define por la intersección de $K$ órdenes totales derivados de las columnas de $Z(t)$ . El obispo $i$ precede a $j$ en el poset si y solo si $Z^{(t)}_{i,k} > Z^{(t)}_{j,k}$ para todo $k=1,\dots,K$ .
- La dimensión $K$ se elige como $\lfloor D/2 \rfloor$ (donde $D$ es el número máximo de obispos activos), asegurando que el modelo pueda representar cualquier poset posible (propiedad de representación universal).
Modelo de Observación (Salto de Cola):
- Las listas observadas se modelan como extensiones lineales "ruidosas" del verdadero poset.
- Los autores introducen un mecanismo de "salto de cola": con probabilidad $p$ , el siguiente actor en la lista se elige uniformemente al azar (ignorando las restricciones del poset); de lo contrario, el actor se elige según una extensión lineal aleatoria del sub-orden restante.
- Esto permite "ruido" donde el orden observado contradice la jerarquía subyacente, manteniendo la restricción de que las extensiones lineales válidas son más probables.
- El modelo maneja listas incompletas (subconjuntos de obispos) condicionando al sub-orden inducido por los actores presentes.
Priors y Consistencia:
- El prior sobre el proceso de poset se construye para ser marginalmente consistente, lo que significa que la distribución de un sub-orden (inducido por un subconjunto de actores) es consistente con la distribución del orden completo. Esto se logra utilizando un prior específico sobre los vectores latentes $U$ y el parámetro de correlación $\rho$ .
- Un hiperparámetro $\rho$ controla la "profundidad" del poset (la longitud de la cadena más larga). El prior está diseñado para ser no informativo respecto a la profundidad, evitando la concentración en posets de profundidad 3 observada en priores uniformes sobre todos los posets.
- Los efectos de antigüedad $\beta$ están restringidos a estar ordenados ( $\beta_1 > \beta_2 > \dots$ ) para reflejar las expectativas históricas de que la antigüedad se correlaciona con el estatus, aunque también se prueban modelos sin restricciones.
Inferencia:
- La inferencia posterior se realiza utilizando Cadena de Markov Monte Carlo (MCMC) con actualizaciones de Metropolis-Hastings.
- La verosimilitud implica contar extensiones lineales, un problema #P-completo. Los autores utilizan algoritmos de conteo recursivo (específicamente el paquete lecount) que son factibles para el pequeño número de actores ( $m \le 22$ ) en este conjunto de datos, pero limitan la escalabilidad a problemas más grandes.

Contribuciones Clave

Nueva Clase de Modelos: El artículo introduce un marco general para modelar datos de rango en series temporales donde la estructura subyacente es un orden parcial, generalizando modelos existentes como Mallows y Plackett-Luce.
Consistencia Marginal: Los autores derivan y demuestran que su prior de variable latente para posets es marginalmente consistente, una propiedad a menudo violada en priores ad-hoc para órdenes parciales.
Representación Universal: Demuestran que con una dimensión latente $K \ge \lfloor D/2 \rfloor$ , el modelo puede representar cualquier serie temporal de poset posible, asegurando que no haya sesgo estructural contra jerarquías complejas.
Aplicación Histórica: Este es el primer análisis estadístico de las listas de testigos de los Acta Reales del siglo XII que modela explícitamente la jerarquía social como un orden parcial, separando los efectos de la antigüedad de la autoridad personal.

Resultados

Ajuste del Modelo: El modelo basado en poset supera a alternativas más simples (órdenes Vertex-Series-Parallel, Órdenes de Cubeta) y a un modelo de mezcla de series temporales Plackett-Luce en términos de bondad de ajuste (medido por Validación Cruzada Leave-One-Out y Factores de Bayes).
Antigüedad vs. Autoridad: El análisis confirma una fuerte dependencia del estatus respecto a la antigüedad, con el efecto de la antigüedad disminuyendo a medida que aumenta el número de rango. Sin embargo, el modelo aísla con éxito la "autoridad" (desviaciones de la antigüedad).
Perspectivas Históricas:
- Obispos Normandos: El modelo detecta un declive en el estatus de los obispos normandos (por ejemplo, de Avranches, Bayeux, Évreux) en relación con los obispos ingleses a partir de principios del siglo XII, una tendencia no cuantificada previamente.
- Influencia Política: El estatus de obispos específicos, como Enrique de Blois (hermano del rey Esteban) y Nigel de Ely, fluctúa de maneras que se correlacionan con el favor o el descrédito político, independientemente de su antigüedad.
- Estructura de la Jerarquía: Los posets de consenso reconstruidos son relativamente superficiales, consistiendo típicamente en unos pocos grupos de obispos de rango medio con un pequeño número de actores por encima o por debajo, en lugar de una jerarquía profunda y rígida.

Significado y Afirmaciones
El artículo afirma que su contribución principal es el desarrollo de un método estadísticamente riguroso para inferir órdenes parciales en evolución a partir de datos de rango ruidosos e incompletos. Al aplicar esto a los Acta históricos, los autores proporcionan evidencia cuantitativa sobre cómo funcionaban las jerarquías sociales en el siglo XII, distinguiendo específicamente entre la antigüedad estructural y la autoridad política fluida.

Los autores son modestos respecto a la escalabilidad computacional de su método, reconociendo que la naturaleza #P-completa de contar extensiones lineales limita el modelo a conjuntos de datos con un pequeño número de actores (alrededor de 20). Sugieren que para conjuntos de datos más grandes, podrían ser necesarios compromisos con clases restringidas de posets (como órdenes VSP o de Cubeta). También señalan que, aunque su modelo se ajusta bien a los datos, el modelo de "ruido" asume que los errores ocurren en una dirección (salto de cola), y que trabajos futuros podrían explorar modelos de ruido bidireccional.

En última instancia, el artículo argumenta que asumir un orden total (como en los modelos de clasificación estándar) no está justificado para este tipo de datos sociales y que los modelos de orden parcial ofrecen una representación más precisa e interpretable de las estructuras sociales históricas.