Inverse generalised spin models of answers to questionnaires

Este artículo presenta y valida un protocolo de inferencia basado en Monte Carlo para modelos de espín generalizados (Ising, Blume-Capel y Blume-Emery-Griffiths) para analizar datos ordinales de cuestionarios, demostrando que el modelo Blume-Emery-Griffiths supera a los enfoques gaussianos tradicionales en la captura de características complejas como la multimodalidad y los valores atípicos, aunque todos los modelos tienen dificultades con distribuciones de colas pesadas.

Lo esencial

Imagina que estás intentando comprender las personalidades de un grupo de personas observando sus respuestas a un cuestionario largo. Los métodos tradicionales a menudo asumen que existe un único "interruptor maestro" oculto (como un rasgo latente) que causa todas las respuestas. Este artículo propone una visión diferente: Psicometría de Redes.

Piensa en los ítems del cuestionario no como efectos de un interruptor oculto, sino como una habitación abarrotada de personas hablando entre sí. La respuesta de una persona influye en la de su vecino, quien influye en la siguiente, creando una red compleja de interacciones. El objetivo es mapear esta red.

Los autores utilizan herramientas de la física (específicamente, modelos de imanes) para comprender estas conversaciones. Aquí tienes un desglose sencillo de su viaje:

1. El Problema con los Imanes Antiguos

En física, el modelo de Ising es como una fila de imanes diminutos que solo pueden apuntar Arriba (+1) o Abajo (-1).

• El Problema: La vida real no es binaria. Cuando respondes una encuesta, puedes decir "Totalmente de acuerdo", "Neutral", "En desacuerdo", etc. Forzar estas respuestas a un simple "Sí" o "No" es como intentar describir un arcoíris usando solo pintura negra y blanca. Pierdes el matiz de las respuestas "intermedias" (las neutrales) y la intensidad de los extremos.

2. Las Nuevas Herramientas: Imanes Mejorados

Los autores probaron tres modelos de física "mejorados" para manejar estas respuestas con múltiples opciones:

• El Modelo de Ising Generalizado: Permite que los imanes tengan más de dos estados (como un dial con 5 configuraciones), pero los imanes aún solo se empujan o se atraen entre sí de forma lineal.
• El Modelo Blume-Capel (BC): Añade una característica que permite que un imán se siente cómodamente en el lugar "Neutral" (0). Reconoce que a veces a la gente simplemente no le importa o está indecisa, y que ese estado es estable por sí mismo.
• El Modelo Blume-Emery-Griffiths (BEG): La herramienta más compleja. Añade una regla especial: Acoplamiento de Intensidad.
  • Analogía: Imagina a dos personas en la habitación. Los modelos Ising/BC dicen: "Si ambos están de acuerdo, eso es bueno". El modelo BEG dice: "No importa si ambos están de acuerdo o ambos están muy en desacuerdo; lo que importa es que ambos sean intensos". Captura la idea de que las respuestas extremas (ya sean positivas o negativas) a menudo se agrupan juntas.

3. El Experimento: Escuchando 11 Conversaciones

Los investigadores tomaron 11 cuestionarios reales diferentes (que cubrían temas como personalidad, empatía, creencias conspirativas y ética laboral) e intentaron "reconstruir" los modelos físicos que generarían esos patrones específicos de respuestas.

Compararon sus modelos físicos con herramientas estadísticas estándar (como el modelo gaussiano, que asume que los datos forman una curva de campana perfecta).

4. Los Hallazgos: ¿Quién Ganó el Juego?

El Ganador: El Modelo BEG
El modelo BEG fue el mejor para predecir los datos.

• Los "Valores Atípicos" y los "Promedios": En cualquier grupo, tienes personas que son muy promedio (respondiendo "a medio camino" a todo) y personas que son valores atípicos extremos (respondiendo muy fuertemente).
  • El Resultado: El modelo BEG fue el único que pudo predecir con precisión la abundancia de ambos tipos. Entendió que hay muchas personas que se sientan justo en el medio y muchas que se sientan en los bordes. Los otros modelos pasaron por alto esto, a menudo suavizando los extremos o los promedios.

El Misterio "Multimodal"
En algunos conjuntos de datos, las respuestas no formaron una sola colina suave (una curva de campana). En cambio, formaron múltiples colinas (como una cordillera con varios picos).

• La Explicación Física: Los autores explican esto como Metastabilidad. Imagina una bola rodando en un paisaje con dos valles. Puede quedarse atascada en el valle "profundo" (la fase estable) o en un valle "poco profundo" (la fase metastable).
• El Hallazgo: El modelo BEG pudo reproducir estos "múltiples picos" en los datos (como en el conjunto de datos de creencias conspirativas), lo que sugiere que las actitudes de las personas pueden existir en agrupaciones distintas y estables en lugar de simplemente una opinión promedio única.

La Limitación: Las "Colas Pesadas"
A pesar de ganar, los modelos tenían una gran punto ciego.

• El Problema: Los datos reales tienen "colas pesadas", lo que significa que hay más valores atípicos extremos de los que cualquiera de los modelos (incluso el complejo BEG) pudo predecir.
• La Metáfora: Imagina intentar predecir la altura de las olas en el océano. Los modelos son excelentes para predecir las olas normales e incluso las grandes, pero consistentemente subestiman la frecuencia de los tsunamis. El mundo real parece tener más respuestas extremas de "tsunami" de las que estos modelos físicos pueden explicar.

5. La Conclusión

El artículo concluye que los datos de cuestionarios humanos son no lineales y complejos.

• Los modelos simples (como la curva de campana) no logran capturar los "picos y valles" de la opinión humana.
• El modelo BEG es actualmente la mejor herramienta para comprender cómo las personas se agrupan en grupos de "neutrales" y "extremos".
• Sin embargo, incluso el mejor modelo físico no es perfecto; todavía hay una "cola pesada" de comportamiento extremo en los datos humanos que aún no entendemos completamente.

En resumen: Los autores construyeron un sofisticado "imán" para escuchar las conversaciones humanas. Descubrieron que, aunque este imán puede escuchar mejor a los neutrales silenciosos y a los extremos que gritan que cualquier herramienta anterior, la voz humana sigue siendo un poco más fuerte y caótica de lo que incluso la mejor física puede predecir.

Resumen técnico

Resumen Técnico: Modelos de Espín Generalizados Inversos de Respuestas a Cuestionarios

Enunciado del Problema
La psicometría de redes conceptualiza los constructos psicológicos como propiedades emergentes de variables interactivas, en lugar de efectos de causas latentes. Aunque los modelos probabilísticos basados en energía (específicamente el modelo de Ising) se han adoptado para modelar estas interacciones, su aplicación ha estado limitada por suposiciones de respuestas binarias o ternarias y por la dependencia de suposiciones de inferencia limitantes. La mayoría de los datos psicológicos se recopilan en escalas ordinales con múltiples opciones, y la dicotomización conduce a una pérdida de información. Además, los modelos estándar a menudo no logran capturar patrones de respuesta complejos como la neutralidad, la respuesta extrema y estructuras no gaussianas como la multimodalidad. Este artículo aborda la necesidad de un marco capaz de manejar datos de cuestionarios ordinales con un número arbitrario de opciones de respuesta, al tiempo que acomoda la anisotropía de sitio único y las interacciones bicuadráticas.

Metodología
Los autores proponen y analizan tres modelos de espín generalizados como modelos probabilísticos inversos para datos de cuestionarios ordinales:

1. Modelo de Ising Generalizado: Permite $R \ge 2$ estados discretos, pero carece de anisotropía de sitio único y acoplamientos bicuadráticos.
2. Modelo Blume-Capel (BC): Extiende el modelo de Ising incluyendo un término de anisotropía de sitio único ($J_{ii}$), lo que permite un estado neutral o inactivo (0) distinto de los estados activos ($\pm 1$).
3. Modelo Blume-Emery-Griffiths (BEG): Extiende aún más el modelo BC introduciendo acoplamientos bicuadráticos ($K_{ij}$), que capturan asociaciones de intensidad-intensidad (tendencias de los ítems a tomar simultáneamente valores extremos, independientemente del signo).

Protocolo de Inferencia
Los autores desarrollan un protocolo de inferencia de dos pasos para estimar los parámetros del modelo ($\theta = \{h, J, K\}$) a partir de datos empíricos:

• Paso 1 (Maximización de la Pseudo-verosimilitud): Debido a la intratabilidad de la función de partición para un gran número de ítems ($M$), los autores maximizan primero la pseudo-verosimilitud utilizando el algoritmo L-BFGS-B. Esto proporciona una condición inicial consistente, pero no garantiza la coincidencia de momentos (reproducción de estadísticas suficientes empíricas).
• Paso 2 (Maximización de la Verosimilitud Completa): Para lograr la coincidencia de momentos, los autores emplean un algoritmo de descenso de gradiente estocástico basado en la Divergencia Contrastiva Persistente (PCD) combinado con el optimizador ADAM. Esto implica estimar los gradientes de verosimilitud mediante muestreo Gibbs de Cadena de Markov Monte Carlo (MCMC). El protocolo utiliza cadenas persistentes para evitar la costosa re-thermalización e incluye reinicios periódicos a configuraciones empíricas para asegurar la convergencia.

Contribuciones Teóricas
El artículo establece varias propiedades matemáticas de estos modelos:

• Identificabilidad: Demuestra que las distribuciones de probabilidad de los modelos de Ising, BC y BEG están determinadas de manera única por sus parámetros (para $R \ge 3$ en BC/BEG y $R \ge 2$ en Ising).
• Concavidad: Demuestra la concavidad estricta de la función de log-verosimilitud, asegurando un máximo global único para la estimación de máxima verosimilitud.
• Invariancia de Gauge: Demuestra que los modelos de Ising y BC son invariantes de gauge bajo traslaciones de los valores de espín. Se muestra que el modelo BEG no es invariante de gauge en su forma estándar; la invariancia de gauge para BEG requiere la inclusión de términos cúbicos mixtos simétricos. En consecuencia, los autores fijan la parametrización del modelo BEG con valores de espín simétricos alrededor de cero para evitar la sobreparametrización.

Resultados Empíricos
Los modelos se aplicaron a once conjuntos de datos diversos de psicometría y sociología (por ejemplo, Big-5, Escala de Depresión, Ansiedad y Estrés, Escala de Autoritarismo de Derecha) y se compararon con cuatro modelos de referencia: Gaussiana Multivariada, Categórica-Independiente, Copulas y Gaussiana Discretizada.

• Rendimiento Fuera de Muestra: El modelo BEG logró consistentemente una pseudo-verosimilitud fuera de muestra más alta y un error de completado más bajo en comparación con los modelos de Ising, BC y los modelos de referencia simples, lo que sugiere que captura una estructura genuina más allá de las interacciones bilineales.
• Estadísticas a Nivel de Ítem: Los modelos de espín reprodujeron aproximadamente los histogramas empíricos de respuesta de los ítems. El modelo BEG superó a los demás en la captura de la distribución de respuestas.
• Componentes Principales (CP): En varios conjuntos de datos (por ejemplo, gcbs, rwas), los datos empíricos exhibieron multimodalidad en los histogramas del primer componente principal, una característica no gaussiana. El modelo BEG capturó con éxito esta estructura trimodal en el conjunto de datos gcbs, mientras que los modelos de Ising y BC a menudo fallaron o produjeron bimodalidad espuria. El análisis de la teoría de campo medio sugiere que estas multimodalidades corresponden a la coexistencia de fases estables y metastables en los modelos de espín.
• Distribuciones de Distancia:
  • Distancia Euclidiana: El modelo BEG superó sistemáticamente a todos los demás modelos (incluidas las Copulas) en la reproducción del histograma de distancias euclidianas a la media. Capturó con precisión la alta densidad de probabilidad de sujetos tanto cercanos como lejanos a la media (valores atípicos).
  • Distancia de Mahalanobis: Todos los modelos, incluidos los modelos de espín y los de referencia, subestimaron sistemáticamente las colas pesadas de la distribución de la distancia de Mahalanobis. Esto indica que los datos de cuestionarios poseen estructuras de correlación de orden superior o comportamientos de cola no capturados por los modelos actuales basados en energía con soporte discreto. Cabe destacar que, para el conjunto de datos rwas, solo el modelo BEG (y las Copulas) capturaron un pico específico de sujetos muy cercanos a la media en la distancia de Mahalanobis.

Significado y Conclusiones
El artículo afirma que el modelo BEG ofrece un marco descriptivo superior para los datos de cuestionarios en comparación con los modelos gaussianos y los modelos de espín más simples. Su capacidad para dar cuenta de la abundancia de valores atípicos y respondedores medios, así como de estructuras multimodales en los componentes principales, destaca la importancia de los acoplamientos bicuadráticos en el modelado de interacciones psicológicas.

Los autores concluyen que los datos de cuestionarios exhiben propiedades no gaussianas en múltiples niveles. Aunque el modelo BEG captura con éxito muchas de estas características (interpretando la polarización y la multimodalidad como metastabilidad de tamaño finito), el fallo sistemático de todos los modelos para reproducir las colas pesadas de la distancia de Mahalanobis sugiere que las respuestas a los cuestionarios pueden codificar estructuras de correlación de orden superior más allá del alcance de los modelos actuales basados en energía bilineales y bicuadráticos. El trabajo avanza el campo de los modelos de espín inversos al proporcionar un algoritmo robusto de inferencia de verosimilitud completa y demostrar la utilidad de los modelos de espín generalizados en la psicometría de redes.