🤖 machine learning

Isotonic Bradley-Terry Model for Paired Comparison Data

Este artículo propone un Modelo de Bradley-Terry Isotónico que aprende alternativamente parámetros de tasa y una función de enlace inversa mediante métodos de subgradiente y regresión isotónica para abordar la especificación incorrecta del modelo en datos de comparaciones pareadas, mejorando así la predicción de la probabilidad de victoria y el rendimiento del ranking de jugadores a través de conjuntos de datos deportivos sintéticos y del mundo real.

Autores originales: Ryoya Yamasaki

Publicado 2026-08-04

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ryoya Yamasaki

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 eres un aficionado al deporte intentando averiguar quién es el mejor jugador del mundo. Tienes una lista masiva de resultados de juegos: quién venció a quién, quién empató y quién perdió. Pero aquí está la parte difícil: no puedes simplemente mirar el recuento de victorias. Un jugador puede haber vencido a un oponente débil diez veces, pero haber perdido contra uno fuerte. Para dar sentido a esto, los científicos utilizan una herramienta matemática llamada modelo de Bradley-Terry. Piensa en este modelo como un "calculador de fuerza". Asigna un número oculto (una "puntuación de fuerza") a cada jugador. Si el Jugador A tiene una puntuación más alta que el Jugador B, el modelo predice que A ganará. Para convertir la diferencia entre estas dos puntuaciones en una probabilidad de victoria real (como "60% de probabilidad de que gane A"), el modelo utiliza una forma específica, o "curva", llamada función de enlace inverso.

Durante décadas, los investigadores han tenido que adivinar qué forma de curva es la correcta. Eligen una forma estándar —como una suave curva en forma de S (logística) o una forma de campana (gaussiana)— y se mantienen con ella, esperando que se ajuste a los datos. El problema es que la vida real es desordenada. A veces, los datos no se ajustan perfectamente a la curva preseleccionada, lo que conduce a predicciones erróneas. Este artículo plantea una pregunta simple pero audaz: ¿Qué pasaría si no forzamos los datos a entrar en una curva prefabricada? ¿Qué pasaría si dejamos que los datos nos digan cómo debería ser la curva? El autor propone un nuevo método que aprende la forma de la curva directamente de los resultados, en lugar de adivinarla de antemano.

El Problema: La trampa de "talla única"

En el mundo de las comparaciones por pares —ya sean grandes maestros de ajedrez, profesionales del tenis o equipos de fútbol— a menudo queremos hacer dos cosas: predecir las probabilidades de una victoria entre dos jugadores que aún no se han enfrentado, y clasificar a todos de los más fuertes a los más débiles. La forma tradicional de hacer esto es el modelo de Bradley-Terry.

Imagina el modelo como una máquina con dos partes. La primera parte aprende una "puntuación de fuerza" para cada jugador. La segunda parte toma la diferencia entre las puntuaciones de dos jugadores y la pasa a través de un "filtro" fijo (la función de enlace inverso) para escupir una probabilidad de victoria. Durante años, los científicos han tenido que elegir este filtro de antemano. Pueden decir: "Usemos el filtro logístico", o "Usemos el filtro gaussiano".

El autor de este artículo señala un fallo en este enfoque: la especificación incorrecta del modelo. Es como intentar meter un bloque cuadrado en un agujero redondo. Si el mundo real se comporta como una función escalonada y dentada, pero tú la fuerzas a pasar por una curva en forma de S suave, tus predicciones serán erróneas. El artículo argumenta que, al bloquear una forma de curva específica antes de mirar los datos, podríamos estar desechando información valiosa.

La Solución: El modelo "cambiaformas"

Para solucionar esto, el autor introduce el Modelo de Bradley-Terry Isotónico. En lugar de elegir una curva fija, deja que los datos construyan su propia curva, pieza por pieza.

Así es como funciona, usando una analogía lúdica: Imagina que estás intentando dibujar un mapa de un terreno montañoso basándote en unos pocos informes meteorológicos dispersos.

La forma antigua: Decides de antemano que el terreno debe ser una parábola perfecta y suave. Ajustas la altura de tu colina para que se ajuste a los informes, pero si los informes muestran un repentino acantilado, tu parábola suave simplemente no puede capturarlo.
La nueva forma (Modelo Isotónico): No asumes la forma. En su lugar, miras los informes y dibujas una línea de "unir los puntos" que sube estrictamente (o se mantiene plana) a medida que te mueves desde las puntuaciones bajas hacia las altas. Esto se llama regresión isotónica. Es un enfoque "no paramétrico", lo que significa que no asume una fórmula específica; simplemente sigue la tendencia de los datos.

El autor propone una danza ingeniosa entre las dos partes del modelo:

Primero, adivinan las puntuaciones de fuerza de los jugadores usando una curva estándar.
Luego, observan los resultados reales de los juegos y redibujan la curva (el "filtro") para que se ajuste perfectamente a esos resultados, asegurándose de que nunca retroceda (monotonicidad).
Luego, utilizan esta nueva curva de forma personalizada para recalcular las puntuaciones de fuerza de los jugadores.
Repiten este proceso, alternando entre actualizar las puntuaciones y actualizar la forma de la curva, hasta que el modelo deje de mejorar.

Lo que encontraron: Mejores predicciones y empates honestos

El autor probó este nuevo método utilizando dos tipos de datos: datos sintéticos (juegos generados por computadora donde conocían la respuesta "verdadera") y datos del mundo real de la Premier League de fútbol 2024/2025, la temporada de béisbol MLB 2025 y el tour de tenis ATP 2025.

En sus simulaciones por computadora, crearon escenarios donde la relación "verdadera" entre la fuerza y la victoria era extraña y no coincidía con las curvas estándar. En estos casos, el modelo tradicional tuvo dificultades, pero el Modelo de Bradley-Terry Isotónico funcionó significativamente mejor. Aprendió la forma extraña de los datos y realizó predicciones de victoria más precisas.

Aún más interesante, el nuevo modelo es mejor admitiendo cuando no sabe la respuesta. En el modelo tradicional, si dos jugadores tienen puntuaciones similares, el modelo podría forzar una pequeña diferencia y decir "el Jugador A tiene un 51% de probabilidad de ganar". El modelo Isotónico, sin embargo, es más propenso a decir: "Estos dos están efectivamente empatados", lo que resulta en una probabilidad de victoria del 50%. El autor encontró que este comportamiento de "empate" es en realidad una característica, no un error. Cuando no hay suficientes datos para distinguir entre dos jugadores, el modelo se niega correctamente a inventar un ranking estricto, lo que conduce a clasificaciones generales más honestas y estables.

En los datos deportivos del mundo real, los resultados fueron similares. El nuevo modelo mejoró la precisión de las predicciones de probabilidad de victoria, especialmente cuando había menos datos disponibles (como en el tenis, donde los jugadores no se enfrentan entre sí con mucha frecuencia). También mejoró la puntuación de Tau de Kendall, una medida de qué tan bien el ranking del modelo coincide con los resultados reales.

La Conclusión

Este artículo sugiere que no necesitamos forzar nuestros datos en cajas matemáticas prefabricadas. Al dejar que los datos dicten la forma de la relación entre la fuerza y la victoria, podemos construir modelos que son más flexibles y precisos. El Modelo de Bradley-Terry Isotónico no solo adivina la curva; la aprende. Aunque requiere más pasos computacionales (alternando entre la actualización de las puntuaciones y la de la forma de la curva), la recompensa es un sistema que maneja mejor los datos desordenados del mundo real y sabe cuándo decir: "No puedo distinguir quién es mejor", en lugar de hacer una conjetura incierta. El autor concluye que este enfoque es un paso prometedor hacia adelante para analizar todo, desde partidos deportivos hasta preferencias de encuestas.

Resumen Técnico: Modelo de Bradley-Terry Isotónico para Datos de Comparación por Pares

Formulación del Problema
Este artículo aborda problemas de predicción y clasificación dentro de datos de comparación por pares, tales como la predicción de la probabilidad de victoria entre dos jugadores (o equipos) no emparejados y la clasificación de todos los participantes basándose en sus fuerzas relativas. Los datos consisten en probabilidades de victoria observadas ( $y_{i,j}$ ) derivadas de partidos históricos entre los jugadores $i$ y $j$ . El objetivo es generalizar estas observaciones para predecir los resultados de pares no observados y establecer una clasificación estricta o parcial de todos los jugadores.

Los enfoques convencionales dependen del modelo Bradley-Terry Generalizado, el cual introduce parámetros de tasa de valores reales ( $r_i$ ) para representar las fuerzas de los jugadores. Estos modelos predicen las probabilidades de victoria utilizando una función de enlace inverso $\sigma$ preespecificada y fija (por ejemplo, logística o gaussiana) aplicada a la diferencia en los parámetros de tasa ( $\sigma(r_i - r_j)$ ). El autor argumenta que seleccionar una función de enlace inverso fija a priori puede conducir a una especificación errónea del modelo, resultando en un rendimiento subóptimo. Además, los modelos estándar pueden tener dificultades cuando los datos son insuficientes para establecer una clasificación estricta, lo que potencialmente fuerza distinciones arbitrarias entre jugadores de fuerza similar.

Metodología: El Modelo de Bradley-Terry Isotónico
Para mitigar la especificación errónea del modelo preservando la interpretabilidad de los parámetros de tasa con valores reales, el autor propone el modelo de Bradley-Terry Isotónico (IBT). Este modelo aprende conjuntamente los parámetros de tasa y la función de enlace inverso a través de un procedimiento de optimización alternante:

Aprendizaje de Parámetros de Tasa: Dada la estimación actual de la función de enlace inverso $\hat{\sigma}$ , los parámetros de tasa $(r_i)_{i \in [n]}$ se actualizan minimizando una función de pérdida (por ejemplo, pérdida cuadrática o log-verosimilitud negativa) utilizando un método de (sub-)gradiente con búsqueda de línea. Esto asegura que el error de entrenamiento no aumente durante las actualizaciones.
Aprendizaje de la Función de Enlace Inverso: Dados los parámetros de tasa actualizados, la función de enlace inverso $\sigma$ $σ$ se aprende mediante regresión isotónica. Específicamente, el modelo trata los pares $(\hat{r}_i - \hat{r}_j, y_{i,j})$ $(\overset{r}{^}_{i} - \overset{r}{^}_{j}, y_{i, j})$ como puntos de datos de entrada-salida. Resuelve un problema de optimización restringido para encontrar una función no decreciente $\hat{\sigma}$ $\overset{σ}{^}$ que minimice la pérdida, sujeta a la restricción de simetría $\sigma(-u) = 1 - \sigma(u)$ $σ (- u) = 1 - σ (u)$ .
- Este paso se implementa utilizando el algoritmo de Pool-Adjacent-Violators (PAV).
- La $\hat{\sigma}$ resultante es una función de tipo polilínea (piecewise linear) que conecta las diferencias únicas ordenadas de los parámetros de tasa.
Iteración Alternante: El proceso itera entre la actualización de los parámetros de tasa y la función de enlace. El autor señala que, si bien la optimización conjunta es generalmente no convexa, el esquema alternante garantiza una mejora monotónica en el error de entrenamiento.

Clasificación y Manejo de Empates
Una característica distintiva del modelo IBT es su manejo de los empates. Debido a que la función de enlace aprendida es no decreciente pero no necesariamente estrictamente creciente, el modelo puede producir $\hat{\sigma}(r_i - r_j) = 0.5$ incluso cuando $r_i \neq r_j$ . Esto permite al modelo reflejar con precisión la incertidumbre cuando los datos son insuficientes para distinguir entre dos jugadores. En consecuencia, el autor propone clasificar a los jugadores basándose en el conteo de Borda (la suma de las probabilidades de victoria predichas contra todos los demás jugadores) en lugar de los parámetros de tasa brutos, ya que el conteo de Borda refleja mejor la fuerza en presencia de funciones de enlace no estrictamente crecientes.

Contribuciones Clave

Función de Enlace Flexible: El artículo introduce un método para aprender la función de enlace inverso de forma no paramétrica mediante regresión isotónica, eliminando la necesidad de asumir una forma funcional específica (por ejemplo, logística o probit) y reduciendo el riesgo de especificación errónea del modelo.
Monotonicidad Garantizada: El marco de optimización alternante garantiza que el error de entrenamiento no aumente con cada iteración.
Empates Basados en Datos: El modelo produce empates de forma natural (predicciones de probabilidad de 0.5) cuando los datos no respaldan un ordenamiento estricto, ofreciendo una representación más honesta de la incertidumbre en comparación con los modelos que fuerzan clasificaciones estrictas.
Eficiencia Algorítmica: El uso del algoritmo PAV permite un cálculo eficiente de la función de enlace isotónica óptima.

Resultados Experimentales
El autor evaluó el modelo IBT utilizando tanto datos sintéticos como conjuntos de datos del mundo real de la Premier League de fútbol (PL), la Major League Baseball (MLB) y el circuito de tenis ATP.

Datos Sintéticos: Los experimentos utilizaron datos generados a partir de una distribución de Cauchy (una forma de especificación errónea para los modelos estándar de tipo logístico/probit). El modelo IBT mejoró consistentemente el error de Predicción de Probabilidad de Victoria (WPP) y el rendimiento de la clasificación (medido por el Tau de Kendall) en comparación con el modelo Bradley-Terry estándar, particularmente cuando el número de jugadores ( $n$ ) o de partidos por par ( $N$ ) era pequeño, o cuando la relación de datos de entrenamiento era baja. El modelo demostró robustez contra el sobreajuste cuando el número de actualizaciones se ajustó mediante validación cruzada.
Datos del Mundo Real: En experimentos con datos de PL, MLB y ATP, el modelo IBT generalmente superó al modelo Bradley-Terry estándar en el error de WPP y en métricas de clasificación. La mejora fue más pronunciada en escenarios con datos dispersos (por ejemplo, ATP donde muchos pares de jugadores nunca se han enfrentado). El modelo también exhibió una mayor tasa de empates, lo que el autor interpreta como una característica beneficiosa para manejar la escasez de datos en lugar de un defecto.

Significancia y Reivindicaciones
El artículo afirma que el modelo de Bradley-Terry Isotónico ofrece una mejora práctica sobre los modelos de Bradley-Terry Generalizados convencionales al adaptar la función de enlace inverso a la estructura de los datos en lugar de depender de supuestos fijos. El autor enfatiza que este enfoque mantiene la interpretabilidad de los parámetros de fuerza al tiempo que mejora la precisión predictiva y la fiabilidad de la clasificación, especialmente en entornos con escasez de datos o cuando la verdadera relación subyacente se desvía de las formas paramétricas estándar.

El autor concluye que el modelo IBT es una dirección prometedora para problemas avanzados de comparación por pares, tales como aquellos que involucran covariables, ventajas de campo local, calificaciones dependientes del tiempo (como Elo) o partidos de múltiples jugadores (Plackett-Luce), donde el aprendizaje de la función de enlace podría mitigar de manera similar la especificación errónea del modelo.

El Problema: La trampa de "talla única"

La Solución: El modelo "cambiaformas"

Lo que encontraron: Mejores predicciones y empates honestos

La Conclusión

Más como este