Inverse generalised spin models of answers to questionnaires

Ce papier introduit et valide un protocole d'inférence basé sur Monte Carlo pour des modèles de spin généralisés (Ising, Blume-Capel et Blume-Emery-Griffiths) afin d'analyser des données de questionnaires ordinaux, démontrant que le modèle de Blume-Emery-Griffiths surpasse les approches gaussiennes traditionnelles pour capturer des caractéristiques complexes comme la multimodalité et les valeurs aberrantes, bien que tous les modèles peinent avec les distributions à queues lourdes.

L'essentiel

Imaginez que vous essayez de comprendre les personnalités d'un groupe de personnes en examinant leurs réponses à un long questionnaire. Les méthodes traditionnelles supposent souvent qu'il existe un unique « interrupteur maître » caché (comme un trait latent) qui cause toutes les réponses. Cet article propose une perspective différente : la Psychométrie en Réseau.

Considérez les items du questionnaire non pas comme les effets d'un interrupteur caché, mais comme une salle bondée de personnes qui parlent entre elles. La réponse d'une personne influence celle de son voisin, qui influence la suivante, créant un réseau complexe d'interactions. L'objectif est de cartographier ce réseau.

Les auteurs utilisent des outils issus de la physique (spécifiquement, des modèles d'aimants) pour comprendre ces conversations. Voici un résumé simple de leur démarche :

1. Le problème des anciens aimants

En physique, le modèle d'Ising est comparable à une rangée de minuscules aimants qui ne peuvent pointer que vers le Haut (+1) ou vers le Bas (-1).

• Le problème : La vie réelle n'est pas binaire. Lorsque vous répondez à un sondage, vous pouvez dire « Tout à fait d'accord », « Neutre », « Pas d'accord », etc. Forcer ces réponses dans un simple « Oui » ou « Non » revient à essayer de décrire un arc-en-ciel en utilisant uniquement de la peinture noire et blanche. Vous perdez la nuance des réponses « intermédiaires » (les neutres) et l'intensité des extrêmes.

2. Les nouveaux outils : des aimants améliorés

Les auteurs ont testé trois modèles de physique « améliorés » pour gérer ces réponses à options multiples :

• Le modèle d'Ising généralisé : Permet aux aimants d'avoir plus de deux états (comme un cadran avec 5 réglages), mais les aimants continuent simplement de se pousser ou de se tirer de manière linéaire.
• Le modèle de Blume-Capel (BC) : Ajoute une fonctionnalité permettant à un aimant de se tenir confortablement à la position « Neutre » (0). Il reconnaît que parfois les gens ne s'intéressent tout simplement pas ou sont indécis, et que cet état est stable en soi.
• Le modèle de Blume-Emery-Griffiths (BEG) : L'outil le plus complexe. Il ajoute une règle spéciale : le Couplage d'Intensité.
  • Analogie : Imaginez deux personnes dans la pièce. Les modèles Ising/BC disent : « Si vous êtes tous les deux d'accord, c'est bien. » Le modèle BEG dit : « Peu importe que vous soyez tous les deux d'accord ou tous les deux fortement en désaccord ; ce qui compte, c'est que vous soyez tous les deux intenses. » Il capture l'idée que les réponses extrêmes (qu'elles soient positives ou négatives) ont tendance à se regrouper.

3. L'expérience : écouter 11 conversations

Les chercheurs ont pris 11 questionnaires réels différents (couvrant des sujets tels que la personnalité, l'empathie, les croyances complotistes et l'éthique du travail) et ont tenté de « rétro-ingénierier » les modèles physiques qui généreraient ces schémas spécifiques de réponses.

Ils ont comparé leurs modèles physiques à des outils statistiques standards (comme le modèle gaussien, qui suppose que les données forment une courbe en cloche parfaite).

4. Les résultats : qui a gagné la partie ?

Le gagnant : le modèle BEG
Le modèle BEG était le meilleur pour prédire les données.

• Les « valeurs aberrantes » et les « moyennes » : Dans n'importe quel groupe, vous avez des personnes très moyennes (répondant « entre les deux » à tout) et des valeurs aberrantes extrêmes (répondant très fortement).
  • Le résultat : Le modèle BEG était le seul à pouvoir prédire avec précision l'abondance des deux types. Il a compris qu'il y a beaucoup de gens qui se situent juste au milieu et beaucoup qui se situent aux extrémités. Les autres modèles ont manqué cela, lissant souvent les extrêmes ou les moyennes.

Le mystère « multimodal »
Dans certains ensembles de données, les réponses ne formaient pas une seule colline lisse (une courbe en cloche). Au lieu de cela, elles formaient plusieurs collines (comme une chaîne de montagnes avec plusieurs sommets).

• L'explication physique : Les auteurs expliquent cela par la métastabilité. Imaginez une balle roulant dans un paysage avec deux vallées. Elle peut rester coincée dans la vallée « profonde » (la phase stable) ou dans une vallée « peu profonde » (la phase métastable).
• La découverte : Le modèle BEG pouvait reproduire ces « pics multiples » dans les données (comme dans l'ensemble de données sur les croyances complotistes), suggérant que les attitudes des gens peuvent exister dans des clusters distincts et stables plutôt que dans une simple opinion moyenne.

La limitation : les « queues lourdes »
Malgré sa victoire, les modèles avaient un angle mort majeur.

• Le problème : Les données réelles ont des « queues lourdes », ce qui signifie qu'il y a plus de valeurs aberrantes extrêmes que n'importe quel modèle (même le BEG complexe) ne pouvait prédire.
• La métaphore : Imaginez essayer de prédire la hauteur des vagues dans l'océan. Les modèles sont excellents pour prédire les vagues normales et même les grosses, mais ils sous-estiment systématiquement la fréquence des tsunamis. Le monde réel semble avoir plus de réponses « tsunami » extrêmes que ces modèles physiques ne peuvent l'expliquer.

5. L'essentiel

L'article conclut que les données de questionnaires humains sont non linéaires et complexes.

• Les modèles simples (comme la courbe en cloche) échouent à capturer les « pics et les vallées » de l'opinion humaine.
• Le modèle BEG est actuellement le meilleur outil pour comprendre comment les gens se regroupent en clusters de « neutres » et d'« extrêmes ».
• Cependant, même le meilleur modèle physique n'est pas parfait ; il subsiste une « queue lourde » de comportements extrêmes dans les données humaines que nous ne comprenons pas encore pleinement.

En bref : Les auteurs ont construit un « aimant » sophistiqué pour écouter les conversations humaines. Ils ont découvert que, bien que cet aimant puisse entendre les neutres discrets et les extrêmes criards mieux que tout outil précédent, la voix humaine est encore un peu plus forte et plus chaotique que ce que même la meilleure physique peut prédire.

Résumé technique

Résumé technique : Modèles de spin généralisés inverses pour les réponses aux questionnaires

Énoncé du problème
La psychométrie en réseau conceptualise les construits psychologiques comme des propriétés émergentes de variables en interaction plutôt que comme des effets de causes latentes. Bien que des modèles probabilistes basés sur l'énergie (spécifiquement le modèle d'Ising) aient été adoptés pour modéliser ces interactions, leur application a été limitée par des hypothèses de réponses binaires ou ternaires et par une dépendance à des hypothèses d'inférence asymptotique. La plupart des données psychologiques sont collectées sur des échelles ordinales comportant plusieurs options, et la dichotomisation entraîne une perte d'information. De plus, les modèles standards échouent souvent à capturer des schémas de réponse complexes tels que la neutralité, la réponse extrême et des structures non gaussiennes comme le multi-modalité. Cet article répond au besoin d'un cadre capable de traiter des données de questionnaires ordinales avec un nombre arbitraire d'options de réponse, tout en accommodant l'anisotropie mono-site et les interactions bi-quadratiques.

Méthodologie
Les auteurs proposent et analysent trois modèles de spin généralisés en tant que modèles probabilistes inverses pour des données de questionnaires ordinales :

1. Modèle d'Ising généralisé : Permet $R \ge 2$ états discrets mais manque d'anisotropie mono-site et de couplages bi-quadratiques.
2. Modèle de Blume-Capel (BC) : Étend le modèle d'Ising en incluant un terme d'anisotropie mono-site ($J_{ii}$), permettant un état neutre ou inactif (0) distinct des états actifs ($\pm 1$).
3. Modèle de Blume-Emery-Griffiths (BEG) : Étend davantage le modèle BC en introduisant des couplages bi-quadratiques ($K_{ij}$), qui capturent les associations intensité-intensité (tendances des items à prendre simultanément des valeurs extrêmes, indépendamment du signe).

Protocole d'inférence
Les auteurs développent un protocole d'inférence en deux étapes pour estimer les paramètres du modèle ($\theta = \{h, J, K\}$) à partir de données empiriques :

• Étape 1 (Maximisation de la pseudo-vraisemblance) : En raison de l'intratabilité de la fonction de partition pour un grand nombre d'items ($M$), les auteurs maximisent d'abord la pseudo-vraisemblance en utilisant l'algorithme L-BFGS-B. Cela fournit une condition initiale cohérente mais ne garantit pas l'appariement des moments (reproduction des statistiques suffisantes empiriques).
• Étape 2 (Maximisation de la vraisemblance complète) : Pour atteindre l'appariement des moments, les auteurs emploient un algorithme de descente de gradient stochastique basé sur la Divergence de Contraste Persistante (PCD) combinée à l'optimiseur ADAM. Cela implique d'estimer les gradients de vraisemblance via un échantillonnage de Gibbs par Chaînes de Markov Monte Carlo (MCMC). Le protocole utilise des chaînes persistantes pour éviter une ré-thermalisation coûteuse et inclut des réinitialisations périodiques vers les configurations empiriques pour assurer la convergence.

Contributions théoriques
L'article établit plusieurs propriétés mathématiques de ces modèles :

• Identifiabilité : Prouve que les distributions de probabilité des modèles d'Ising, BC et BEG sont uniquement déterminées par leurs paramètres (pour $R \ge 3$ dans BC/BEG et $R \ge 2$ dans Ising).
• Concavité : Démontre la concavité stricte de la fonction de log-vraisemblance, assurant un maximum global unique pour l'estimation du maximum de vraisemblance.
• Invariance de jauge : Prouve que les modèles d'Ising et BC sont invariants de jauge sous translation des valeurs de spin. Le modèle BEG s'avère ne pas être invariant de jauge dans sa forme standard ; l'invariance de jauge pour BEG nécessite l'inclusion de termes cubiques mixtes symétriques. Par conséquent, les auteurs fixent la paramétrisation du modèle BEG avec des valeurs de spin symétriques autour de zéro pour éviter la sur-paramétrisation.

Résultats empiriques
Les modèles ont été appliqués à onze ensembles de données psychométriques et sociologiques divers (par exemple, Big-5, Échelle de Dépression Anxiété Stress, Échelle d'Autoritarisme de Droite) et comparés à quatre modèles de référence : Gaussien multivarié, Catégoriel-Indépendant, Copules, et Gaussien discrétisé.

• Performance hors échantillon : Le modèle BEG a systématiquement obtenu une pseudo-vraisemblance hors échantillon plus élevée et une erreur de complétion plus faible que les modèles d'Ising, BC et les modèles de référence simples, suggérant qu'il capture une structure authentique au-delà des interactions bilinéaires.
• Statistiques au niveau des items : Les modèles de spin ont approximativement reproduit les histogrammes empiriques de réponse aux items. Le modèle BEG a surpassé les autres dans la capture de la distribution des réponses.
• Composantes principales (CP) : Dans plusieurs ensembles de données (par exemple, gcbs, rwas), les données empiriques ont présenté une multi-modalité dans les histogrammes de la première composante principale, une caractéristique non gaussienne. Le modèle BEG a réussi à capturer cette structure tri-modale dans l'ensemble de données gcbs, tandis que les modèles d'Ising et BC ont souvent échoué ou produit une bi-modalité spurious. L'analyse par la théorie du champ moyen suggère que ces multi-modalités correspondent à la coexistence de phases stables et métastables dans les modèles de spin.
• Distributions de distance :
  • Distance euclidienne : Le modèle BEG a systématiquement surpassé tous les autres modèles (y compris les Copules) dans la reproduction de l'histogramme des distances euclidiennes à la moyenne. Il a capturé avec précision la haute densité de probabilité des sujets à la fois proches et éloignés de la moyenne (valeurs aberrantes).
  • Distance de Mahalanobis : Tous les modèles, y compris les modèles de spin et les références, ont systématiquement sous-estimé les queues lourdes de la distribution de la distance de Mahalanobis. Cela indique que les données de questionnaires possèdent des structures de corrélation d'ordre supérieur ou des comportements de queue non capturés par les modèles actuels basés sur l'énergie à support discret. Notamment, pour l'ensemble de données rwas, seul le modèle BEG (et les Copules) a capturé un pic spécifique de sujets très proches de la moyenne en distance de Mahalanobis.

Signification et conclusions
L'article affirme que le modèle BEG offre un cadre descriptif supérieur pour les données de questionnaires par rapport aux modèles gaussiens et aux modèles de spin plus simples. Sa capacité à rendre compte de l'abondance de valeurs aberrantes et de répondants à la moyenne, ainsi que des structures multi-modales dans les composantes principales, met en évidence l'importance des couplages bi-quadratiques dans la modélisation des interactions psychologiques.

Les auteurs concluent que les données de questionnaires présentent des propriétés non gaussiennes à plusieurs niveaux. Bien que le modèle BEG capture avec succès bon nombre de ces caractéristiques (interprétant la polarisation et la multi-modalité comme une métastabilité de taille finie), l'échec systématique de tous les modèles à reproduire les queues lourdes de la distance de Mahalanobis suggère que les réponses aux questionnaires peuvent encoder des structures de corrélation d'ordre supérieur au-delà de la portée des modèles actuels basés sur l'énergie bilinéaire et bi-quadratique. Ce travail fait avancer le domaine des modèles de spin inverses en fournissant un algorithme d'inférence de vraisemblance complète robuste et en démontrant l'utilité des modèles de spin généralisés en psychométrie en réseau.