Scoring Rules as Least-Squares Estimators

Résumé technique : Les règles de notation comme estimateurs des moindres carrés

Énoncé du problème
L'article traite de la relation théorique entre les règles de notation (scoring rules) et la règle de similitude cosinus en théorie du choix social. Les règles de notation déterminent un classement social en agrégeant les scores individuels attribués aux alternatives en fonction de leur position dans les ordres de préférence des votants (par exemple, la règle de Borda). Récemment, Kawada (2018) a établi un remarquable théorème d'équivalence stipulant que pour tout vecteur de score donné, la règle de notation résultante est identique à la règle de similitude cosinus correspondante. Alors que la preuve originale de Kawada reposait sur une analyse directe du problème d'optimisation de la similitude cosinus, les auteurs de cette note cherchent à fournir une preuve plus transparente et élémentaire de cette équivalence.

Méthodologie
Les auteurs utilisent une caractérisation par les moindres carrés de la moyenne arithmétique pour redémontrer le résultat de Kawada. La méthodologie procède comme suit :

1. Fondement des moindres carrés : L'article utilise la propriété bien connue selon laquelle la moyenne arithmétique d'un ensemble de vecteurs est le minimiseur unique de la somme des distances euclidiennes au carré de ces vecteurs. Formellement, pour un ensemble de vecteurs $\{p_i\}_{i \in N}$, la fonction $\Phi(x) = \sum_{i \in N} \|x - p_i\|^2$ est minimisée de manière unique en $x = \bar{p} = \frac{1}{n}\sum p_i$.
2. Représentation vectorielle : Les classements individuels des votants sont projetés en vecteurs de score $s^\theta_i \in \mathbb{R}^V$ basés sur un vecteur de score fixe $\theta$.
3. Équivalence d'optimisation : Les auteurs démontrent que la minimisation de l'objectif des moindres carrés (somme des distances au carré) est mathématiquement équivalente à la maximisation de la somme des produits scalaires $\sum (s^\theta_i)^\top x$ lorsque $x$ est contraint sur une sphère de rayon fixe.
4. Invariance de la norme : Une étape critique de la preuve consiste à observer que pour tout votant $i$, la norme euclidienne du vecteur de score $\|s^\theta_i\|$ est constante (notée $R$), quel que soit le classement spécifique. Cela permet de réécrire la somme des produits scalaires en termes de similitude cosinus : $\sum (s^\theta_i)^\top x = R\rho \sum C(s^\theta_i, x)$, où $\rho = \|x\|$.
5. Synthèse : En combinant la propriété de minimisation des moindres carrés avec la propriété de norme constante des vecteurs de score, les auteurs montrent que l'optimiseur du problème de maximisation de la similitude cosinus est précisément la moyenne arithmétique des vecteurs de score.

Contributions clés et résultats

• Preuve alternative de Kawada (2018) : L'article fournit une preuve géométrique plus simple de l'équivalence entre les règles de notation et les règles de similitude cosinus.
• Interprétation géométrique : La preuve révèle que la moyenne arithmétique des vecteurs de score, $\bar{s}^\theta = \frac{1}{n} \sum s^\theta_i$, est l'unique solution tant au problème d'estimation des moindres carrés qu'au problème d'optimisation de la similitude cosinus.
• Confirmation de l'équivalence : Puisque le classement social dans une règle de notation est déterminé par les coordonnées du vecteur de score agrégé (qui est proportionnel à la moyenne arithmétique), et que la règle de similitude cosinus est déterminée par les coordonnées de l'optimiseur (qui est aussi la moyenne arithmétique), les deux règles induisent nécessairement le même classement social.
• Résultat formel : Le Théorème 1 confirme que pour chaque vecteur de score $\theta$, la règle de notation (2) coïncide avec la règle de similitude cosinus (4).

Signification et affirmations
Les auteurs affirment que leur approche offre une interprétation géométrique transparente des règles de notation. En présentant les règles de notation comme des estimateurs des moindres carrés, l'article clarifie pourquoi la règle de similitude cosinus doit coïncider avec la règle de notation correspondante : ce sont deux représentations d'optimisation partageant la moyenne arithmétique comme optimiseur commun.

L'article positionne ce résultat dans le contexte plus large des formulations basées sur l'optimisation en choix social, citant des exemples classiques comme la règle de Kemeny–Young et des travaux récents sur la règle de Schulze. Les auteurs suggèrent modestement que ce cadre peut offrir une perspective utile pour comprendre d'autres procédures de choix social, bien qu'ils ne proposent pas de nouvelles applications ou validations expérimentales spécifiques dans cette note. La contribution primaire est l'unification théorique de ces deux concepts par des principes d'optimisation élémentaires.