Regularization in Paired Comparison Models via Pseudo-Games and Phantom Players

Questo articolo introduce due strategie di aumento dei dati — pseudo-giochi frazionari e giocatori fantasma — per fornire una regolarizzazione intuitiva e interpretabile per i modelli di confronto a coppie, stabilizzando efficacemente le stime e risolvendo i problemi di non identificabilità pur replicando da vicino i risultati della standard regolarizzazione ridge.

L'essenziale

Immagina di dover classificare un gruppo di amici in base a chi è il migliore in un videogioco. Hai una lista di chi ha battuto chi.

In un mondo perfetto, tutti giocano contro tutti lo stesso numero di volte. Ma nella realtà, alcuni giocano molto, altri poco, e a volte, un giocatore davvero forte potrebbe non perdere mai contro un determinato avversario nel piccolo campione di partite che hai osservato.

Il Problema: La trappola del punteggio "Perfetto"
Se il Giocatore A batte il Giocatore B per cinque volte di fila, un calcolo standard del computer (chiamato "massima verosimiglianza") concluderà che il Giocatore A è infinitamente migliore del Giocatore B. Calcola che il Giocatore A ha una probabilità di vittoria del 100% per sempre.

• Il Problema: Questo è matematicamente "corretto" per quelle cinque partite, ma è una previsione terribile per il futuro. Sappiamo che il Giocatore B potrebbe vincere la prossima volta. La matematica si rompe perché tratta un piccolo campione come una verità assoluta, portando a punteggi "infiniti" che non hanno senso.

La Soluzione: Aggiungere partite "Fantasma"
L'autore, Mark Glickman, suggerisce un trucco astuto per risolvere questo problema senza usare complessi calcoli di penalità difficili da spiegare. Invece di cambiare la formula, suggerisce di aggiungere dati finti al mix. Lo chiama "Regolarizzazione tramite Pseudo-Osservazioni".

Pensa a questo come a: prima ancora di guardare i risultati reali delle partite, dici al computer: "Facciamo finta che tutti abbiano giocato un numero uguale di partite extra contro un avversario 'Fantasma', o l'uno contro l'altro in un modo molto equilibrato".

Il documento propone due modi specifici per farlo:

1. Il Metodo del "Pareggio Frazionario" (Pseudo-partite)

Immagina che, prima dell'inizio della stagione reale, ogni coppia di giocatori abbia giocato una minuscola, invisibile partita in cui si sono pareggiati.

• Come funziona: Aggiungi un pizzico di "credito" per una vittoria e un pizzico di "credito" per una sconfitta a ogni singolo confronto nei tuoi dati.
• La Metafora: È come dire al computer: "Anche se il Giocatore A ha battuto il Giocatore B cinque volte, facciamo finta che abbiano anche giocato alcune partite in cui si sono spartiti il risultato".
• Il Risultato: Questo impedisce al computer di dire "Il Giocatore A è infinitamente migliore". Avvicina i punteggi, rendendo la previsione più realistica. È come aggiungere un po' di "dubbio" ai dati per smussare gli estremi.

2. Il Metodo del "Giocatore Fantasma" (Giocatori Fantasma)

Immagina che ci sia un misterioso, invisibile giocatore nella lega (chiamiamolo "Mr. Zero") che è esattamente nella media. Non si stanca mai, non ha mai fortuna e il suo livello di abilità è fisso a zero.

• Come funziona: Pretendi che ogni giocatore reale abbia giocato un sacco di partite contro Mr. Zero. Dici al computer che ogni giocatore ha vinto metà delle volte e perso l'altra metà contro Mr. Zero.
• La Metafora: È come ancorare una barca. Se la barca (il punteggio del giocatore) prova a scivolare troppo lontano (diventando troppo alto o troppo basso), l'ancora (Mr. Zero) la tira verso il centro.
• Il Risultato: Questo mantiene i punteggi di tutti con i piedi per terra. Anche se un giocatore vince 10 partite di fila contro avversari deboli, il fatto che abbia "perso" metà delle partite contro il Giocatore Fantasma medio impedisce al suo punteggio di schizzare all'infinito.

Perché è Figo

Il documento mostra che questi due trucchi di "dati finti" fanno esattamente lo stesso lavoro di una tecnica matematica molto popolare e complessa chiamata "Regolarizzazione Ridge" (che di solito prevede una spaventosa formula di penalità).

• Il Vantaggio: Invece di dire: "Abbiamo applicato una penalità di 0,5 alla matematica", puoi dire: "Abbiamo aggiunto 40 partite finte contro un avversario medio".
• La Traduzione: Questo rende la matematica molto più facile da comprendere per le persone comuni (come analisti sportivi o manager aziendali). Possono regolare il sistema ponendo domande semplici: "Quante partite finte dovremmo aggiungere?" o "Quanto dovremmo fidarci del giocatore medio?".

L'Esempio del Baseball

L'autore ha testato questo approccio sulla stagione 2025 della Major League Baseball.

• Senza la correzione: A causa di un calendario delle partite sbilanciato, le stime delle abilità delle squadre migliori e peggiori risultavano eccessivamente ottimistiche ed esagerate (il divario tra di loro appariva troppo ampio), anche se i valori non erano tecnicamente infiniti poiché ogni squadra aveva sia vittorie che sconfitte.
• Con la correzione: Il computer ha dato alle squadre punteggi più ragionevoli. Sapeva ancora che le squadre migliori erano buone e quelle peggiori erano scarse, ma non esagerava il divario. Il metodo del "Giocatore Fantasma" ha funzionato così bene che ha prodotto risultati quasi identici al complesso metodo matematico "Ridge", ma era molto più facile da spiegare.

Riassunto

Il documento sostiene che, quando si classificano le cose basandosi su vittorie e sconfitte, si può evitare di ottenere punteggi folli e infiniti fingendo che tutti abbiano giocato alcune partite extra, equilibrate.

• Metodo A: Fai finta che tutti abbiano giocato un piccolo pareggio contro tutti gli altri.
• Metodo B: Fai finta che tutti abbiano giocato un sacco di partite contro un "giocatore fantasma" medio.

Entrambi i metodi mantengono la matematica semplice, le previsioni realistiche e i risultati facili da spiegare a chiunque voglia solo sapere chi è effettivamente il migliore.

Sommario tecnico

Sintesi Tecnica: Regolarizzazione nei Modelli di Confronto a Coppie tramite Pseudo-Giochi e Giocatori Fantasma

Enunciato del Problema
I modelli di confronto a coppie, come i modelli di Bradley-Terry e di Thurstone-Mosteller, sono strumenti standard per stimare abilità latenti o preferenze da esiti binari. Tuttavia, la stima di massima verosimiglianza ordinaria (MLE) in questi modelli affronta una significativa instabilità quando il grafo dei confronti è disconnesso o quasi separato. In tali casi — comuni negli sport con calendari incompleti, studi di preferenza sparsi o sistemi di classificazione online con nuovi entranti — la verosimiglianza può essere massimizzata solo sul confine, portando a stime di abilità infinite (ad esempio, $+\infty$ e $-\infty$). Sebbene la regolarizzazione ridge affronti questo problema comprimendo i parametri verso un centro comune, essa oscura l'intuitiva interpretazione di verosimiglianza che rende questi modelli attraenti per i professionisti. Inoltre, le penalità ridge richiedono vincoli lineari espliciti per risolvere la non-identificabilità della posizione.

Metodologia
Il documento propone due prospettive di aumento dei dati per la regolarizzazione che preservano la familiare forma di verosimiglianza fornendo al contempo stime finite e compresse. Entrambi i metodi consentono l'implementazione tramite software standard di regressione binomiale (ad esempio, glm in R).

1. Regolarizzazione tramite Pseudo-Giochi:
   Questo approccio aggiunge "pseudo-giochi" frazionari ai dati osservati. Per ogni coppia non ordinata di concorrenti $(i, j)$, il metodo aggiunge $\delta$ vittorie frazionarie e $\delta$ sconfitte frazionarie a entrambi i giocatori.

• Meccanismo: La log-verosimiglianza aumentata include un termine di penalità proporzionale a $\sum \log\{p_{ij}(1-p_{ij})\}$. Questo termine è massimizzato quando $p_{ij} = 1/2$ (abilità uguali), comprimendo così le differenze di abilità verso lo zero.
• Proprietà: Agisce sulle differenze di abilità tra coppie. Non risolve la non-identificabilità della posizione; un vincolo lineare (ad esempio, $\sum \theta_j = 0$) rimane necessario.
• Connessione con Ridge: Sotto il link logit di Bradley-Terry, un'espansione di Taylor vicino allo zero mostra che questa penalità si comporta localmente come una penalità ridge con coefficiente $\lambda \approx \delta J / 4$.

2. Regolarizzazione tramite Giocatore Fantasma:
   Questo approccio introduce un concorrente "fantasma" artificiale (indicizzato come 0) con una forza fissa e nota $\theta_0 = 0$. A ogni concorrente reale viene assegnata una vittoria pseudo-frazionaria pesata e una sconfitta pseudo-frazionaria pesata contro questo giocatore fantasma, con peso $\rho$.

• Meccanza: La log-verosimiglianza aumentata aggiunge un termine $\rho \sum [\log F(\theta_j) + \log\{1 - F(\theta_j)\}]$. Questa penalità è massimizzata a $\theta_j = 0$, comprimendo le abilità individuali verso la forza fissa del giocatore fantasma.
• Proprietà: Agisce direttamente sui parametri individuali $\theta_j$ piuttosto che solo sulle differenze. Fondamentalmente, risolve la non-identificabilità della posizione senza richiedere un esplicito vincolo di somma zero, poiché il giocatore fantasma ancora la scala.
• Connessione con Ridge: Per il modello di Bradley-Terry, questo è localmente equivalente alla regolarizzazione ridge con $\lambda \approx \rho / 4$. Tuttavia, a differenza della penalità ridge quadratica, la penalità del giocatore fantasma ha code approssimativamente lineari per grandi valori di $|\theta_j|$.

Tuning e Inferenza
I parametri di tuning $\delta$ e $\rho$ possono essere selezionati tramite elicazione dell'esperto o cross-validazione.

• Elicitazione: $\delta$ può essere calibrato chiedendo quale probabilità $q$ un analista assegna a una futura vittoria dato un singolo evento di vittoria (senza sconfitte); $\delta = (1-q)/(2q-1)$. $\rho$ è interpretato come il numero di vittorie/sconfitte pseudo-frazionarie pesate contro un avversario di riferimento.
• Cross-Validazione: La $K$-fold cross-validazione massimizza la log-verosimiglianza tenuta fuori dal campione. Il documento nota che gli errori standard della stima finale devono essere trattati come condizionati dal parametro di tuning selezionato; il bootstrapping dell'intero procedimento è raccomandato per una corretta quantificazione dell'incertezza.
• Interpretazione Bayesiana: Il documento nota che la regolarizzazione del giocatore fantasma corrisponde a uno stimatore Maximum A Posteriori (MAP) sotto priori di compressione indipendenti con densità proporzionali a $[F(\theta_j)(1-F(\theta_j))]^\rho$.

Risultati: Applicazione MLB 2025
I metodi sono stati applicati alla stagione regolare MLB 2025 (30 squadre, 2.430 partite). Sebbene il grafo dei dati sia connesso (permettendo la MLE ordinaria), il calendario è sbilanciato, creando potenziali stime estreme.

• Confronto: Gli autori hanno confrontato i modelli Bradley-Terry ordinari, ridge-penalizzati, pseudo-giochi e giocatori fantasma.
• Risultati:
  • Le stime ordinarie hanno mostrato la dispersione più ampia (ad esempio, Colorado Rockies a $-0,979$).
  • I metodi regolarizzati hanno compresso sostanzialmente questi estremi (ad esempio, le stime delle Colorado Rockies variavano da $-0,580$a$-0,643$).
  • Le stime del giocatore fantasma sono state particolarmente vicine alle stime ridge-penalizzate, con una riduzione della dispersione da cima a fondo di circa un terzo o due quinti.
  • Il metodo del giocatore fantasma ha riprodotto con successo le stime di forza regolarizzate con ridge, mantenendo al contempo un intuitivo modello di dati aumentati.

Contributi Chiave e Significato
Il contributo primario del documento è dimostrare che semplici costruzioni di aumento dei dati (pseudo-giochi e giocatori fantasma) forniscono penalità di regolarizzazione interpretabili per i modelli di confronto a coppie.

• Interpretabilità: A differenza delle astratte penalità ridge, questi metodi permettono ai professionisti di discutere la regolarizzazione in termini di "giochi frazionari" o "confronti con un avversario di riferimento".
• Implementazione: I metodi sfruttano software standard di modelli lineari generalizzati (GLM), rendendoli accessibili agli analisti applicati senza necessità di codice di ottimizzazione personalizzato.
• Identificabilità: La costruzione del giocatore fantasma offre un vantaggio distinto risolvendo naturalmente la non-identificabilità della posizione, eliminando la necessità di espliciti vincoli lineari.
• Ponte: Il lavoro unisce l'ottimizzazione penalizzata e la modellazione basata sulla verosimiglianza, inquadrando la regolarizzazione come l'aggiunta di informazioni controllate e interpretabili piuttosto che come una semplice penalità matematica.

Il documento conclude che, sebbene questi metodi abbiano dei limiti (ad esempio, la potenziale instabilità della cross-validazione in dati altamente sparsi), essi forniscono alternative robuste e intuitive alla standard regolarizzazione ridge, in particolare quando la struttura del grafo di confronto suggerisce tipi specifici di instabilità.