📊 statistics

Bayesian inference for partial orders from random linear extensions: power relations from 12th Century Royal Acta

Dit artikel introduceert een Bayesiaans Hidden Markov-model dat evoluerende sociale hiërarchieën als partiële ordeningen infereert uit willekeurige lineaire extensies gevonden in de Koninklijke Acta uit de 12e eeuw, waarbij het met succes veranderingen in bisschoppelijke autoriteit kwantificeert en verschuivingen in hofpolitiek blootlegt die eenvoudigere rangschikkingsmodellen niet kunnen vatten.

Oorspronkelijke auteurs: Geoff K. Nicholls, Jeong Eun Lee, Nicholas Karn, David Johnson, Rukuang Huang, Alexis Muir-Watt

Gepubliceerd 2026-05-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Geoff K. Nicholls, Jeong Eun Lee, Nicholas Karn, David Johnson, Rukuang Huang, Alexis Muir-Watt

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert de exacte rangorde van een groep van 67 bisschoppen in het Engeland van de 12e eeuw te achterhalen. Je hebt geen regelboek dat zegt: "Bisschop A staat altijd boven bisschop B." In plaats daarvan heb je honderden oude juridische documenten (zogenaamde Royal Acta) waarin deze bisschoppen hun namen als getuigen hebben ondertekend.

In die documenten was de volgorde waarin namen verschenen niet willekeurig; het was een weerspiegeling van de sociale status. Hoe hoger je rang, hoe eerder je naam verscheen. De lijsten waren echter niet perfect. Soms sprong een bisschop de rij over, of maakte een schrijver een fout. Bovendien was niet elke bisschop bij elke vergadering aanwezig, dus je ziet op elk moment slechts een klein deel van de groep.

De auteurs van dit artikel bouwden een geavanceerde "tijdmachine" (een statistisch model) om de evoluerende sociale hiërarchie van deze bisschoppen over een periode van 76 jaar te reconstrueren. Hieronder wordt uitgelegd hoe ze dit deden, in eenvoudige bewoordingen:

1. Het Probleem: Het is geen Simpele Lijn

De meeste mensen gaan ervan uit dat sociale rang een rechte lijn is: 1e plaats, 2e plaats, 3e plaats, en zo verder. Maar de auteurs beseften dat dit niet waar was voor deze bisschoppen.

De Analogie: Stel je een ladder voor waarbij sommige sporten ontbreken. Je kunt van onder naar boven klimmen, maar soms staan twee mensen op verschillende takken van een boom en is het niet duidelijk wie er "boven" de ander staat.
De Wiskunde: Ze noemen dit een Partiële Orde. Het is een kaart van wie zeker boven wie staat, maar het staat "gelijkstanden" of "onbekenden" toe waar de data geen duidelijk antwoord geeft. Dit is flexibeler dan het aannemen van een perfecte, rechte rangschikking.

2. De Methode: De "Rij" en de "Ruis"

De auteurs stelden zich de bisschoppen voor die in een rij staan om een document te ondertekenen.

Het Ideaal: Als iedereen zich perfect aan de regels hield, zou de rij altijd zijn gerangschikt volgens de verborgen sociale hiërarchie (de "Partiële Orde").
De Realiteit: Soms zou een bisschop de rij "overslaan" (misschien door politieke gunst of een fout van de schrijver).
Het Model: Ze creëerden een Verborgen Markov-model.
- De Verborgen Toestand: De onzichtbare, veranderende sociale hiërarchie (de "kaart" van wie boven wie staat).
- De Geobserveerde Data: De daadwerkelijke lijsten met namen die in de documenten zijn gevonden.
- De Ruis: Een "rij-overslaan"-kans. Het model berekent hoe waarschijnlijk het is dat een bisschop de rij oversloeg versus dat hij er gewoon correct werd geplaatst.

3. De Ingrediënten: Senioriteit versus Macht

Het model probeerde uit te vinden wat de positie van een bisschop bepaalde.

Senioriteit (De "Tijd in Dienst"-factor): Hoe langer een bisschop in functie was, hoe hoger hij zou moeten staan. Het model behandelde dit als een voorspelbare regel.
Autoriteit (De "Politieke Macht"-factor): Soms werd een bisschop met minder senioriteit hoger gerangschikt omdat hij een goede vriend van de koning was. Het model scheidde deze "politieke macht" van de regel van "tijd in dienst".

4. De Resultaten: Wat het Model Vond

Door hun model te draaien op 371 lijsten uit de periode 1080 tot 1155, onthulden ze enkele interessante historische waarheden:

Senioriteit telt (meestal): Het model bevestigde dat de regels van de kerk (gebaseerd op hoe lang je al bisschop bent) de belangrijkste drijfveer voor de volgorde waren. De lijsten volgden over het algemeen de "senioriteitsregel".
De "Normandische" Daling: Vroeg in de periode werden bisschoppen uit Normandië (Frankrijk) zeer hoog gerangschikt. Maar naarmate de tijd verstreek, daalde hun status in Engelse documenten. Het model suggereert dat Engelse bisschoppen langzaam de voorkeur kregen boven hun Franse tegenhangers.
Politieke Gunst: Sommige bisschoppen braken de senioriteitsregels. Bijvoorbeeld, Nigel, bisschop van Ely, werd in de jaren 1130 zeer hoog gerangschikt (waarschijnlijk door koninklijke gunst), maar daalde aanzienlijk nadat hij in 1139 in ongenade bij de koning viel.
Londen en Winchester: De bisschoppen van Londen en Winchester hadden consequent hoge autoriteit en werden vaak hoger gerangschikt dan anderen, zelfs wanneer ze niet de meest senior waren.

5. Waarom dit Model Speciaal is

De auteurs vergeleken hun "Partiële Orde"-model met andere manieren om dingen te rangschikken (zoals standaard sportranglijsten of simpele lijsten).

De Analogie: Stel je voor dat je probeert een rommelige kamer op te ruimen.
- Oude Modellen: Dwingen je om elk voorwerp in een enkele, perfecte lijn te plaatsen (Boek A, Boek B, Boek C). Als twee boeken niet in die lijn passen, raakt het model in de war.
- Dit Model: Staat je toe om te zeggen: "Boek A staat boven Boek B, maar Boek C staat op een heel andere plank en we weten niet hoe het zich verhoudt."
Het Oordeel: De auteurs vonden dat deze flexibele "Partiële Orde"-aanpak veel beter bij de historische data paste dan de stijve "rechte lijn"-modellen. Het legde de rommelige, complexe realiteit van middeleeuwse politiek beter vast dan eenvoudigere methoden.

Samenvatting

Het artikel is een statistisch detectiveverhaal. Door de volgorde van namen in oude juridische documenten te behandelen als een ruisig signaal, reconstrueerden de auteurs de onzichtbare sociale ladder van bisschoppen uit de 12e eeuw. Ze bewezen dat senioriteit weliswaar de hoofdregel was, maar dat politieke macht en nationaliteit (Engels versus Normandisch) de ladder konden opschudden, en dat hun nieuwe wiskundige hulpmiddel de beste manier was om deze veranderingen duidelijk te zien.

Technische Samenvatting: Bayesiaanse Inferentie voor Partiële Ordeningen uit Willekeurige Lineaire Uitbreidingen

Probleemstelling
Het artikel adresseert de statistische uitdaging om een zich ontwikkelende sociale hiërarchie af te leiden uit rangordegegevens waarbij de onderliggende structuur niet noodzakelijkerwijs een volledige (totale) orde is. De auteurs analyseren 371 getuigenlijsten uit 12e-eeuwse Engelse en Normandische Koninklijke Acta (juridische documenten), waarin de volgorde wordt vastgelegd waarin 67 bisschoppen werden vermeld. Historici veronderstellen dat deze ordening een sociale hiërarchie weerspiegelt gebaseerd op status, senioriteit en politieke invloed. De gegevens zijn echter ruisig, incompleet (subsets van bisschoppen verschijnen in elke lijst) en de onderliggende hiërarchie kan niet-vergelijkbare paren actoren bevatten (een partiële orde), in plaats van een enkele lineaire rangschikking. Bestaande modellen voor rangdata, zoals Mallows en Plackett-Luce, veronderstellen doorgaans een totale orde of contextonafhankelijke kansen, wat onvanlijk kan zijn voor deze historische context waar transitiviteit wordt verwacht maar de orde partiel is.

Methodologie
De auteurs stellen een Bayesiaans Hidden Markov Model (HMM) voor waarbij de latente toestand een evoluerende partiële orde (poset) is en de waargenomen data willekeurige lineaire uitbreidingen van die poset zijn.

Parametrisatie van de Latente Variabele:
- De poset op tijdstip $t$ , aangeduid als $h(t)$ , wordt gegenereerd vanuit een latente $K$ -dimensionale statusmatrix $Z(t)$ .
- Voor elke bisschop $j$ evolueert een latente autoriteitsvector $U^{(t)}_j$ in de tijd als een vectorautoregressie (VAR) van orde 1.
- Een covariaateffect $\beta_{s_{t,j}}$ gebaseerd op senioriteit wordt toegevoegd aan de autoriteitsvector om de statusvector te vormen: $Z^{(t)}_j = U^{(t)}_j + \mathbf{1}_K \beta_{s_{t,j}}$ .
- De poset $h(t)$ wordt gedefinieerd door de doorsnede van $K$ totale ordenen die zijn afgeleid uit de kolommen van $Z(t)$ . Bisschop $i$ gaat $j$ voor in de poset dan en slechts dan als $Z^{(t)}_{i,k} > Z^{(t)}_{j,k}$ voor alle $k=1,\dots,K$ .
- De dimensie $K$ wordt gekozen als $\lfloor D/2 \rfloor$ (waarbij $D$ het maximale aantal actieve bisschoppen is), zodat het model elke mogelijke poset kan representeren (universele representatie-eigenschap).
Observatiemodel (Queue-Jumping):
- De waargenomen lijsten worden gemodelleerd als "ruisige" lineaire uitbreidingen van de ware poset.
- De auteurs introduceren een "queue-jumping"-mechanisme: met waarschijnlijkheid $p$ wordt de volgende actoren in de lijst willekeurig gekozen (de poset-beperkingen negerend); anders wordt de actoren gekozen volgens een willekeurige lineaire uitbreiding van de resterende sub-orde.
- Dit maakt "ruis" mogelijk waarbij de waargenomen orde in strijd is met de onderliggende hiërarchie, terwijl de beperking wordt gehandhaafd dat geldige lineaire uitbreidingen waarschijnlijker zijn.
- Het model behandelt onvolledige lijsten (subsets van bisschoppen) door te conditioneren op de sub-orde die wordt geïnduceerd door de aanwezige actoren.
Priors en Consistentie:
- De prior op het poset-proces is zo opgebouwd dat deze marginaal consistent is, wat betekent dat de verdeling van een sub-orde (geïnduceerd door een subset van actoren) consistent is met de verdeling van de volledige orde. Dit wordt bereikt door een specifieke prior te gebruiken op de latente vectoren $U$ en de correlatieparameter $\rho$ .
- Een hyperparameter $\rho$ controleert de "diepte" van de poset (de lengte van de langste keten). De prior is ontworpen om niet-informatief te zijn met betrekking tot diepte, waardoor de concentratie op posets met diepte-3 wordt vermeden zoals gezien bij uniforme priors over alle posets.
- De senioriteitseffecten $\beta$ worden beperkt tot een geordende reeks ( $\beta_1 > \beta_2 > \dots$ ) om historische verwachtingen weer te geven dat senioriteit correleert met status, hoewel ook onbeperkte modellen worden getest.
Inferentie:
- Posterior-inferentie wordt uitgevoerd met Markov Chain Monte Carlo (MCMC) met Metropolis-Hastings-updates.
- De likelihood houdt rekening met het tellen van lineaire uitbreidingen, een #P-compleet probleem. De auteurs maken gebruik van recursieve telpatronen (specifiek het lecount-pakket) die haalbaar zijn voor het kleine aantal actoren ( $m \le 22$ ) in deze dataset, maar de schaalbaarheid beperken tot grotere problemen.

Belangrijkste Bijdragen

Nieuwe Modelklasse: Het artikel introduceert een algemeen kader voor het modelleren van tijdreeks-rangdata waarbij de onderliggende structuur een partiële orde is, wat bestaande modellen zoals Mallows en Plackett-Luce generaliseert.
Marginaal Consistentie: De auteurs leiden af en bewijzen dat hun latente-variabele prior voor posets marginaal consistent is, een eigenschap die vaak wordt geschonden bij ad-hoc priors voor partiële ordenen.
Universele Representatie: Zij tonen aan dat met een latente dimensie $K \ge \lfloor D/2 \rfloor$ het model elke mogelijke poset-tijdreeks kan representeren, waardoor geen structurele bias tegen complexe hiërarchieën ontstaat.
Historische Toepassing: Dit is de eerste statistische analyse van 12e-eeuwse Koninklijke Acta-getuigenlijsten die de sociale hiërarchie expliciet modelleert als een partiële orde, waarbij de effecten van senioriteit worden gescheiden van persoonlijke autoriteit.

Resultaten

Modelfit: Het op posets gebaseerde model presteert beter dan eenvoudigere alternatieven (Vertex-Series-Parallel ordenen, Bucket Ordenen) en een Plackett-Luce tijdreeks-mengselmodel wat betreft goodness-of-fit (gemeten aan de hand van Leave-One-Out Cross Validatie en Bayes-factoren).
Senioriteit versus Autoriteit: De analyse bevestigt een sterke afhankelijkheid van status van senioriteit, waarbij het effect van senioriteit afneemt naarmate het rangnummer toeneemt. Het model isoleert echter succesvol "autoriteit" (afwijkingen van senioriteit).
Historische Inzichten:
- Normandische Bisschoppen: Het model detecteert een daling in de status van Normandische bisschoppen (bijvoorbeeld uit Avranches, Bayeux, Évreux) ten opzichte van Engelse bisschoppen, beginnend in het begin van de 12e eeuw, een trend die eerder niet was gekwantificeerd.
- Politieke Invloed: De status van specifieke bisschoppen, zoals Hendrik van Blois (broer van koning Stefanus) en Nigel van Ely, fluctueert op een manier die correleert met politieke gunst of disgrace, onafhankelijk van hun senioriteit.
- Hiërarchische Structuur: De gereconstrueerde consensus-posets zijn relatief ondiep, typisch bestaande uit enkele groepen van middelrang-bisschoppen met een klein aantal actoren erboven of eronder, in plaats van een diepe, rigide hiërarchie.

Betekenis en Beweringen
Het artikel beweert dat de primaire bijdrage de ontwikkeling is van een statistisch rigoureuze methode voor het afleiden van evoluerende partiële ordenen uit ruisige, onvolledige rangdata. Door dit toe te passen op historische Acta, bieden de auteurs kwantitatief bewijs voor hoe sociale hiërarchieën functioneerden in de 12e eeuw, met name door onderscheid te maken tussen structurele senioriteit en vloeibare politieke autoriteit.

De auteurs zijn bescheiden over de computationele schaalbaarheid van hun methode en erkennen dat het #P-complexe karakter van het tellen van lineaire uitbreidingen het model beperkt tot datasets met kleine aantallen actoren (rond de 20). Zij suggereren dat voor grotere datasets beperkte klassen van posets (zoals VSP of Bucket Ordenen) noodzakelijke compromissen zouden kunnen zijn. Zij merken ook op dat, hoewel hun model goed op de data past, het "ruis"-model ervan uitgaat dat fouten in één richting optreden (queue jumping), en dat toekomstig werk bidirectionele ruismodellen zou kunnen verkennen.

Uiteindelijk betoogt het artikel dat het veronderstellen van een totale orde (zoals in standaard rangschikkingmodellen) ongerechtvaardigd is voor dit type sociale data en dat modellen voor partiële ordenen een nauwkeurigere en interpreteerbaardere representatie bieden van historische sociale structuren.