Isotonic Bradley-Terry Model for Paired Comparison Data

Stel je voor dat je een sportfan bent die probeert uit te zoeken wie de beste speler ter wereld is. Je hebt een enorme lijst met wedstrijdresultaten: wie van wie won, wie gelijk speelde en wie verloor. Maar hier komt het lastige gedeelte bij: je kunt niet simpelweg naar het aantal overwinningen kijken. Een speler kan tien keer van een zwakke tegenstander hebben gewonnen, maar van één sterke tegenstander hebben verloren. Om dit begrijpelijk te maken, gebruiken wetenschappers een wiskundig hulpmiddel genaamd het Bradley-Terry-model. Zie dit model als een "sterktecalculator". Het wijst een verborgen getal toe (een "sterktescore") aan elke speler. Als Speler A een hogere score heeft dan Speler B, voorspelt het model dat A zal winnen. Om het verschil tussen deze twee scores om te zetten in een echte winkans (zoals "60% kans dat A wint"), gebruikt het model een specifieke vorm, of "curve", genaamd een inverse linkfunctie.

Decennialang hebben onderzoekers moeten gissen welke curvevorm de juiste is. Ze kiezen een standaardvorm — zoals een vloeiende S-curve (logistiek) of een klokvorm (Gauss) — en houden zich daaraan, in de hoop dat het bij de data past. Het probleem is dat het echte leven rommelig is. Soms past de data niet perfect bij de vooraf gekozen curve, wat leidt tot slechte voorspellingen. Dit artikel stelt een simpele maar gedurfde vraag: Wat als we de data niet in een vooraf bepaalde curve dwingen? Wat als we de data zelf laten bepalen hoe de curve eruit moet zien? De auteur stelt een nieuwe methode voor die de vorm van de curve direct uit de resultaten leert, in plaats van vooraf een vorm te raden.

Het Probleem: De "One-Size-Fits-All" Valkuil

In de wereld van gepaard vergelijkingen — of het nu gaat om schaakgrootmeesters, tennisprofs of voetbalteams — willen we vaak twee dingen doen: de kansen op een overwinning voorspellen tussen twee spelers die nog niet tegen elkaar hebben gespeeld, en iedereen rangschikken van sterk naar zwak. De traditionele manier om dit te doen is het Bradley-Terry-model.

Stel je het model voor als een machine met twee onderdelen. Het eerste deel leert een "sterktescore" voor elke speler. Het tweede deel neemt het verschil tussen de scores van twee spelers en haalt dit door een vaste "filter" (de inverse linkfunctie) om een winkans uit te spugen. Jarenlang hebben wetenschappers deze filter vooraf moeten kiezen. Ze kunnen zeggen: "Laten we de logistische filter gebruiken," of "Laten we de Gaussische filter gebruiken."

De auteur van dit artikel wijst op een gebrek in deze aanpak: model-misspecificatie. Het is alsoast een vierkant blokje in een rond gat proberen te duwen. Als de echte wereld zich gedraagt als een grillige, getrapte functie, maar je dwingt het door een vloeiende S-curve, dan zullen je voorspellingen niet kloppen. Het artikel betoogt dat door een specifieke curvevorm vast te leggen voordat we naar de data kijken, we waardevolle informatie kunnen weggooien.

De Oplossing: Het "Vormveranderende" Model

Om dit op te lossen, introduceert de auteur het Isotoon Bradley-Terry-model. In plaats van een vaste curve te kiezen, laat hij de data zijn eigen curve bouwen, stukje bij beetje.

Zo werkt het, met behulp van een speelse analogie: Stel je voor dat je probeert een kaart van een heuvelachtig terrein te tekenen op basis van een paar verspreide weerberichten.

1. De Oude Manier: Je besluit van tevoren dat het terrein een perfecte, gladde parabool moet zijn. Je past de hoogte van je heuvel aan om bij de berichten te passen, maar als de berichten een plotselinge klif laten zien, kan jouw gladde parabool die simpelweg niet vatten.
2. De Nieuwe Manier (Isotoon Model): Je neemt geen vorm aan. In plaats daarvan kijk je naar de berichten en teken je een "verbinding-van-punten"-lijn die strikt omhoog gaat (of vlak blijft) naarmate je beweegt van lage naar hoge scores. Dit wordt isotoon regressie genoemd. Het is een "niet-parametrische" aanpak, wat betekent dat het geen specifieke formule veronderstelt; het volgt simpelweg de trend van de data.

De auteur stelt een slimme dans voor tussen de twee delen van het model:

1. Eerst raadt hij de sterkte scores van de spelers met behulp van een standaard curve.
2. Daarna kijkt hij naar de werkelijke wedstrijdresultaten en tekent hij de curve (de "filter") opnieuw om deze resultaten perfect aan te passen, waarbij hij ervoor zorgt dat de curve nooit achteruit gaat (monotoniciteit).
3. Vervolgens gebruikt hij deze nieuwe, op maat gemaakte curve om de sterkte scores van de spelers opnieuw te berekenen.
4. Hij herhaalt dit proces, waarbij hij afwisselt tussen het bijwerken van de scores en het bijwerken van de vorm van de curve, totdat het model niet meer verbetert.

Wat Ze Vonden: Betere Voorspellingen en Eerlijke Gelijkspelen

De auteur testte deze nieuwe methode met twee soorten data: synthetische data (computergegenereerde wedstrijden waarvan zij het "ware" antwoord kenden) en echte wereld data van de 2024/2025 Premier League voetbal, het 2025 MLB honkbalseizoen en de 2025 ATP tennis tour.

In hun computersimulaties creëerden ze scenario's waarin de "ware" relatie tussen sterkte en winnen vreemd was en niet overeenkwam met standaard curves. In deze gevallen worstelde het traditionele model, maar het Isotoon Bradley-Terry-model presteerde aanzienlijk beter. Het leerde de vreemde vorm van de data en maakte nauwkeurigere winvoorspellingen.

Nog interessanter is dat het nieuwe model beter is in het toegeven wanneer het het antwoord niet weet. In het traditionele model kan het model, als twee spelers vergelijkbare scores hebben, toch een minuscuul verschil forceren en zeggen: "Speler A heeft een kans van 51% om te winnen." Het Isotoon model is echter eerder geneigd te zeggen: "Deze twee zijn effectief gelijkspelend," wat resulteert in een winkans van 50%. De auteur vond dat dit "gelijkspel"-gedrag eigenlijk een kenmerk is, en geen fout. Wanneer er niet genoeg data is om twee spelers van elkaar te onderscheiden, weigert het model correct een strikte rangschikking te verzinnen, wat leidt tot eerlijkere en stabielere algemene ranglijsten.

In de sportdata uit de echte wereld waren de resultaten vergelijkbaar. Het nieuwe model verbeterde de nauwkeurigheid van de winkans-voorspellingen, vooral wanneer er minder data beschikbaar was (zoals in tennis, waar spelers niet vaak tegen elkaar spelen). Het verbeterde ook de Kendall's Tau score, een maatstaf voor hoe goed de rangschikking van het model overeenkomt met de werkelijke uitkomsten.

De Kernboodschap

Dit artikel suggereert dat we onze data niet in vooraf gemaakte wiskundige dozen hoeven te dwingen. Door de data de vorm van de relatie tussen sterkte en winnen te laten dicteren, kunnen we modellen bouwen die flexibeler en nauwkeuriger zijn. Het Isotoen Bradley-Terry-model raadt niet alleen de curve; het leert hem. Hoewel het meer computationele stappen vereist (het afwisselen tussen het bijwerken van scores en de curve), is de beloning een systeem dat beter omgaat met rommelige, echte wereld data en weet wanneer het moet zeggen: "Ik kan niet zeggen wie er beter is," in plaats van een wankele gok te wagen. De auteur concludeert dat deze aanpak een veelbelovende stap voorwaarts is voor het analyseren van alles, van sportwedstrijden tot enquêtevoorkeuren.