Inverse generalised spin models of answers to questionnaires

Este artigo apresenta e valida um protocolo de inferência baseado em Monte Carlo para modelos de spin generalizados (Ising, Blume-Capel e Blume-Emery-Griffiths) para analisar dados de questionários ordinais, demonstrando que o modelo Blume-Emery-Griffiths supera as abordagens gaussianas tradicionais na captura de características complexas como multimodalidade e valores atípicos, embora todos os modelos apresentem dificuldades com distribuições de cauda pesada.

O essencial

Imagine que você está tentando entender as personalidades de um grupo de pessoas analisando suas respostas a um longo questionário. Métodos tradicionais frequentemente assumem que existe um único "interruptor mestre" oculto (como um traço latente) causando todas as respostas. Este artigo propõe uma visão diferente: Psicometria de Redes.

Pense nos itens do questionário não como efeitos de um interruptor oculto, mas como uma sala lotada de pessoas conversando entre si. A resposta de uma pessoa influencia a de seu vizinho, que influencia a próxima, criando uma complexa teia de interações. O objetivo é mapear essa teia.

Os autores utilizam ferramentas da física (especificamente, modelos de ímãs) para entender essas conversas. Aqui está uma explicação simples de sua jornada:

1. O Problema dos Velhos Ímãs

Na física, o modelo de Ising é como uma fileira de minúsculos ímãs que só podem apontar para Cima (+1) ou para Baixo (-1).

• O Problema: A vida real não é binária. Quando você responde a uma pesquisa, pode dizer "Concordo Fortemente", "Neutro", "Discordo", etc. Forçar essas respostas em apenas "Sim" ou "Não" é como tentar descrever um arco-íris usando apenas tinta preta e branca. Você perde a nuance das respostas "intermediárias" (os neutros) e a intensidade dos extremos.

2. As Novas Ferramentas: Ímãs Atualizados

Os autores testaram três modelos de física "atualizados" para lidar com essas respostas de múltiplas opções:

• O Modelo de Ising Generalizado: Permite que os ímãs tenham mais de dois estados (como um dial com 5 configurações), mas os ímãs ainda apenas empurram ou puxam uns aos outros linearmente.
• O Modelo Blume-Capel (BC): Adiciona uma característica que permite que um ímã se acomode confortavelmente no espaço "Neutro" (0). Reconhece que, às vezes, as pessoas simplesmente não se importam ou estão indecisas, e que esse estado é estável por si só.
• O Modelo Blume-Emery-Griffiths (BEG): A ferramenta mais complexa. Adiciona uma regra especial: Acoplamento de Intensidade.
  • Analogia: Imagine duas pessoas na sala. Os modelos Ising/BC dizem: "Se vocês dois concordarem, isso é bom." O modelo BEG diz: "Não importa se vocês dois concordam ou se ambos discordam fortemente; o que importa é que vocês ambos são intensos." Ele captura a ideia de que respostas extremas (seja positivas ou negativas) frequentemente se agrupam juntas.

3. O Experimento: Ouvindo 11 Conversas

Os pesquisadores pegaram 11 questionários reais diferentes (cobrindo tópicos como personalidade, empatia, crenças em conspirações e ética no trabalho) e tentaram "engenharia reversa" nos modelos de física que gerariam esses padrões específicos de respostas.

Eles compararam seus modelos de física com ferramentas estatísticas padrão (como o modelo Gaussiano, que assume que os dados formam uma curva de sino perfeita).

4. As Descobertas: Quem Venceu o Jogo?

O Vencedor: O Modelo BEG
O modelo BEG foi o melhor em prever os dados.

• Os "Outliers" e as "Médias": Em qualquer grupo, você tem pessoas que são muito médias (respondendo "no meio do caminho" para tudo) e pessoas que são outliers extremos (respondendo muito fortemente).
  • O Resultado: O modelo BEG foi o único que conseguiu prever com precisão a abundância de ambos os tipos. Entendeu que há muitas pessoas sentadas bem no meio e muitas sentadas nas bordas extremas. Os outros modelos perderam isso, frequentemente suavizando os extremos ou as médias.

O Mistério "Multimodal"
Em alguns conjuntos de dados, as respostas não formaram uma única colina suave (uma curva de sino). Em vez disso, formaram múltiplas colinas (como uma cadeia de montanhas com vários picos).

• A Explicação da Física: Os autores explicam isso como Metastabilidade. Imagine uma bola rolando em uma paisagem com dois vales. Ela pode ficar presa no vale "profundo" (a fase estável) ou em um vale "raso" (a fase metastável).
• A Descoberta: O modelo BEG conseguiu reproduzir esses "múltiplos picos" nos dados (como no conjunto de dados sobre crenças em conspirações), sugerindo que as atitudes das pessoas podem existir em clusters distintos e estáveis, em vez de apenas uma opinião média única.

A Limitação: As "Caudas Pesadas"
Apesar de vencer, os modelos tinham uma grande ponto cego.

• O Problema: Dados reais têm "caudas pesadas", o que significa que há mais outliers extremos do que qualquer um dos modelos (mesmo o complexo BEG) poderia prever.
• A Metáfora: Imagine tentar prever a altura das ondas no oceano. Os modelos são ótimos para prever ondas normais e até as grandes, mas consistentemente subestimam a frequência de tsunamis. O mundo real parece ter mais respostas extremas de "tsunami" do que esses modelos de física conseguem explicar.

5. A Conclusão

O artigo conclui que os dados de questionários humanos são não lineares e complexos.

• Modelos simples (como a curva de sino) falham em capturar os "picos e vales" da opinião humana.
• O modelo BEG é atualmente a melhor ferramenta para entender como as pessoas se agrupam em grupos de "neutros" e "extremistas".
• No entanto, mesmo o melhor modelo de física não é perfeito; ainda há uma "cauda pesada" de comportamento extremo nos dados humanos que ainda não entendemos completamente.

Em resumo: Os autores construíram um sofisticado "ímã" para ouvir conversas humanas. Eles descobriram que, embora esse ímã possa ouvir os neutros silenciosos e os extremos gritantes melhor do que qualquer ferramenta anterior, a voz humana ainda é um pouco mais alta e caótica do que mesmo a melhor física consegue prever.

Resumo técnico

Resumo Técnico: Modelos de Spin Generalizados Inversos para Respostas a Questionários

Enunciação do Problema
A psicometria de redes conceptualiza construtos psicológicos como propriedades emergentes de variáveis interagentes, e não como efeitos de causas latentes. Embora modelos probabilísticos baseados em energia (especificamente o modelo de Ising) tenham sido adotados para modelar essas interações, sua aplicação tem sido limitada por pressupostos de respostas binárias ou ternárias e pela dependência de suposições limitantes de inferência. A maioria dos dados psicológicos é coletada em escalas ordinais com múltiplas opções, e a dicotomização leva à perda de informação. Além disso, modelos padrão frequentemente falham em capturar padrões de resposta complexos, como neutralidade, respostas extremas e estruturas não gaussianas, como a multimodalidade. Este artigo aborda a necessidade de um quadro capaz de lidar com dados de questionários ordinais com um número arbitrário de opções de resposta, ao mesmo tempo que acomoda anisotropia de sítio único e interações biquadráticas.

Metodologia
Os autores propõem e analisam três modelos de spin generalizados como modelos probabilísticos inversos para dados de questionários ordinais:

1. Modelo de Ising Generalizado: Permite $R \ge 2$ estados discretos, mas carece de anisotropia de sítio único e acoplamentos biquadráticos.
2. Modelo Blume-Capel (BC): Estende o modelo de Ising incluindo um termo de anisotropia de sítio único ($J_{ii}$), permitindo um estado neutro ou inativo (0) distinto dos estados ativos ($\pm 1$).
3. Modelo Blume-Emery-Griffiths (BEG): Estende ainda mais o modelo BC introduzindo acoplamentos biquadráticos ($K_{ij}$), que capturam associações intensidade-intensidade (tendências de itens assumirem simultaneamente valores extremos, independentemente do sinal).

Protocolo de Inferência
Os autores desenvolvem um protocolo de inferência em duas etapas para estimar os parâmetros do modelo ($\theta = \{h, J, K\}$) a partir de dados empíricos:

• Etapa 1 (Maximização da Pseudo-verossimilhança): Devido à intratabilidade da função de partição para grandes números de itens ($M$), os autores maximizam primeiro a pseudo-verossimilhança utilizando o algoritmo L-BFGS-B. Isso fornece uma condição inicial consistente, mas não garante o ajuste de momentos (reprodução das estatísticas suficientes empíricas).
• Etapa 2 (Maximização da Verossimilhança Total): Para alcançar o ajuste de momentos, os autores empregam um algoritmo de descida de gradiente estocástico baseado em Divergência Contrastiva Persistente (PCD) combinado com o otimizador ADAM. Isso envolve estimar gradientes de verossimilhança via amostragem de Gibbs de Cadeias de Markov Monte Carlo (MCMC). O protocolo utiliza cadeias persistentes para evitar re-thermalização custosa e inclui redefinições periódicas para configurações empíricas para garantir a convergência.

Contribuições Teóricas
O artigo estabelece várias propriedades matemáticas desses modelos:

• Identificabilidade: Prova que as distribuições de probabilidade dos modelos de Ising, BC e BEG são unicamente determinadas por seus parâmetros (para $R \ge 3$ em BC/BEG e $R \ge 2$ em Ising).
• Concavidade: Demonstra a concavidade estrita da função de log-verossimilhança, garantindo um máximo global único para a estimativa de máxima verossimilhança.
• Invariância de Gauge: Prova que os modelos de Ising e BC são invariantes de gauge sob translações de valores de spin. O modelo BEG mostra-se não invariante de gauge em sua forma padrão; a invariância de gauge para BEG requer a inclusão de termos cúbicos mistos simétricos. Consequentemente, os autores fixam a parametrização do modelo BEG com valores de spin simétricos em torno de zero para evitar superparametrização.

Resultados Empíricos
Os modelos foram aplicados a onze conjuntos de dados diversos de psicometria e sociologia (por exemplo, Big-5, Escala de Depressão, Ansiedade e Estresse, Escala de Autoritarismo de Direita) e comparados a quatro modelos de referência: Gaussiana Multivariada, Categórica-Independente, Cópiulas e Gaussiana Discretizada.

• Desempenho Fora da Amostra: O modelo BEG alcançou consistentemente maior pseudo-verossimilhança fora da amostra e menor erro de completude em comparação com os modelos de Ising, BC e modelos de referência simples, sugerindo que ele captura estrutura genuína além de interações bilineares.
• Estatísticas por Item: Os modelos de spin reproduziram aproximadamente os histogramas empíricos de resposta por item. O modelo BEG superou os outros na captura da distribuição de respostas.
• Componentes Principais (CP): Em vários conjuntos de dados (por exemplo, gcbs, rwas), os dados empíricos exibiram multimodalidade nos histogramas do primeiro componente principal, uma característica não gaussiana. O modelo BEG capturou com sucesso essa estrutura trimodal no conjunto de dados gcbs, enquanto os modelos de Ising e BC frequentemente falharam ou produziram bimodalidade espúria. A análise da teoria de campo médio sugere que essas multimodalidades correspondem à coexistência de fases estáveis e metastáveis nos modelos de spin.
• Distribuições de Distância:
  • Distância Euclidiana: O modelo BEG superou sistematicamente todos os outros modelos (incluindo Cópiulas) na reprodução do histograma de distâncias euclidianas à média. Capturou com precisão a alta densidade de probabilidade de sujeitos tanto próximos quanto distantes da média (outliers).
  • Distância de Mahalanobis: Todos os modelos, incluindo os modelos de spin e os de referência, subestimaram sistematicamente as caudas pesadas da distribuição da distância de Mahalanobis. Isso indica que os dados de questionários possuem estruturas de correlação de ordem superior ou comportamentos de cauda não capturados pelos atuais modelos baseados em energia com suporte discreto. Notavelmente, para o conjunto de dados rwas, apenas o modelo BEG (e as Cópiulas) capturaram um pico específico de sujeitos muito próximos da média na distância de Mahalanobis.

Significado e Conclusões
O artigo afirma que o modelo BEG oferece um quadro descritivo superior para dados de questionários em comparação com modelos gaussianos e modelos de spin mais simples. Sua capacidade de contabilizar a abundância de outliers e respondedores médios, bem como estruturas multimodais em componentes principais, destaca a importância dos acoplamentos biquadráticos na modelagem de interações psicológicas.

Os autores concluem que os dados de questionários exibem propriedades não gaussianas em múltiplos níveis. Embora o modelo BEG capture com sucesso muitas dessas características (interpretando polarização e multimodalidade como metastabilidade de tamanho finito), a falha sistemática de todos os modelos em reproduzir as caudas pesadas da distância de Mahalanobis sugere que as respostas a questionários podem codificar estruturas de correlação de ordem superior além do alcance dos atuais modelos baseados em energia bilineares e biquadráticos. O trabalho avança o campo dos modelos de spin inversos ao fornecer um algoritmo robusto de inferência de verossimilhança total e demonstrar a utilidade de modelos de spin generalizados na psicometria de redes.