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

Este artigo introduz duas estratégias de aumento de dados — pseudo-jogos fracionários e jogadores fantasmas — para fornecer uma regularização intuitiva e interpretável para modelos de comparação pareada, estabilizando efetivamente as estimativas e resolvendo problemas de não-identificabilidade, enquanto replica fielmente os resultados da regularização ridge padrão.

O essencial

Imagine que você está tentando classificar um grupo de amigos para saber quem é o melhor em um videogame. Você tem uma lista de quem venceu quem.

Em um mundo perfeito, todos jogariam contra todos um número igual de vezes. Mas, na realidade, alguns jogam muito, outros jogam pouco, e às vezes, um jogador realmente bom pode nunca perder para um oponente específico na pequena amostra de jogos que você observou.

O Problema: A Armadilha da Pontuação "Perfeita"
Se o Jogador A vencer o Jogador B cinco vezes seguidas, um cálculo computacional padrão (chamado de "máxima verossimilhança") concluirá que o Jogador A é infinitamente melhor que o Jogador B. Ele calcula que o Jogador A tem 100% de chance de vencer para sempre.

• O Problema: Isso é matematicamente "correto" para esses cinco jogos, mas é uma previsão terrível para o futuro. Sabemos que o Jogador B pode vencer na próxima vez. A matemática falha porque trata uma amostra pequena como verdade absoluta, levando a pontuações "infinitas" que não fazem sentido.

A Solução: Adicionando Jogos "Fantasmagóricos"
O autor, Mark Glickman, sugere um truque inteligente para corrigir isso sem usar penalidades matemáticas complexas que são difíceis de explicar. Em vez de mudar a fórmula, ele sugere adicionar dados falsos à mistura. Ele chama isso de "Regularização via Pseudo-Observações".

Pense da seguinte forma: Antes mesmo de olhar os resultados dos jogos reais, você diz ao computador: "Vamos fingir que todos jogaram alguns jogos extras contra um oponente 'Fantasma', ou contra uns aos outros de uma maneira muito equilibrada".

O artigo propõe duas maneiras específicas de fazer isso:

1. O Método do "Empate Fracionário" (Pseudo-Jogos)

Imagine que, antes da temporada real começar, cada par de jogadores jogou um minúsculo jogo invisível onde empataram.

• Como funciona: Você adiciona um pouco de "crédito" para uma vitória e um pouco de "crédito" para uma derrota a cada confronto em seus dados.
• A Metáfora: É como dizer ao computador: "Mesmo que o Jogador A tenha vencido o Jogador B cinco vezes, vamos fingir que eles também jogaram alguns jogos onde dividiram os pontos igualmente".
• O Resultado: Isso impede o computador de dizer "O Jogador A é infinitamente melhor". Isso aproxima as pontuações, tornando a previsão mais realista. É como adicionar um pouco de "dúvida" aos dados para suavizar os extremos.

2. O Método do "Jogador Fantasma" (Jogadores Fantasmas)

Imagine que existe um jogador misterioso e invisível na liga (vamos chamá-lo de "Sr. Zero") que é exatamente mediano. Ele nunca se cansa, nunca tem sorte, e seu nível de habilidade é fixo em zero.

• Como funciona: Você finge que cada jogador real jogou vários jogos contra o Sr. Zero. Você diz ao computador que cada jogador venceu metade das vezes e perdeu metade das vezes contra o Sr. Zero.
• A Metáfora: É como ancorar um barco. Se o barco (a pontuação do jogador) tentar derivar demais (tornar-se muito alta ou muito baixa), a âncora (o Sr. Zero) o puxa de volta para o meio.
• O Resultado: Isso mantém as pontuações de todos fundamentadas. Mesmo que um jogador vença 10 jogos seguidos contra oponentes fracos, o fato de terem "perdido" metade dos jogos contra o Jogador Fantasma médio impede que sua pontuação dispare para o infinito.

Por que isso é legal

O artigo mostra que esses dois truques de "dados falsos" fazem exatamente o mesmo trabalho que uma técnica matemática muito popular e complexa chamada "Regularização Ridge" (que geralmente envolve uma fórmula de penalidade assustadora).

• O Benefício: Em vez de dizer: "Aplicamos uma penalidade de 0,5 à matemática", você pode dizer: "Adicionamos 40 jogos falsos contra um oponente médio".
• A Tradução: Isso torna a matemática muito mais fácil de entender para pessoas comuns (como analistas esportivos ou gestores de negócios). Eles podem ajustar o sistema fazendo perguntas simples: "Quantos jogos falsos devemos adicionar?" ou "Quanto devemos confiar no jogador médio?".

O Exemplo do Beisebol

O autor testou isso na temporada de 2025 da Major League Baseball.

• Sem o ajuste: Como o calendário foi desequilibrado, as estimativas de habilidade dos melhores e piores times saíram excessivamente otimistas e exageradas (as diferenças pareceram muito extremas), embora não tenham chegado a valores literalmente infinitos, já que todos os times tiveram vitórias e derrotas.
• Com o ajuste: O computador deu aos times pontuações mais razoáveis. Ele ainda sabia que os melhores times eram bons e os piores eram ruins, mas não exagerava a diferença. O método do "Jogador Fantasma" funcionou tão bem que produziu resultados quase idênticos ao complexo método matemático "Ridge", mas foi muito mais fácil de explicar.

Resumo

O artigo argumenta que, ao classificar coisas baseadas em vitórias e derrotas, você pode evitar pontuações loucas e infinitas fingindo que todos jogaram alguns jogos extras e equilibrados.

• Método A: Fingir que todos jogaram um empate minúsculo contra todos os outros.
• Método B: Fingir que todos jogaram vários jogos contra um "fantasma" médio.

Ambos os métodos mantêm a matemática simples, as previsões realistas e os resultados fáceis de explicar para qualquer pessoa que só queira saber quem é realmente o melhor.

Resumo técnico

Resumo Técnico: Regularização em Modelos de Comparação Pareada via Pseudo-Jogos e Jogadores Fantasmas

Problema
Modelos de comparação pareada, como os modelos de Bradley-Terry e Thurstone-Mosteller, são ferramentas padrão para estimar habilidades latentes ou preferências a partir de resultados binários. No entanto, a estimativa de máxima verossimilhança (MLE) ordinária nesses modelos enfrenta instabilidade significativa quando o grafo de comparação está desconectado ou quase separado. Casos como estes — comuns em esportes com calendários incompletos, estudos de preferência esparsos ou sistemas de classificação online com novos entrantes — podem fazer com que a verossimilhança seja maximizada apenas na fronteira, resultando em estimativas de habilidade infinitas (ex: $+\infty$ e $-\infty$). Embora a regularização ridge trate isso ao encolher os parâmetros em direção a um centro comum, ela obscurece a interpretação intuitiva de verossimilhança que torna esses modelos atraentes para os praticantes. Além disso, as penalidades ridge requerem restrições lineares explícitas para resolver a não identificabilidade de localização.

Metodologia
O artigo propõe duas perspectivas de aumento de dados para a regularização que preservam a forma familiar da verossimilhança e produzem estimativas finitas e encolhidas. Ambos os métodos permitem a implementação via software padrão de regressão binomial (ex: glm em R).

1. Regularização por Pseudo-Jogo:
   Esta abordagem adiciona "pseudo-jogos" fracionários aos dados observados. Para cada par incomparável de competidores $(i, j)$, o método adiciona $\delta$ vitórias fracionárias e $\delta$ derrotas fracionárias a ambos os jogadores.

• Mecanismo: A log-verossimilhança aumentada inclui um termo de penalidade proporcional a $\sum \log\{p_{ij}(1-p_{ij})\}$. Este termo é maximizado quando $p_{ij} = 1/2$ (habilidades iguais), reduzindo assim as diferenças de habilidade em direção a zero.
• Propriedades: Ele atua sobre as diferenças de habilidade pareadas. Ele não resolve a não identificabilidade de localização; uma restrição linear (ex: $\sum \theta_j = 0$) permanece necessária.
• Conexão com Ridge: Sob o link logit de Bradley-Terry, uma expansão de Taylor próximo a zero mostra que esta penalidade se comporta localmente como uma penalidade ridge com coeficiente $\lambda \approx \delta J / 4$.

2. Regularização por Jogador Fantasma:
   Esta abordagem introduz um competidor "fantasma" artificial (indexado como 0) com uma força fixa e conhecida $\theta_0 = 0$. Cada competidor real recebe uma vitória pseudo-ponderada e uma derrota pseudo-ponderada contra este jogador fantasma, com peso $\rho$.

• Mecanismo: A log-verossimilhança aumentada adiciona um termo $\rho \sum [\log F(\theta_j) + \log\{1 - F(\theta_j)\}]$. Esta penalidade é maximizada em $\theta_j = 0$, encolhendo as habilidades individuais em direção à força fixa do jogador fantasma.
• Propriedades: Ele atua diretamente sobre os parâmetros individuais $\theta_j$ em vez de apenas nas diferenças. Crucialmente, o método do jogador fantasma resolve a não identificabilidade de localização sem exigir uma restrição explícita de soma zero, pois o jogador fantasma ancora a escala.
• Conexão com Ridge: Para o modelo de Bradley-Terry, isso é localmente equivalente à regularização ridge com $\lambda \approx \rho / 4$. No entanto, ao contrário da penalidade ridge quadrática, a penalidade do jogador fantasma possui caudas aproximadamente lineares para grandes valores de $|\theta_j|$.

Ajuste e Inferência
Os parâmetros de ajuste $\delta$ e $\rho$ podem ser selecionados via elicitação de especialistas ou validação cruzada.

• Elicitação: $\delta$ pode ser calibrado perguntando qual probabilidade $q$ um analista atribui a uma vitória futura dada uma única vitória observada (sem derrotas); $\delta = (1-q)/(2q-1)$. $\rho$ é interpretado como o número de vitórias/derrotas pseudo-ponderadas contra um oponente de referência.
• Validação Cruzada: A validação cruzada $K$-fold maximiza a log-verossimilhança retida. O artigo observa que os erros padrão do ajuste final devem ser tratados como condicionais ao parâmetro de ajuste selecionado; o bootstrapping de todo o procedimento é recomendado para uma quantificação adequada da incerteza.
• Interpretação Bayesiana: O artigo nota que a regularização do jogador fantasma corresponde a um estimador de Máxima Verossimilhança a Posteriori (MAP) sob prior de encolhimento independente com densidades proporcionais a $[F(\theta_j)(1-F(\theta_j))]^\rho$.

Resultos: Aplicação na Major League Baseball 2025
Os métodos foram aplicados à temporada regular da MLB 2025 (30 equipes, 2.430 jogos). Embora o grafo de dados estivesse conectado (permitindo a MLE ordinária), o calendário estava desequilibrado, criando potenciais estimativas extremas.

• Comparação: Os autores compararam os modelos Bradley-Terry ordinário, ridge-penalizado, pseudo-jogo e jogador fantasma.
• Descobertas:
  • As estimativas ordinárias mostraram a maior dispersão (ex: Colorado Rockies em $-0,979$).
  • Os métodos regularizados encolheram substancialmente esses extremos (ex: as estimativas dos Rockies variaram de $-0,580$a$-0,643$).
  • As estimativas do jogador fantasma foram particularmente próximas das estimativas regularizadas por ridge, com uma redução na dispersão de topo a fundo de aproximadamente um terço a dois quintos.
  • O método do jogador fantasma reproduziu com sucesso as estimativas de força regularizadas por ridge, mantendo uma representação intuitiva de aumento de dados.

Principais Contribuições e Significância
A principal contribuição do artigo é demonstrar que construções simples de aumento de dados (pseudo-jogos e jogadores fantasmas) geram penalidades de regularização interpretáveis para modelos de comparação pareada.

• Interpretabilidade: Ao contrário das penalidades ridge abstratas, esses métodos permitem que os praticantes discutam a regularização em termos de "jogos fracionários" ou "comparações contra um oponente de referência".
• Implementação: Os métodos utilizam softwares de modelos lineares generalizados (GLM) padrão, tornando-os acessíveis para analistas aplicados sem a necessidade de código de otimização personalizado.
• Identificabilidade: A construção do jogador fantasma oferece uma vantagem distinta ao resolver a não identificabilidade de localização naturalmente através do aumento de dados, eliminando a necessidade de restrições lineares explícitas.
• Ponte: O trabalho une a otimização penalizada e a modelagem baseada em verossimilhança, enquadrando a regularização como a adição de informações cuidadosamente controladas e interpretáveis, em vez de apenas uma penalidade matemática.

O artigo conclui que, embora esses métodos tenham limitações (ex: potencial instabilidade da validação cruzada em dados altamente esparsos), eles fornecem alternativas robustas e intuitivas à regularização ridge padrão, particularmente quando a estrutura do grafo de comparação sugere tipos específicos de instabilidade.