{
  "id": "bradley-terry-model",
  "title": "布拉德利–特里模型",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "布拉德利–特里模型为竞争者或备选项赋予相对实力，并据此预测成对比较中各结果的概率。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "BT模型",
    "布拉德利–特里–卢斯模型"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/bradley-terry-model/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/bradley-terry-model/",
      "json": "https://aiwiki.page/en/bradley-terry-model.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "布拉德利–特里模型是一种用于描述竞争者或备选项两两比较结果的统计学模型。它为每个对象赋予一个正的实力参数，并规定一个对象战胜另一个对象的概率，等于前者的实力占两者实力之和的比例。该模型可用于根据不完整或不均衡的比较数据估计排名、预测比赛结果，以及分析偏好。在基本形式中，每次比较都恰有一个胜者，每个对象则只有一个在各次比较中保持不变的实力值。"
    },
    {
      "heading": "数学表述",
      "text": "假设有 \\(m\\) 个对象，其实力为正数 \\(\\pi_1,\\ldots,\\pi_m\\)。对象 \\(i\\) 战胜对象 \\(j\\) 的概率为\n\n\\[p_{ij}=\\Pr(i\\text{ defeats }j) =\\frac{\\pi_i}{\\pi_i+\\pi_j}.\\]\n\n因此，\n\n\\[p_{ji}=1-p_{ij}, \\qquad \\frac{p_{ij}}{1-p_{ij}}=\\frac{\\pi_i}{\\pi_j}.\\]\n\n因此，实力具有比值意义：一个对象的实力若是另一个对象的两倍，它在两者比较中获胜的概率就是 \\(2/3\\)，而非必然获胜。\n\n令 \\(\\beta_i=\\log\\pi_i\\)，可得等价形式\n\n\\[p_{ij} =\\frac{\\exp(\\beta_i)} {\\exp(\\beta_i)+\\exp(\\beta_j)} =\\frac{1}{1+\\exp[-(\\beta_i-\\beta_j)]}.\\]\n\n于是，获胜概率的对数几率等于对数实力之差：\n\n\\[\\log\\frac{p_{ij}}{1-p_{ij}} =\\beta_i-\\beta_j.\\]\n\n这使布拉德利–特里模型成为一种具有特定结构的逻辑回归模型。每次比较可用设计矩阵中的一行表示：第一个对象对应的位置为 \\(+1\\)，第二个对象对应的位置为 \\(-1\\)，其余位置均为零。\n\n可识别性\n\n将所有实力乘以同一个正常数，不会改变任何概率。等价地，给所有对数实力加上同一个常数，也不会产生影响。因此，为实现统计识别，必须施加归一化约束，常见的约束为\n\n\\[\\sum_{i=1}^{m}\\pi_i=1,\\]\n\n或者，在对数实力坐标下采用\n\n\\[\\beta_m=0 \\quad\\text{or}\\quad \\sum_{i=1}^{m}\\beta_i=0.\\]\n\n这些约定会改变参数的数值表示，但不会改变预测概率或排名。"
    },
    {
      "heading": "历史发展",
      "text": "恩斯特·策梅洛于1929年在研究国际象棋锦标赛参赛者的评级时，提出了一个等价的、基于实力的模型。拉尔夫·艾伦·布拉德利和米尔顿·E. 特里在1952年的论文《不完全区组设计的秩分析：Ⅰ. 成对比较法》中给出了他们的表述，该模型由此获得了通常使用的名称。\n\n随后，R. 邓肯·卢斯建立了更广泛的概率选择理论，其中选择某个备选项的概率与该备选项的正价值参数成正比。在二元选择的情形下，这一理论给出相同的公式，“布拉德利–特里–卢斯模型”这一名称也由此而来。\n\n该模型属于更广泛的成对比较方法族。在这类方法中，两个对象之间的判断或较量，为它们在某个潜在尺度上的相对位置提供证据。"
    },
    {
      "heading": "似然与估计",
      "text": "令 \\(w_{ij}\\) 为观测到的对象 \\(i\\) 战胜对象 \\(j\\) 的次数，并令\n\n\\[n_{ij}=w_{ij}+w_{ji}\\]\n\n为两者之间的比较次数。假设给定实力后，各次结果满足条件独立，则略去与参数无关的因子后，似然函数为\n\n\\[L(\\boldsymbol{\\pi}) = \\prod_{i<j} \\left(\\frac{\\pi_i}{\\pi_i+\\pi_j}\\right)^{w_{ij}} \\left(\\frac{\\pi_j}{\\pi_i+\\pi_j}\\right)^{w_{ji}}.\\]\n\n如果每一对对象的比较总次数固定，则其中一方的获胜次数服从二项分布。在对数实力坐标下，对数似然为\n\n\\[\\ell(\\boldsymbol{\\beta}) = \\sum_{i<j} \\left[ w_{ij}\\beta_i+w_{ji}\\beta_j -n_{ij}\\log\\!\\left(e^{\\beta_i}+e^{\\beta_j}\\right) \\right].\\]\n\n对数似然是凹函数，因此将其取负并施加识别约束后，模型拟合就成为一个凸优化问题。可采用的数值方法包括牛顿法、迭代缩放法和下界最大化算法。\n\n当有限的最大似然估计存在时，其得分方程要求每个对象的观测获胜总次数等于拟合所得的期望获胜总次数：\n\n\\[\\sum_{j\\ne i}w_{ij} = \\sum_{j\\ne i}n_{ij} \\frac{\\widehat{\\pi}_i} {\\widehat{\\pi}_i+\\widehat{\\pi}_j}.\\]\n\n因此，实力估计会考虑各对象所面对的对手，而不是仅按原始胜率对对象排序。\n\n比较图与估计的存在性\n\n观测到的比较定义了一个无向图：对象是顶点，两个对象之间只要进行过比较，就用一条边相连。如果该图不连通，数据就无法识别不同连通分量之间的相对实力。\n\n仅有连通性并不能保证有限的最大似然估计存在。可以构造一个有向图：只要 \\(i\\) 曾战胜 \\(j\\)，就从 \\(i\\) 向 \\(j\\) 连一条边。对于通常的不受其他约束的模型，当这个有向获胜图强连通时，在归一化约束下存在唯一的有限估计。强连通意味着，每个对象都能沿着一系列观测到的获胜关系到达其他任一对象。\n\n例如，对于一个从未落败的对象，其拟合的对数实力相对于所有其他对象可能无限增大。这是逻辑回归中分离现象的一个例子。正则化或适当的先验分布可以产生有限估计，但所得数值会部分依赖于惩罚项或先验，而不再仅由观测到的比较决定。"
    },
    {
      "heading": "不确定性与模型评估",
      "text": "可以利用施加约束后的费希尔信息矩阵的逆矩阵，近似估计不确定性。诸如 \\(\\beta_i-\\beta_j\\) 这样的对比量尤其有用，因为它们不依赖所选的归一化方式。可以为这些对比量报告置信区间，并通过变换得到两两比较中获胜概率的区间。\n\n仅给出排名可能掩盖相当大的不确定性。对于估计实力相近的对象，区分它们的证据可能很少，尤其是在它们之间的比较次数较少，或仅通过间接比较相联系的情况下。排名的不确定性涉及各估计值的联合分布，而不只是单个估计值的误差条。\n\n模型评估可以比较观测到的两两比较结果与拟合结果，检查残差是否呈现系统性模式，并使用交叉验证在留出的比较数据上评估预测表现。同一个人的重复判断、同一系列比赛或同一次实验中的结果可能存在依赖关系，在建模和计算不确定性时都需要加以注意。\n\n在贝叶斯推断中，会为实力或对数实力设置先验分布。后验分析可以量化两两比较概率、排名以及某个对象实力最高等事件的不确定性。层次先验可以在不同对象或群体之间部分汇集信息。"
    },
    {
      "heading": "解释与结构性假设",
      "text": "一维实力\n\n每个对象都用一个标量表示。实力较高意味着，它战胜任一实力较低对象的概率都大于二分之一。因此，\n\n\\[\\pi_i>\\pi_j>\\pi_k \\quad\\Longrightarrow\\quad p_{ij}>\\frac12,\\quad p_{jk}>\\frac12,\\quad p_{ik}>\\frac12.\\]\n\n这并不排除观测结果中出现循环：随机结果中可能出现 \\(i\\) 战胜 \\(j\\)、\\(j\\) 战胜 \\(k\\)，而 \\(k\\) 又战胜 \\(i\\) 的情况。然而，基本模型无法表示潜在偏好本身确实具有循环性的情形。\n\n该模型还施加了更强的恒等关系\n\n\\[\\frac{p_{ik}}{1-p_{ik}} = \\frac{p_{ij}}{1-p_{ij}} \\frac{p_{jk}}{1-p_{jk}}.\\]\n\n因此，各对对象的比较概率不能相互独立地调整。\n\n比较的稳定性\n\n基本模型假设，相对实力不会随时间、地点、呈现顺序或特定对手之间的交互作用而改变。它还假设，一旦给定实力及模型中包含的预测变量，各次结果就条件独立。\n\n当竞争者随时间进步、评判者之间存在系统性差异、疲劳影响重复选择，或特定对阵具有独特效应时，这些假设可能并不适用。估计的实力描述的是数据所涵盖的比较，并不会自动成为不依赖情境的内在品质指标。"
    },
    {
      "heading": "扩展与相关模型",
      "text": "协变量与情境效应\n\n一种广义设定可以写成\n\n\\[\\operatorname{logit}(p_{ij,t}) = \\beta_i-\\beta_j+\\mathbf{x}_{ij,t}^{\\mathsf T}\\boldsymbol{\\gamma},\\]\n\n其中，\\(\\mathbf{x}_{ij,t}\\) 记录每次比较特有的特征，例如主场优势和呈现顺序。也可以通过对象的属性来建模其实力，而不是为每个对象分别估计实力。\n\n随时间变化的实力、评判者特有的效应以及层次结构，可将模型扩展到不断变化或具有异质性的群体。\n\n平局\n\n基本模型不为平局赋予概率。一种扩展是戴维森模型，它引入了一个非负的平局参数 \\(\\nu\\)：\n\n\\[\\Pr(i\\text{ wins}) = \\frac{\\pi_i} {\\pi_i+\\pi_j+\\nu\\sqrt{\\pi_i\\pi_j}},\\]\n\n\\[\\Pr(j\\text{ wins}) = \\frac{\\pi_j} {\\pi_i+\\pi_j+\\nu\\sqrt{\\pi_i\\pi_j}},\\]\n\n\\[\\Pr(\\text{tie}) = \\frac{\\nu\\sqrt{\\pi_i\\pi_j}} {\\pi_i+\\pi_j+\\nu\\sqrt{\\pi_i\\pi_j}}.\\]\n\n令 \\(\\nu=0\\)，就得到布拉德利–特里模型。其他平局模型采用不同的假设，不能相互替代。\n\n排名与其他比较模型\n\n普拉克特–卢斯模型将按价值比例选择的机制扩展到多个对象的排名。在依次确定排名时，每一步都从剩余对象中进行选择，各对象被选中的概率与其价值参数成正比。对于两个对象的排名，其公式就化为布拉德利–特里模型的公式。\n\n瑟斯顿比较模型提供了另一种基于潜在表现的建模方式。当表现误差相互独立、服从正态分布且方差相等时，两两比较的概率使用正态累积分布函数，而非逻辑函数。因此得到的是概率单位模型，而不是对数几率模型。"
    },
    {
      "heading": "应用与局限",
      "text": "应用领域包括体育评级、感官测试、产品比较、搜索结果评估和人类偏好研究。在机器学习中，布拉德利–特里概率常用于根据两个输出之间的偏好来拟合评分函数。对于依赖情境 \\(x\\) 和输出 \\(y\\) 的评分函数 \\(r(x,y)\\)，可以定义\n\n\\[\\Pr(y_a\\succ y_b\\mid x) = \\frac{\\exp r(x,y_a)} {\\exp r(x,y_a)+\\exp r(x,y_b)}.\\]\n\n这类分数估计的是所收集判断中的偏好模式；它们本身并不能确立客观品质或普遍偏好。\n\n只要比较结构足以支持估计，该模型就能处理比较次数不等和部分配对缺失的情况。然而，它无法自动弥补选择偏差、未纳入模型的竞争者变化，或评估者之间的系统性差异。拟合得到的总体排名可能掩盖多维度的权衡关系或特定对阵中的优势。当这些因素十分重要时，可能需要更丰富的比较模型。"
    }
  ],
  "links": [
    "statistics",
    "probability",
    "logit",
    "logistic-regression",
    "statistical-identification",
    "conditional-independence",
    "likelihood-function",
    "binomial-distribution",
    "convex-optimization",
    "newtons-method",
    "maximum-likelihood-estimation",
    "directed-graph",
    "regularization",
    "fisher-information",
    "confidence-interval",
    "cross-validation",
    "bayesian-inference",
    "prior-distribution",
    "machine-learning",
    "selection-bias"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}