आपको एक संभावना मॉडल की आवश्यकता है।
एक रैंकिंग प्रणाली के पीछे विचार यह है कि एक एकल संख्या एक खिलाड़ी की क्षमता को पर्याप्त रूप से चिह्नित करती है। हम इस संख्या को उनकी "ताकत" कह सकते हैं (क्योंकि "रैंक" पहले से ही आंकड़ों में कुछ विशिष्ट है)। हम भविष्यवाणी करेंगे कि खिलाड़ी A खिलाड़ी B को हरा देगा जब ताकत (A) शक्ति (B) से अधिक हो जाएगी। लेकिन यह कथन बहुत कमजोर है क्योंकि (ए) यह मात्रात्मक नहीं है और (बी) यह कमजोर खिलाड़ी की संभावना के लिए जिम्मेदार नहीं होता है जो कभी-कभी एक मजबूत खिलाड़ी को हरा देता है। हम संभावना को मानकर दोनों समस्याओं को दूर कर सकते हैं कि ए बी बी उनकी ताकत में अंतर पर निर्भर करता है। यदि ऐसा है, तो हम फिर से व्यक्त कर सकते हैं सभी ताकत आवश्यक है ताकि ताकत में अंतर एक जीत के लॉग बाधाओं के बराबर हो।
विशेष रूप से, यह मॉडल है
logit(Pr(A beats B))=λA−λB
जहां, परिभाषा के अनुसार, लॉग ऑड्स है और मैंने खिलाड़ी A की ताकत, आदि के लिए लिखा है ।logit(p)=log(p)−log(1−p)λA
इस मॉडल में खिलाड़ियों के रूप में कई पैरामीटर हैं (लेकिन स्वतंत्रता की एक कम डिग्री है, क्योंकि यह केवल सापेक्ष शक्तियों की पहचान कर सकता है , इसलिए हम एक पैरामीटर को एक मनमाना मूल्य पर तय करेंगे)। यह एक तरह का सामान्यीकृत रैखिक मॉडल है (द्विपद परिवार में, लॉगजीआई लिंक के साथ)।
मापदंडों का अनुमान अधिकतम संभावना द्वारा लगाया जा सकता है । एक ही सिद्धांत पैरामीटर अनुमानों के आसपास आत्मविश्वास अंतराल को खड़ा करने और परिकल्पनाओं का परीक्षण करने के लिए एक साधन प्रदान करता है (जैसे अनुमान के अनुसार सबसे मजबूत खिलाड़ी, अनुमानित कमजोर खिलाड़ी की तुलना में काफी मजबूत है)।
विशेष रूप से, खेल के एक सेट की संभावना उत्पाद है
∏all gamesexp(λwinner−λloser)1+exp(λwinner−λloser).
से किसी एक के मान को ठीक करने के बाद , दूसरों के अनुमान ऐसे मान हैं जो इस संभावना को अधिकतम करते हैं। इस प्रकार, किसी भी अनुमान को अलग करने से इसकी अधिकतम संभावना कम हो जाती है। यदि यह बहुत कम हो गया है, तो यह डेटा के अनुरूप नहीं है। इस फैशन में हम सभी मापदंडों के लिए आत्मविश्वास अंतराल पा सकते हैं: वे सीमाएं हैं जिनमें अनुमानों को अलग-अलग करने से लॉग संभावना की कमी नहीं होती है। सामान्य परिकल्पनाओं का इसी प्रकार परीक्षण किया जा सकता है: एक परिकल्पना शक्ति को संकुचित करती है (जैसे कि वे सभी समान हैं), यह बाधा इस बात को सीमित करती है कि संभावना कितनी बड़ी हो सकती है, और यदि यह प्रतिबंधित अधिकतम वास्तविक अधिकतम से बहुत कम हो जाती है, तो परिकल्पना है अस्वीकृत।λ
इस विशेष समस्या में 18 गेम और 7 मुफ्त पैरामीटर हैं। सामान्य तौर पर यह बहुत अधिक पैरामीटर है: इसमें इतना लचीलापन है कि अधिकतम संभावना को बदले बिना पैरामीटर काफी स्वतंत्र रूप से भिन्न हो सकते हैं। इस प्रकार, एमएल मशीनरी लगाने से स्पष्ट साबित होने की संभावना है, जो यह है कि संभावना नहीं है कि ताकत के अनुमानों में आत्मविश्वास होने के लिए पर्याप्त डेटा हो।