Identification and Counterfactual Analysis in Incomplete Models with Support and Moment Restrictions

Diese Arbeit entwickelt ein einheitliches Identifikationsframework für kontrafaktische Analysen in unvollständigen Modellen mit Stütz- und Momentenrestriktionen, das durch die Erweiterung der Stütz-Funktions-Methode über die Integrierbarkeitsbedingung hinaus und die Einführung einer Irreduzibilitätsbedingung die Isomorphie zwischen der Identifikation struktureller Parameter und der kontrafaktischen Analyse nachweist.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, die Vergangenheit eines Verbrechens zu rekonstruieren, aber Sie haben nur unvollständige Beweise. Sie wissen, dass der Täter in einem bestimmten Gebäude war (die Unterstützungsbeschränkung – er konnte nicht woanders gewesen sein), und Sie haben einige Fingerabdrücke gefunden, die auf bestimmte Handlungen hindeuten (die Momentenbeschränkungen). Aber Sie können nicht genau sagen, was der Täter genau getan hat, weil es mehrere Möglichkeiten gibt, die alle mit den Beweisen übereinstimmen.

Das ist das Problem, mit dem sich diese wissenschaftliche Arbeit von Lixiong Li beschäftigt. Sie befasst sich mit sogenannten „unvollständigen Modellen" in der Ökonomie. Hier ist die einfache Erklärung der Kernideen, verpackt in eine Geschichte:

1. Das Problem: Der verschwommene Kristallball

In der Wirtschaftswissenschaft wollen Forscher oft wissen: „Was wäre passiert, wenn wir eine Steuer erhöhen?" oder „Was wäre, wenn zwei Firmen fusionieren?" Das nennt man Gegenwartsanalyse (Counterfactual Analysis).

Normalerweise bauen Ökonomen ein Modell, schätzen die Parameter (wie die „Stärke" der Firmen) und sagen dann voraus, was passiert. Aber in vielen realen Situationen (wie bei Spielen zwischen Firmen) gibt es nicht eine klare Antwort. Es gibt mehrere Gleichgewichte. Das Modell sagt also nicht: „Der Preis wird 5 Euro sein", sondern: „Der Preis wird irgendwo zwischen 3 und 7 Euro liegen."

Das ist wie ein Kristallball, der nicht ein Bild zeigt, sondern einen ganzen Nebel. Wenn man versucht, diesen Nebel zu simulieren, um eine Steuererhöhung vorherzusagen, wird es extrem kompliziert und oft unmöglich, weil man nicht weiß, welche der vielen Möglichkeiten im Nebel eintreten wird.

2. Die Lösung: Die „Augmented"-Landkarte

Lixiong Li schlägt einen cleveren Trick vor. Statt erst das alte Modell zu lösen und dann mühsam zu simulieren, was passiert, wenn man die Regeln ändert, baut er alles in ein einziges, großes Modell zusammen.

Stellen Sie sich vor, Sie haben eine Landkarte (das ursprüngliche Modell). Jetzt wollen Sie wissen, wie die Landkarte aussieht, wenn ein neuer Fluss (die neue Politik) hinzukommt.

• Der alte Weg: Man zeichnet erst die alte Landkarte, schaut sich an, wo die Berge sind, und versucht dann, den neuen Fluss darauf zu malen. Das ist chaotisch.
• Lixions Weg: Man nimmt das alte Modell und den neuen Fluss und zeichnet sie sofort als eine einzige, neue Landkarte.

In dieser neuen „erweiterten" Landkarte werden die alten unbekannten Variablen (die latenten Schocks) und die neuen, hypothetischen Variablen (was passiert, wenn die Steuer steigt?) einfach als ein großes Team behandelt. Man fragt nicht mehr: „Was war?" und dann: „Was wäre?", sondern: „Welche Kombination aus Vergangenheit und Zukunft passt zu unseren Regeln?"

3. Das mathematische Hindernis: Der unendliche Berg

Ein großes Problem bei diesen Modellen ist eine mathematische Regel, die oft als „integrierbare Beschränktheit" bezeichnet wird. Einfach gesagt: Die Mathematik funktioniert am besten, wenn die möglichen Antworten in einem endlichen Kasten liegen (z. B. zwischen 0 und 100).

Aber in der Wirtschaft sind Dinge wie Gewinn oder Wohlstand oft nicht nach oben begrenzt. Ein Unternehmen könnte theoretisch unendlich viel Gewinn machen, wenn die Umstände perfekt sind. Das ist wie ein Berg, der in den Himmel ragt. Die klassischen mathematischen Werkzeuge, die man benutzt, um den „Nebel" zu durchdringen, brechen zusammen, wenn der Berg unendlich hoch ist. Sie sagen dann: „Ich kann das nicht berechnen."

4. Der geniale Durchbruch: Der „Momenten-Abschluss"

Hier kommt die eigentliche Genialität der Arbeit ins Spiel. Lixiong Li zeigt: Auch wenn der Berg unendlich hoch ist und die klassischen Werkzeuge versagen, können wir immer noch etwas Sinnvolles sagen.

Er führt das Konzept des „Momenten-Abschlusses" (Moment Closure) ein.

• Die Idee: Stellen Sie sich vor, Sie versuchen, die Form eines Objekts zu erraten, indem Sie es von verschiedenen Seiten beleuchten (das ist die „Support-Funktion"-Methode). Wenn das Objekt unendlich groß ist, sehen Sie vielleicht nicht die ganze Form. Aber Li zeigt, dass das, was Sie sehen, für alle praktischen Zwecke (in endlichen Stichproben) genau dasselbe ist wie das, was Sie theoretisch wissen könnten.

Er beweist, dass wenn man das Modell richtig formuliert (man nennt das „irreduzibel" – also so, dass keine versteckten Regeln in den Gleichungen stecken), die Lücke zwischen dem, was man theoretisch wissen könnte, und dem, was die Mathematik praktisch berechnet, verschwindet.

Die Analogie:
Stellen Sie sich vor, Sie versuchen, die Form eines riesigen, unsichtbaren Drachens zu beschreiben.

• Die alte Mathematik sagt: „Der Drache hat unendlich lange Flügel, also kann ich ihn nicht beschreiben."
• Li sagt: „Aber wenn Sie genau hinsehen, ist der Teil des Drachens, den Sie tatsächlich mit Ihren Augen (den Daten) sehen können, identisch mit dem Teil, den die Mathematik berechnet. Es gibt keinen Unterschied zwischen der theoretischen Unendlichkeit und der messbaren Realität, solange Sie das Modell nicht falsch aufbauen."

5. Warum ist das wichtig?

Diese Arbeit ist wie ein neues Werkzeug für Ökonomen.

1. Keine Simulationen mehr: Man muss nicht mehr mühsam Tausende von Szenarien durchspielen, um zu sehen, was passiert. Man kann die Frage direkt im Modell stellen.
2. Robustheit: Selbst wenn die Daten „schief" sind oder die möglichen Ergebnisse unendlich groß sein könnten (wie bei extremen Gewinnen), liefert die Methode immer noch die bestmögliche Antwort, die aus den Daten herausgeholt werden kann.
3. Klarheit: Sie zeigt, dass das Problem oft nicht an den Daten liegt, sondern daran, wie wir das Modell aufschreiben. Wenn wir die „versteckten" Regeln (die Unterstützungsbeschränkungen) explizit machen, funktioniert die Mathematik wieder.

Zusammenfassend:
Lixiong Li hat einen Weg gefunden, wie man in einer Welt voller Unsicherheit und unendlicher Möglichkeiten trotzdem klare Antworten auf Fragen wie „Was wäre, wenn?" geben kann. Er hat gezeigt, dass man nicht perfekt sein muss, um nützliche Vorhersagen zu treffen, solange man die Regeln des Spiels (das Modell) klar und offen formuliert. Er hat den „Nebel" nicht vollständig aufgelöst, aber er hat uns ein Werkzeug gegeben, um genau zu sehen, wie weit wir in den Nebel hineinsehen können – und das reicht für die meisten Entscheidungen in der echten Welt völlig aus.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papiers von Lixiong Li auf Deutsch:

Titel: Identifikation und kontrafaktische Analyse in unvollständigen Modellen mit Unterstützungs- und Momentenbeschränkungen

1. Problemstellung

Die angewandte Ökonomie stützt sich häufig auf kontrafaktische Analysen (z. B. zur Bewertung von Fusionen, Markteintritt oder Steueränderungen). Der übliche Workflow besteht darin, ein strukturelles Modell zu spezifizieren, seine Parameter zu schätzen und dann das geschätzte Modell zur Simulation von Ergebnissen unter neuen Bedingungen zu nutzen.

Dieser Ansatz stößt jedoch bei unvollständigen Modellen (incomplete models) an Grenzen. In solchen Modellen (z. B. Spiele mit multiplen Gleichgewichten, Modelle mit begrenzter Aufmerksamkeit oder Auktionen) liefert das Modell keine eindeutige Vorhersage für das Ergebnis, sondern eine Menge möglicher Ergebnisse (Mengen-Vorhersagen).
Die Herausforderungen sind zweierlei Art:

1. Rechnerisch: Die Simulation von Ergebnissen aus einem Modell mit Mengen-Vorhersagen ist oft schwierig oder unmöglich, da keine eindeutige Gleichgewichtsauswahl getroffen werden kann.
2. Statistisch: Für die scharfe Identifikation (sharp identification) mittels Random-Set-Theorie (z. B. Ekeland, Galichon, Henry, 2010) wird oft die Bedingung der integrierbaren Beschränktheit (integrable boundedness) der zufälligen Mengen benötigt. In vielen ökonomisch relevanten kontrafaktischen Szenarien (z. B. bei der Berechnung von Gewinnen oder Wohlfahrt, die von latenten Schocks abhängen) ist diese Bedingung verletzt, da die latenten Variablen oft nur einseitig beschränkt sind.

2. Methodischer Rahmen

Das Papier entwickelt ein einheitliches Rahmenwerk für unvollständige Modelle, die durch zwei Arten von Beschränkungen charakterisiert sind:

1. Unterstützungsbeschränkungen (Support Restrictions): Diese definieren die zulässige gemeinsame Verteilung von latenten Variablen $U$ und beobachteten Variablen $Z$ (z. B. Gleichgewichtsbedingungen).
2. Momentenbeschränkungen (Moment Restrictions): Diese schränken die latenten Variablen ein, ohne deren vollständige Verteilung zu spezifizieren (z. B. Orthogonalitätsbedingungen).

Der Kernansatz:
Die Identifikation von kontrafaktischen Parametern wird als isomorph zur Identifikation von strukturellen Parametern behandelt. Anstatt einen "Schätzen-dann-simulieren"-Workflow zu verwenden, werden die kontrafaktischen Restriktionen direkt in ein erweitertes strukturelles Modell (augmented model) eingebettet.

• Man definiert einen erweiterten latenten Vektor $U' = (U, \tilde{Y}, \tilde{U})$, der die ursprünglichen latenten Variablen sowie die kontrafaktischen Ergebnisse und neuen latenten Primitiven enthält.
• Die kontrafaktischen Parameter $\tilde{\theta}$ werden als Lösung von Momentenbedingungen definiert, die in das gleiche System gestapelt werden wie die ursprünglichen strukturellen Gleichungen.
• Dies ermöglicht die Anwendung bestehender Methoden zur partiellen Identifikation direkt auf den erweiterten Parametervektor, ohne separate Simulationsschritte.

3. Hauptbeiträge und Ergebnisse

A. Erweiterung der Identifikationstheorie jenseits der integrierbaren Beschränktheit

Das Papier zeigt, dass die klassische Theorie zur scharfen Identifikation mittels der Support-Funktion-Methode (support-function approach) oft versagt, wenn die Bedingung der integrierbaren Beschränktheit verletzt ist (was in kontrafaktischen Analysen mit unbeschränkten Gewinnen häufig vorkommt).

• Moment Closure (Momentenabschluss): Der Autor definiert den Moment Closure des identifizierten Bereichs ($\Theta_I$). Dies ist die Menge aller Parameterwerte, für die die Momentenbeschränkungen beliebig gut approximiert werden können (im Gegensatz zur exakten Erfüllung).
• Theorem 2: Unter minimalen Regularitätsbedingungen (Assumption 1) charakterisiert die Support-Funktion-Methode exakt den Moment Closure des identifizierten Bereichs. Das bedeutet, auch wenn die klassische Scharfheit für den exakten identifizierten Bereich $\Theta_I$ verloren geht, liefert die Methode eine scharfe Charakterisierung für den Moment Closure.

B. Irreduzibilität und Finite-Sample-Unterscheidbarkeit

Ein zentrales Ergebnis ist die Einführung des Konzepts der Irreduzibilität (irreducibility).

• Ein Modell ist reduzierbar, wenn implizite Unterstützungsbeschränkungen in den Momentenbedingungen "versteckt" sind und durch eine lineare Transformation explizit als Unterstützungsbeschränkung extrahiert werden können.
• Theorem 3: Für irreduzible Modelle (d.h. Modelle, bei denen alle Unterstützungsimplikationen explizit als solche formuliert sind) sind der identifizierten Bereich $\Theta_I$ und sein Moment Closure $\Theta_I$ in endlichen Stichproben statistisch ununterscheidbar.
• Bedeutung: Kein Test mit kontrollierter Größe kann zwischen der Hypothese, dass ein Parameter im exakten identifizierten Bereich liegt, und der Hypothese, dass er nur im Moment Closure liegt, unterscheiden.

C. Praktische Implikationen

Die Ergebnisse rechtfertigen die Verwendung der Support-Funktion-Methode auch in Szenarien, in denen die integrierbare Beschränktheit verletzt ist:

1. Wenn das Modell in einer irreduziblen Form formuliert ist, ist der theoretische Unterschied zwischen dem exakten identifizierten Bereich und dem durch die Support-Funktion-Methode gewonnenen Bereich in der Praxis (bei endlichen Stichproben) irrelevant.
2. Wenn die Support-Funktion-Methode keine endlichen Schranken liefert (z. B. nur eine einseitige Schranke), liegt dies nicht an einem Versagen der Methode, sondern daran, dass das Modell selbst keine weiteren Informationen liefert. Um bessere Schranken zu erhalten, müssen stärkere ökonomische Annahmen getroffen werden, nicht eine andere Identifikationsmethode gewählt werden.

4. Signifikanz und Anwendung

• Einheitlichkeit: Das Papier bietet einen einheitlichen Rahmen, der strukturelle und kontrafaktische Parameter gleichberechtigt behandelt und die Notwendigkeit der Simulation von Gleichgewichtsauswahlen eliminiert.
• Robustheit: Es erweitert die Anwendbarkeit der Support-Funktion-Methode auf eine breitere Klasse von ökonomischen Modellen, insbesondere solche, die unbeschränkte latente Variablen oder einseitige Beschränkungen beinhalten (z. B. Produktionsfunktionen, Entry-Spiele).
• Methodische Klarheit: Es klärt die Rolle von Unterstützungs- versus Momentenbeschränkungen. Die Vermischung dieser beiden (z. B. das Behandeln einer Unterstützungsbeschränkung als Momentenbedingung) kann zu irreführenden Ergebnissen führen (z. B. uninformative Identifikationsbereiche), wenn das Modell nicht irreduzibel formuliert ist.

Zusammenfassend liefert das Papier eine theoretische Begründung dafür, warum die Support-Funktion-Methode auch in komplexen, unvollständigen Modellen mit kontrafaktischen Fragen robust und sinnvoll eingesetzt werden kann, solange das Modell korrekt (irreduzibel) spezifiziert ist. Es verschiebt den Fokus von der theoretischen Scharfheit des exakten identifizierten Bereichs hin zur Unterscheidbarkeit in endlichen Stichproben, was für die empirische Praxis relevanter ist.