📈 economics

Distilling Models of Bounded-Rational Choice: A Constraint Programming Approach

Dieses Paper führt ein Constraint-Programming-Framework ein, um den erklärenden und wohlfahrtsrelevanten Inhalt rechnerisch schwerer Modelle der gebundenen Rationalität zu destillieren, wobei nachgewiesen wird, dass Modelle mit begrenzter Aufmerksamkeit das menschliche Verhalten effektiv erklären, während neue Selektionskriterien deren prädiktive Unbestimmtheit signifikant reduzieren.

Ursprüngliche Autoren: Özgür Akgün, Georgios Gerasimou

Veröffentlicht 2026-07-07

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Özgür Akgün, Georgios Gerasimou

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Warum brauchen wir diese Arbeit?

Stellen Sie sich vor, Sie beobachten jemanden, der ein Gericht von einer Speisekarte auswählt. Wenn dies eine „perfekt rationale“ Person wäre, hätte sie eine einzige, klare Liste ihrer Favoriten (z. B. Pizza > Burger > Salat) und würde immer das beste Element auf dieser Liste wählen. Dies ist das Standardmodell der „Rationalen Entscheidung“ (Rational Choice), das Ökonomen übllich verwenden.

Aber im echten Leben sind Menschen nicht perfekt. Manchmal wählen sie den Salat statt der Pizza, obwohl sie Pizza eigentlich lieben. Warum?

Shortlisting (Vorauswahl): Vielleicht haben sie zuerst entschieden: „Ich esse heute nichts mit Käse“, wodurch sie die Pizza und den Burger sofort eliminiert haben, und wählten dann den Salat aus dem, was übrig blieb.
Begrenzte Aufmerksamkeit (Limited Attention): Vielleicht war die Speisekarte so riesig, dass sie nur die ersten drei Artikel gesehen haben, die Pizza übersehen haben und sich für den Salat entschieden haben.

Seit Jahrzehnten bauen Ökonomen komplexe mathematische Modelle, um dieses „imperfekte“ Verhalten (genannt Shortlisting und Begrenzte Aufmerksamkeit) zu beschreiben. Das Problem? Diese Modelle sind so flexibel, dass sie fast alles erklären können. Wenn man eine seltsame Entscheidung sieht, kann man meistens eine Geschichte erfinden (einen spezifischen Satz von Regeln oder einen spezifischen „blinden Fleck“), die dazu passt.

Da diese Modelle so flexibel sind, sind sie schwer zu testen. Es ist wie bei einem Detektiv, der jeden Verbrechen lösen kann, indem er für jeden Fall einen neuen Verdächtigen erfindet. Man kann nicht sagen, ob der Detektiv klug ist oder einfach nur Dinge erfindet.

Diese Arbeit führt ein neues Werkzeug ein, um dieses Problem zu lösen. Die Autoren nutzen eine Form der Informatik namens Constraint Programming (Constraint-Programmierung), die wie ein super effizienter Filter wirkt. Sie fragen nicht nur: „Kann dieses Modell die Daten erklären?“ Sie fragen: „Was ist die beste Erklärung und wie viele verschiedene Erklärungen gibt es?“

Die Werkzeuge: Die „schlaue Suchmaschine“

Die Autoren nutzen zwei Haupttricks der Informatik, um diese unordentlichen Modelle zu bändigen:

Constraint Programming (CP): Stellen Sie sich vor, Sie versuchen, einen bestimmten Schlüssel in einem riesigen, dunklen Raum voller Millionen von Schlüsseln zu finden. Eine normale Suche würde jeden Schlüssel einzeln prüfen (Brute-Force). CP ist wie ein Roboter, der die Form des Schlüssellochs kennt. Er schließt sofort jeden Schlüssel aus, der zu groß, zu klein oder die falsche Form hat, und verengt die Suche auf nur wenige Kandidaten. Dies ermöglicht es dem Computer, die enorme Komplexität dieser Modelle zu bewältigen, ohne abzustürzen.
Constraint Dominance Programming (CDP): Dies ist der Schritt der „Qualitätskontrolle“. Stellen Sie sich vor, Sie finden 1.000 Schlüssel, die in das Schloss passen. Das sind zu viele, um sich zu entscheiden. CDP hilft Ihnen, die „schlechteren“ Schlüssel wegzuwerfen.
- Die Regel: Wenn Schlüssel A in das Schloss passt und dem „perfekten“ Schlüssel ähnlicher ist als Schlüssel B, werfen wir Schlüssel B weg.
- Das Ziel: Sie wollen die Erklärungen finden, die der „perfekten Rationalität“ am nächsten kommen. Wenn eine Person weitgehend rational handelt, aber einen kleinen Fehler macht, wollen wir diese Geschichte finden, nicht eine Geschichte, in der sie völlig chaotisch handelt.

Das Experiment: Der „Strickkleid-Test“

Um ihre neuen Werkzeuge zu testen, untersuchten die Autoren Daten aus zwei realen Experimenten, bei denen Menschen gestrickte Artikel (Kleider und Ponchos) auswählten.

Der Aufbau: Menschen wurden Gruppen von Artikeln (Menüs) gezeigt und gebeten, einen auszuwählen.
Die Ergebnisse:
- Die meisten Menschen waren tatsächlich recht rational. Etwa 70–90 % der Entscheidungen konnten durch eine einfache „Ich mag das am liebsten“-Liste erklärt werden.
- Für den Rest: Die Modelle der „Begrenzten Aufmerksamkeit“ (bei denen Menschen einige Artikel ignorieren) erklärten die seltsamen Entscheidungen besser als die „Shortlisting“-Modelle (bei denen Menschen Artikel basierend auf Regeln eliminieren).
- Der Haken: Die Modelle der „Begrenzten Aufmerksamkeit“ waren zu gut. Sie waren so flexibel, dass sie zufälliges Raten genauso gut erklären konnten wie echte Entscheidungen. Es war wie ein Detektiv, der selbst dann einen Verdächtigen finden könnte, wenn der Verdächtige unschuldig ist.

Das Problem der „Unbestimmtheit“ (Indeterminacy): Zu viele Antworten

Dies ist der überraschendste Teil der Arbeit. Selbst nachdem sie ihre „Qualitätskontroll“-Filter verwendet hatten, um die besten Erklärungen zu finden, gab es immer noch zu viele davon.

Die Analogie: Stellen Sie sich vor, Sie versuchen, das geheime Passwort eines Freundes zu erraten.
- Rationale Entscheidung: Es gibt normalerweise nur ein Passwort, das zu den Hinweisen passt.
- Begrenzte Rationalität (Shortlisting/Aufmerksamkeit): Selbst nachdem man die schlechten Vermutungen herausgefiltert hat, hat man möglicherweise immer noch tausende Passwörter, die perfekt zu den Hinweisen passen.

Die Autoren fanden heraus, dass es für die Modelle der „Begrenzten Aufmerksamkeit“ oft tausende verschiedene „Geschichten“ (Kombinationen aus Regeln und blinden Flecken) gab, die eine einzige Entscheidung einer Person erklären konnten. Dies nennt man Unbestimmtheit (Indeterminacy). Das bedeutet, dass wir selbst dann nicht wissen, warum die Person diese Entscheidung getroffen hat, wenn das Modell die Daten perfekt erklärt. Wir wissen, dass ihre Aufmerksamkeit begrenzt war, aber wir wissen nicht genau, welche Artikel sie ignoriert haben.

Der „Zufälligkeits-Check“

Um zu sehen, welche Modelle tatsächlich nützlich waren, führten die Autoren einen „Lügendetektor-Test“ durch. Sie fragten: „Könnte eine Person, die einfach nur zufällig rät (wie beim Münzwurf), diese Entscheidungen getroffen haben?“

Das Ergebnis: Die Modelle der „Begrenzten Aufmerksamkeit“ waren so flexibel, dass sie zufälliges Raten fast genauso gut erklären konnten wie echte menschliche Entscheidungen. Dies macht sie weniger vertrauenswürdig für die Vorhersage von Verhalten.
Der Gewinner: Das „Shortlisting“-Modell, speziell die Version, in der die Regeln logisch und konsistent (transitiv) sind, war das einzige, das die Daten erklären konnte, ohne gleichzeitig auch zufälliges Raten zu erklären. Es war das „ehrlichste“ Modell.

Das Fazit

Die Arbeit kommt zu folgendem Schluss und zeigt einen Kompromiss auf:

Komplexität vs. Klarheit: Die komplexeren Modelle (Begrenzte Aufmerksamkeit) erklären mehr der seltsamen Entscheidungen, die wir im echten Leben sehen.
Der Preis: Weil sie so viel erklären, sind sie auch sehr vage. Sie lassen uns mit tausenden möglichen Gründen für eine Entscheidung zurück, was es schwierig macht zu wissen, was die Entscheidung tatsächlich angetrieben hat.
Die Empfehlung: Wenn Sie die wahren Präferenzen einer Person (ihren „Wohlfahrtszustand“) verstehen wollen, sind die einfacheren, strukturierteren Modelle (wie die rationale Entscheidung oder das logische Shortlisting) oft besser. Selbst wenn sie die Daten nicht perfekt erklären, sind die wenigen Antworten, die sie liefern, wesentlich zuverlässiger als die tausenden vagen Antworten, die die komplexen Modelle bieten.

Kurz gesagt: Die Autoren haben einen super-intelligenten Computerfilter gebaut, um zu testen, wie gut wir unvollkommene menschliche Entscheidungen verstehen können. Sie fanden heraus, dass wir zwar fast alles mit komplexen Regeln erklären können, die „beste“ Erklärung jedoch oft die einfachste ist, die nicht auch zufälliges Rauschen erklärt.

Technische Zusammenfassung: Destillierung von Modellen der gebundenen rationalen Entscheidung: Ein Constraint-Programming-Ansatz

1. Problemstellung
Die Arbeit adressiert eine kritische Lücke in der Literatur zur Theorie der gebundenen rationalen Entscheidung (bounded-rational choice). Während einflussreiche Modelle wie die „Rational Shortlist Method“ (RS) von Manzini und Mariotti (2007) sowie „Choice with Limited Attention“ (CLA) und „Overwhelming Choice“ (OC) von Masatlioglu et al. (2012) und Lleras et al. (2017) theoretisch umfassend untersucht wurden, bleiben sie empirisch in ihrer vollen Allgemeinheit untertestet. Die primären Hindernisse sind:

Rechenunzulänglichkeit (Computational Intractability): Der Raum der Verhaltensprimitiven (Präferenzen und Aufmerksamkeitsfilter) wächst exponentiell mit der Anzahl der Alternativen, was eine Brute-Force-Enumeration kompatibler Modelle für Standarddatensätze unmöglich macht.
Nicht-Identifizierbarkeit: Diese Modelle sind im Allgemeinen nicht identifiziert; ein einzelner Datensatz kann durch tausende unterschiedliche Modellinstanzen (verschiedene Präferenzordnungen und Filter) erklärt werden, was die Wohlfahrtsinferenz (die Bestimmung der zugrunde liegenden Präferenzen des Entscheiders) unbestimmt macht.
Mangel an wohlfahrtsrelevantem Destillationsverfahren: Bestehende empirische Tests verlassen sich oft auf axiomatische „Pass-oder-Nicht-Pass“-Prüfungen. Es mangelt an Werkzeugen, um den vollen erklärenden und wohlfahrtsrelevanten Gehalt dieser Modelle zu destillieren, insbesondere um zu identifizieren, welche kompatiblen Primitiven für die Wohlfahrtsanalyse am plausibelsten sind.

2. Methodik
Die Autoren führen einen computationalen Rahmen ein, der Constraint Programming (CP) und Constraint Dominance Programming (CDP) nutzt, um die Rechen- und Identifizierbarkeitsprobleme zu überwinden.

Constraint Programming (CP): Anstatt einer Standardoptimierung modellieren die Autoren das Problem unter Verwendung von Entscheidungsvariablen (die Beziehungen wie Präferenzen und Filter repräsentieren), deren Domänen und logischen Constraints, die aus den Entscheidungsdaten abgeleitet sind. Sie nutzen die Sprache Essence, Conjure und Savile Row, um hochgradig abstrakte ökonomische Modelle in solver-optimale Eingaben für den Minion-Solver zu übersetzen.
- Mechanismus: CP nutzt Inferenz (Constraint-Propagation), um den Suchraum durch das Ausschließen von Variablenwerten zu beschneiden, die die Constraints nicht erfüllen können, wodurch eine Brute-Force-Enumeration vermieden wird.
- Anwendung: Dies ermöglicht die Berechnung von „Distanz-Scores“ (analog zum Houtman-Maks-Score) für Modelle, die die minimale Anzahl an Entscheidungen darstellen, die gestrichen werden müssten, damit ein Modell perfekt passt. Es ermöglicht zudem die Enumeration aller Primitiven, die einen spezifischen Score erreichen.
Constraint Dominance Programming (CDP): Um das Problem der Nicht-Identifizierbarkeit anzugehen, führen die Autoren Dominanz-basierte Verfeinerungen ein.
- Dominanzkriterien:
  - Für RS: Eine Instanz $(\succ^a_1, \succ^a_2)$ dominiert $(\succ^b_1, \succ^b_2)$ , wenn die Relationen in $a$ Obermengen von denen in $b$ sind (d. h. vollständiger/rationaler).
  - Für CLA/OC: Eine Instanz $(\Gamma^a, \succ^a)$ dominiert $(\Gamma^b, \succ^b)$ , wenn sie dieselbe Präferenzordnung teilen, aber $\Gamma^a$ in jedem Menü mindestens so viele Alternativen berücksichtigt wie $\Gamma^b$ (d. h. weniger restriktive Aufmerksamkeit).
- Mechanismus: CDP integriert diese Dominanzrelationen direkt in den Suchprozess. Wenn eine Lösung gefunden wird, fügt der Solver einen „Blocking Constraint“ hinzu, um jede zukünftige Lösung auszuschließen, die von der aktuellen Lösung dominiert wird. Dies vermeidet den ineffizienten „Generate-and-Test“-Ansatz, bei dem zuerst alle Lösungen enumeriert und später gefiltert werden.
Maße für den Vorhersageerfolg: Die Autoren verwenden Selten's (1991) Maße (Differenz und Verhältnis), um die Modellleistung gegenüber zufälligem Wahlverhalten (Bronars, 1987) zu vergleichen, wobei sowohl die Erklärungskraft als auch die Permissivität bewertet werden.

3. Zentrale Beiträge

Methodische Innovation: Die Arbeit ist die erste, die CP und CDP auf die volle Allgemeinheit von RS-, CLA- und OC-Modellen anwendet. Sie bietet eine Tool-Chain, die die Enumeration aller kompatiblen Primitiven und die Destillierung von undominierten (wohlfahrtsrelevanten) Primitiven ermöglicht.
Wohlfahrtsverfeinerung: Sie schlägt normative Verfeinerungen vor, die Modellinstanzen auswählen, die „näher“ an der rationalen Entscheidung (RC) liegen. Für RS bedeutet dies, vollständigere Präferenzrelationen zu bevorzugen; für CLA/OC bedeutet dies, größere Berücksichtigungssätze zu bevorzugen.
Empirischer Rahmen: Die Autoren zeigen auf, wie man über binäre Pass/Nicht-Pass-Tests hinausgeht, um die Nähe eines Modells zu den Daten zu quantifizieren, Lösungssets zu enumerieren und den Vorhersageerfolg gegenüber Zufallsverhalten zu bewerten.

4. Empirische Ergebnisse
Der Rahmen wird auf zwei Datensätze aus Manzini (2023) angewendet: „Four Dresses“ (4 Alternativen, 11 Menüs) und „Five Ponchos“ (5 Alternativen, 16 Menüs).

Erklärungskraft:
- CLA und OC (Modelle mit begrenzter Aufmerksamkeit) erklären einen signifikant höheren Anteil der Entscheidungen der Probanden perfekt als RS (Shortlisting). Im „Five Ponchos“-Datensatz erklärt CLA 100 % der Probanden perfekt.
- Jedoch sind Modelle mit begrenzter Aufmerksamkeit auch permissiver, was bedeutet, dass sie wahrscheinlicher zufällige Entscheidungsdaten erklären (hohe „Area“ in Selten's Ratio).
- RS (insbesondere die transitive Unterklasse, $RS_{order}$ ) erklärt weniger Probanden perfekt, ist aber weniger permissiv.
Indetermination und Parsimonie:
- Nicht-Identifizierbarkeit: Oh die Verfeinerung ist die Anzahl der kompatiblen Primitiven massiv (z. B. Tausende für CLA im 4D-Datensatz).
- Effekt der Verfeinerung: Die Dominanzkriterien reduzieren die Menge der Primitiven drastisch. Im 4D-Datensatz wurden 83,3 % bis 99,6 % der kompatiblen Instanzen als dominiert verworfen.
- Parsimonie-Trade-off: Trotz Verfeinerung liefern gebundene rationale Modelle im Allgemeinen mehr kompatible Primitiven (höhere Indetermination) als die rationale Entscheidung (RC). Für Probanden, die annähernd RC entsprechen, ist die Anzahl der kompatiblen Präferenzordnungen typischerweise eindeutig oder sehr klein (Median 1), während gebundene rationale Modelle oft mehrere undominierte Primitiven hinterlassen.
Robustheit gegenüber Zufälligkeit:
- Mit dem Bronars-Test stellen die Autoren fest, dass die meisten annähernden Fits von RC und die perfekten Fits von $RS_{order}$ den „Nicht-Zufälligkeits“-Check bestehen.
- Im Gegensatz dazu scheitern die perfekten Fits von CLA und OC oft an diesem Check, was darauf hindeutet, dass ihre hohe Erklärungskraft eher aus Über-Permissivität als aus einer echten Verhaltensstruktur resultiert.

5. Bedeutung und Ansprüche
Die Autoren positionieren diese Arbeit als methodischen Beitrag zur Analyse der bewussten Präferenz (revealed preference analysis). Sie behaupten:

Rechentechnische Machbarkeit: CP/CDP macht es möglich, komplexe, nicht-parametrische Modelle der gebundenen Rationalität in voller Allgemeinheit zu analysieren – eine Aufgabe, die zuvor als rechentechnisch prohibitiv galt.
Destillierung des Wohlfahrtsgehalts: Der Rahmen ermöglicht es Forschern, den wohlfahrtsrelevanten Gehalt dieser Modelle zu „destillieren“, indem sie dominierte Primitiven herausfiltern, wodurch die Indetermination gelindert wird.
Identifizierung von Trade-offs: Die Analyse verdeutlicht einen fundamentalen Trade-off in der Modellierung unvollkommen rationalen Verhaltens: Modelle mit höherer Erklärungskraft (wie CLA) leiden oft unter größerer Indetermination und geringerer Parsimonie im Vergleich zum Standardmodell der rationalen Entscheidung.
Zukünftige Ausrichtung: Das Paper beansprucht nicht, das Identifizierungsproblem endgültig gelöst zu haben, argumentiert aber, dass diese Werkzeuge eine neue Generation der Modellselektion ermöglichen, die die Trade-offs zwischen Erklärungskraft, Indetermination und Komplexität explizit evaluiert. Die Autoren betonen, dass ihre Methoden zwar eine tiefere Untersuchung erleichtern, die endgültige Auswahl eines Modells für die Wohlfahrtsanalyse jedoch weiterhin das Ermessen des Analysten erfordert.