Resumen Técnico: Un Enfoque Frecuentista para el Análisis de Preferencias Reveladas

1. El Problema

El análisis de preferencias reveladas (RP, por sus siglas en inglés) es la herramienta estándar para verificar si las decisiones de un agente (consumidor) son consistentes con la maximización de utilidad bajo un conjunto de restricciones presupuestarias. Tradicionalmente, estos tests (como el Axioma Generalizado de Preferencias Reveladas, GARP) asumen que los datos son finitos y no estocásticos.

La limitación central identificada por los autores:
Cuando un conjunto de datos finito pasa un test de preferencias reveladas, el analista no puede distinguir entre dos escenarios:

1. El agente es verdaderamente racional (su función de demanda pertenece al modelo).
2. El agente no es racional, pero el conjunto de datos es demasiado pequeño o poco informativo para detectar la desviación.

En la literatura actual, evaluar la potencia estadística (la probabilidad de rechazar correctamente un modelo falso) es difícil porque no existe un "modelo alternativo" parsimonioso y obvio contra el cual contrastar. Los tests tradicionales no pueden cuantificar cuántas observaciones se necesitan para detectar una desviación de racionalidad de una magnitud $\varepsilon$.

2. Metodología

Los autores proponen un marco frecuentista que integra la teoría del aprendizaje estadístico (aprendizaje PAC - Probably Approximately Correct) con la economía del consumidor.

Supuestos Fundamentales

• Muestreo Aleatorio: Las observaciones de precios e ingresos se generan mediante un muestreo aleatorio independiente de una distribución $\mu$, en lugar de ser fijos.
• Suavidad (Lipschitz): Se asume que la función de demanda verdadera $g$ es Lipschitz continua. Esto implica que si la función se ajusta bien a un conjunto de puntos observados, debe estar cerca de la función verdadera en todo el dominio, no solo en esos puntos.
• Aprendizaje PAC: Se utiliza la teoría de aprendizaje para demostrar que, con un tamaño de muestra $n$ suficientemente grande, cualquier función de demanda que racionalice los datos observados estará dentro de una bola de error $\varepsilon$ de la función verdadera con alta probabilidad ($1-\delta$).

Estructura de la Prueba

El enfoque transforma el problema de "verificar consistencia" en un problema de hipótesis estadística:

• Hipótesis Nula ($H_0$): La función de demanda $g$ pertenece a la clase de modelos $F$ (ej. preferencias racionales).
• Hipótesis Alternativa ($H_1$): La función $g$ está a una distancia $\varepsilon$ de la clase $F$ (es decir, $g \notin F(\varepsilon)$).

Los autores demuestran que, si el tamaño de la muestra $n$ supera un umbral computable $n(\varepsilon, \delta)$, un test de preferencias reveladas rechazará la racionalidad con una probabilidad de al menos $1-\delta$ si la verdadera función de demanda está suficientemente lejos de ser racional.

Extensión a Restricciones Funcionales

El marco se generaliza más allá de las desigualdades de preferencias reveladas (que a veces son computacionalmente intratables, como en la separabilidad débil) hacia restricciones funcionales $R: G \to \mathbb{R}$.

• Se define una restricción tal que $R(g) = 0$ si y solo si $g \in F$.
• Se imponen condiciones de continuidad uniforme y regularidad a la restricción para garantizar que pequeños errores en los datos no provoquen rechazos falsos y que las violaciones grandes sean detectables.
• Esto permite construir tests con tamaño y potencia controlados incluso cuando las caracterizaciones exactas de RP son NP-difíciles.

3. Contribuciones Clave

1. Fundamento Teórico para la Potencia Estadística: Proporcionan la primera formulación rigurosa que vincula el tamaño de la muestra, la precisión deseada ($\varepsilon$) y el nivel de confianza ($\delta$) en el contexto de preferencias reveladas. Permiten calcular explícitamente cuántos datos se necesitan para detectar una desviación de racionalidad de un tamaño dado.
2. Tests Basados en Restricciones Funcionales: Desarrollan un algoritmo para probar restricciones funcionales (como homogeneidad, separabilidad débil o preferencias de riesgo) que no requieren resolver problemas de programación entera mixta (NP-difíciles). Estos tests tienen garantías de tamaño y potencia en muestras finitas.
3. Intervalos de Confianza para Bienestar: Demuestran cómo construir intervalos de confianza para funcionales suaves de la demanda, como la Variación Equivalente (EV) o cambios en índices de costo de vida. La precisión de estos intervalos depende directamente de la complejidad de la muestra necesaria para aprender la clase de preferencias.
4. Análisis de Simulación y Potencia Diferencial: Mediante simulaciones, muestran que diferentes modelos (Maximización de Utilidad Estática, Homotecia, Separabilidad Débil, Utilidad Esperada) tienen potencias estadísticas muy distintas. Esto explica por qué algunos modelos son rechazados frecuentemente en experimentos mientras que otros (como GARP) raramente lo son: no es necesariamente porque los datos sean "más racionales", sino porque el test tiene baja potencia para detectar desviaciones pequeñas.

4. Resultados Principales

• Límites de Muestra Finita: Se derivan límites superiores para el tamaño de muestra $n(\varepsilon, \delta)$ necesario para garantizar una potencia de $1-\delta$ contra alternativas $\varepsilon$-separadas. La complejidad de la muestra crece polinomialmente con $1/\varepsilon$ y $1/\delta$.
• Resultados de Simulación:
  • Para detectar desviaciones pequeñas de la racionalidad, los tests de Maximización de Utilidad Estática (SUM) y Separabilidad Débil (WS) requieren tamaños de muestra muy grandes.
  • En contraste, los tests de Homotecia (H) y Utilidad Esperada (EU) requieren muestras mucho más pequeñas para alcanzar la misma potencia.
  • Esto sugiere que la "falta de rechazo" de GARP en la literatura empírica podría deberse a una baja potencia estadística (incapacidad para detectar errores pequeños) más que a una verdadera racionalidad de los agentes.
• Regresiones Log-Log: Los autores ajustan curvas de potencia y encuentran que la sensibilidad del tamaño de muestra requerido a la magnitud de la desviación varía significativamente entre modelos. Por ejemplo, la Utilidad Esperada es extremadamente sensible a pequeñas desviaciones (pendiente pronunciada), mientras que la Homotecia es muy robusta (pendiente casi plana).
• Robustez al Error de Medición: Los resultados se mantienen válidos incluso cuando las demandas observadas contienen error de medición aditivo de media cero.

5. Significado e Implicaciones

• Cambio de Paradigma: El artículo cambia el foco de "¿Es este conjunto de datos racionalizable?" a "¿Tenemos suficientes datos para afirmar que el agente es racional?". Esto es crucial para la evaluación de políticas públicas y predicciones de bienestar.
• Viabilidad Computacional: Al permitir tests con un tamaño no nulo (pero controlado) mediante restricciones funcionales, el enfoque hace viables pruebas de modelos complejos (como la separabilidad débil) que antes eran computacionalmente prohibitivos.
• Interpretación de la Literatura Empírica: Ofrece una explicación teórica para la disparidad en las tasas de rechazo entre diferentes modelos en la literatura experimental. Sugiere que comparar tasas de rechazo sin considerar la potencia estadística diferencial de cada test puede llevar a conclusiones erróneas sobre la validez de los modelos.
• Futuro: Aunque los resultados son principalmente de existencia (teóricos), establecen la base para desarrollar procedimientos prácticos que estimen constantes de Lipschitz y distribuciones de precios para aplicar estos tests en datos reales.

En resumen, este trabajo proporciona el marco teórico necesario para cuantificar la fiabilidad de las conclusiones derivadas de tests de preferencias reveladas en datos finitos, vinculando la economía del consumidor con la teoría moderna del aprendizaje estadístico.