Learning the Distribution Map in Reverse Causal Performative Prediction

Resumen Técnico: Aprendizaje del Mapa de Distribución en la Predicción Performativa de Causalidad Inversa

1. Planteamiento del Problema

En muchos escenarios predictivos, particularmente en la computación social y entornos estratégicos, el despliegue de un modelo predictivo $\theta$ altera la distribución subyacente de los datos. Los agentes adaptan sus atributos o comportamientos en respuesta al modelo para lograr resultados favorables (por ejemplo, solicitantes de empleo que adaptan sus currículos o prestatarios que manipulan sus perfiles). Este fenómeno, conocido como predicción performativa, crea un cambio de distribución donde la distribución post-despliegue $D(\theta)$ difiere de la distribución pre-despliegue.

Una barrera crítica para optimizar el riesgo performativo es que los profesionales a menudo carecen de conocimiento sobre el mapa de distribución $D(\theta)$, el cual describe cómo cambia la distribución en función de los parámetros del modelo. Los enfoques existentes tratan el problema ya sea como una optimización libre de derivadas (que sufre de convergencia lenta y la maldición de la dimensionalidad) o dependen de modelos de microfundamentos paramétricos que pueden estar mal especificados. Este artículo aborda el desafío de aprender el mapa de distribución $D(\theta)$ en un entorno de causalidad inversa, donde el modelo influye en la distribución exclusivamente a través de un conjunto finito de acciones de los agentes.

2. Metodología

Marco de Causalidad Inversa
Los autores reformulan el entorno performativo basándose en el trabajo de Somerstep et al. (2024). Postulan que la distribución ex-post de los atributos $(X, Y)$ y las acciones $A$ puede descomponerse como:
$$D(\theta) = D_A(\theta) \times D(X, Y | A)$$
Aquí, $D(X, Y | A)$ es la distribución condicional de las covariables y respuestas dado una acción, la cual se asume invariante al modelo $\theta$. Todo el cambio de distribución es impulsado únicamente por la distribución marginal de las acciones de los agentes, $D_A(\theta)$.

Microfundamento con Costos Aleatorios
Para aprender $D_A(\theta)$, el artículo introduce un marco de microfundamentos inspirado en el modelo de mercado laboral de Coate-Loury. Los agentes eligen una acción $a \in \mathcal{A}$ para maximizar una utilidad ajustada por costos:
$$A \triangleq \arg \max_{a \in \mathcal{A}} B_a(\theta) - C_a$$
donde $B_a(\theta)$ es el beneficio conocido de la acción $a$ bajo el modelo $\theta$, y $C_a$ es un costo aleatorio que representa la preferencia idiosincrática o la barrera del agente para tomar esa acción.

• Generalidad: A diferencia de los modelos de predicción estratégica estándar que asumen costos deterministas (limitando a los agentes a un comportamiento puramente estratégico), la inclusión de costos aleatorios permite que el marco represente agentes no estratégicos y cualquier distribución arbitraria de cambio $D_A(\theta)$, siempre que la función de beneficio satisfaga ciertas condiciones de monotonicidad (Lema 2.5).
• Objetivo de Aprendizaje: Dado que $B_a(\theta)$ es conocido, el problema se reduce a aprender la distribución de los costos aleatorios $\{C_a\}$, lo que a su vez determina $D_A(\theta)$.

Estimación No Paramétrica (Algoritmo 1)
Los autores proponen un método no paramétrico para estimar el mapa de distribución:

1. Recolección de Datos: El aprendiz despliega una secuencia de modelos $\theta_1, \dots, \theta_M$ y observa las proporciones resultantes de las acciones de los agentes $\hat{\pi}(\theta_m)$.
2. Formulación: La probabilidad de que un agente elija la acción $a$ se expresa como una función de distribución acumulada (CDF) multivariante de las diferencias de costos, restringida por los beneficios conocidos.
3. Optimización: La distribución de los costos se estima resolviendo un problema de mínimos cuadrados con restricciones de forma monótona por coordenadas (regresión isotónica). Esto asegura que la función estimada sea una CDF válida.
4. Estimación de Acciones: Si las acciones no son directamente observables, el artículo sugiere utilizar técnicas de emparejamiento de momentos (Lipton et al., 2018) para estimar las proporciones de acciones a partir de las covariables observadas.

Diseño Experimental Óptimo (Algoritmos 2 y 3)
Para aprender eficientemente el mapa de distribución y minimizar el riesgo performativo, el artículo propone algoritmos de diseño secuencial utilizando un truco de duplicación (doubling trick):

• Densidad de Diseño: El algoritmo actualiza iterativamente la distribución de los modelos desplegados (densidad de diseño) para enfocarse en las regiones donde el error de estimación (ruido) es mayor.
• Exploración vs. Explotación: El proceso se divide en episodios. Dentro de cada episodio, una parte se dedica a la exploración (muestreo de modelos para refinar la estimación del mapa de distribución) y el resto a la explotación (despliegue del modelo que minimiza el riesgo performativo estimado).
• Minimización del Arrepentimiento (Regret): El algoritmo equilibra la longitud de las fases de exploración y explotación para minimizar el arrepentimiento total, definido como la diferencia acumulada entre el riesgo de los modelos desplegados y el riesgo performativo óptimo.

3. Contribuciones Clave

1. Marco de Microfundamentos: El artículo introduce un modelo de microfundamentos con costos aleatorios que es lo suficientemente general como para recuperar cualquier cambio de distribución en un entorno de causalidad inversa, acomodando tanto a agentes estratégicos como no estratégicos.
2. Estimación No Paramétrica: Proporciona un método no paramétrico estadísticamente justificado (vía regresión isotónica) para aprender el mapa de distribución $D_A(\theta)$ sin asumir una forma paramétrica específica para el comportamiento subyacente de los agentes.
3. Diseño Secuencial Óptimo: Los autores desarrollan un algoritmo secuencial basado en el truco de duplicación que selecciona adaptativamente los modelos a desplegar. Este algoritmo minimiza la pérdida de eficiencia relativa de la densidad de diseño estimada y logra un límite de arrepentimiento específico.
4. Garantías de Convergencia: El artículo establece tasas de convergencia teóricas para el mapa de distribución estimado y el riesgo performativo. Específicamente, se muestra que el límite de arrepentimiento es $\tilde{O}(M^{\frac{2\beta+1}{3\beta+1}})$, donde $\beta$ es el parámetro de suavidad del mapa de distribución. Este límite es independiente de la dimensión de los parámetros del modelo $\theta$, ofreciendo una ventaja sobre los métodos que escalan con la dimensión.

4. Resultados

• Resultados Teóricos:

  • Convergencia Uniforme: Bajo supuestos de suavidad de Hölder y puntos de diseño regulares, la CDF estimada converge uniformemente a la CDF verdadera a una tasa de $O((\log n / n)^{\alpha/(2\alpha+1)})$.
  • Límites de Arrepentimiento: El algoritmo secuencial logra un arrepentimiento total de $\tilde{O}(M^{1/(1+\eta)})$, donde $\eta$ depende de la tasa de convergencia del estimador del mapa de distribución. Para la regresión isotónica ($\eta=1/3$), el arrepentimiento es $O(M^{3/4})$.
  • Comparación: El límite de arrepentimiento propuesto es de un orden inferior a los límites existentes (por ejemplo, Jagadeesan et al., 2022) cuando la dimensión de $\theta$ es alta, debido a que el cambio de distribución depende de $\theta$ solo a través de una función de beneficio unidimensional.

• Experimentos Numéricos:

  • Los autores validan su enfoque utilizando el modelo de mercado laboral de Coate-Loury como línea base.
  • Las simulaciones demuestran que el mapa de distribución estimado (usando regresión isotónica o splines cuadráticos monótonos) converge a la distribución real.
  • El algoritmo de diseño secuencial logra llevar la eficiencia relativa de la densidad de diseño hacia cero (óptimo) y minimiza el riesgo performativo en comparación con las estrategias no adaptativas.

5. Significación y Reivindicaciones

El artículo afirma que su principal significación radica en hacer que la minimización del riesgo performativo sea más accesible para los profesionales. Al proporcionar un marco para aprender el mapa de distribución de forma no paramétrica a partir de los datos de respuesta de los agentes, el método cierra la breancia entre la predicción performativa teórica y la aplicación práctica donde el cambio de distribución es desconocido.

Los autores enfatizan que su marco de causalidad inversa, aunque actualmente se centra en espacios de acción finitos, ofrece una estructura flexible que puede extenderse a espacios de acción arbitrarios (por ejemplo, mediante modelos generativos) en trabajos futuros. Posicionan su enfoque como un complemento a la literatura existente: evita la convergencia lenta de la optimización libre de derivadas mientras mitiga los riesgos de una mala especificación inherentes a los modelos de microfundamentos paramétricos rígidos. El trabajo sugiere que comprender y aprender el "mapa de distribución" es un paso crucial hacia la toma de decisiones robusta en entornos estratégicos.