Resumen Técnico: Inferencia de Microfundamentos para la Predicción Estratégica

1. Planteamiento del Problema

El artículo aborda el desafío de la predicción performativa, un escenario donde un modelo predictivo $\theta$ influye en la distribución de la variable objetivo porque los interesados (agentes) toman acciones estratégicas para maximizar su utilidad en respuesta al modelo. Este fenómeno, a menudo descrito por la ley de Campbell, crea un cambio de distribución donde la distribución de los datos $Q_\theta$ es una función del predictor $\theta$.

Un cuello de botella crítico en la aplicación de la teoría de la predicción performativa es el mecanismo desconocido de este cambio de distribución. Los enfoques existentes generalmente se dividen en dos categorías, ambas con limitaciones significativas:

1. Optimización de orden cero: Tratar el problema como una optimización libre de derivadas (por ejemplo, usando diferencias finitas). Esto sufre de una convergencia lenta y la maldición de la dimensionalidad porque no modela explícitamente el mapa de distribución $\theta \mapsto Q_\theta$.
2. Modelado de microfundamentos: Asumir que los agentes siguen un modelo de respuesta específico (por ejemplo, maximización de la utilidad ajustada por costos). Si bien esto permite algoritmos de optimización más rápidos al proporcionar acceso de "caja blanca" al mapa de distribución, estos modelos suelen estar mal especificados. Si la función de costo asumida para el agente es incorrecta, el mapa de distribución resultante es erróneo, lo que conduce a predictores subóptimos o inconsistentes.

Los autores proponen una metodología para inferir el microfundamento de las respuestas de los agentes directamente a partir de los datos. Específicamente, pretenden aprender la función de costo $c$ desconocida que rige cómo los agentes modifican sus atributos $Z$ en respuesta a un modelo $\theta$, asumiendo que la función de beneficio $B_\theta$ es conocida.

2. Metodología

2.1 Modelo de Respuesta del Agente

Los autores adoptan el marco estándar de la predicción performativa donde los agentes son racionales. Tras la exposición a un modelo $\theta$, un agente con atributos $Z$ se actualiza a $Z'$ resolviendo:
$$T_\theta(Z) \in \arg\max_{z' \in \mathcal{Z}} \{ B_\theta(z') - c(Z, z') \}$$
Aquí, $B_\theta$ es el beneficio conocido (por ejemplo, la salida del modelo) y $c$ es el costo desconocido de cambiar los atributos. La distribución resultante es la medida de empuje (push-forward) $Q_\theta = (T_\theta)_\# P$, donde $P$ es la distribución previa al modelo (ex-ante).

2.2 Identificabilidad y Divergencias de Bregman

Los autores señalan que estimar una función de costo bivariada general $c(z, z')$ es imposible con muestras finitas de un número finito de distribuciones. Para abordar esto, restringen la función de costo a la clase de las divergencias de Bregman:
$$c_\phi(z, z') = \phi(z') - \phi(z) - \nabla\phi(z)^\top(z' - z)$$
donde $\phi$ es una función de potencial estrictamente convexa. Esto reduce el problema de estimación de una compleja función bivariada a la estimación del escalar de potencial $\phi(z)$, mitigando los problemas de identificabilidad.

2.3 Estimación de Transporte Óptimo

El núcleo del método propuesto aprovecha el Transporte Óptimo (OT) para alinear distribuciones. Basándose en la condición de optimalidad de primer orden del problema de maximización del agente, los autores derivan que para el potencial verdadero $\phi^*$:
$$(\nabla\phi^* - \nabla B_\theta)_\# Q_\theta = (\nabla\phi^*)_\# P$$
Esto implica que el empuje de la distribución ex-post $Q_\theta$ bajo el mapa $(\nabla\phi^* - \nabla B_\theta)$ es idéntico al empuje de la distribución ex-ante $P$ bajo $\nabla\phi^*$.

Los autores proponen estimar $\phi$ encontrando una distribución "baricentro" $\mu$ que minimice la suma de las distancias de Wasserstein 2 al cuadrado de estas distribuciones de empuje. El problema de optimización es:
$$\arg\min_{\phi \in \Phi_{cvx}} \min_{\mu \in \Delta(\mathcal{Z})} \left[ W_2^2(\mu, (\nabla\phi)_\# P) + \sum_{k=1}^m W_2^2(\mu, (\nabla\phi - \nabla B_{\theta_k})_\# Q_{\theta_k}) \right]$$
Esto se resuelve mediante un algoritmo de descenso de coordenadas de bloque (Algoritmo 1), alternando entre la actualización del baricentro $\mu$ y el potencial $\phi$.

2.4 Escenarios

El método es aplicable en dos entornos:

1. Ex-ante y Ex-post: El aprendiz tiene muestras tanto de la distribución previa al despliegue $P$ como de múltiples distribuciones posteriores al despliegue $Q_{\theta_k}$.
2. Solo Ex-post: El aprendiz solo tiene acceso a las distribuciones posteriores al despliegue $Q_{\theta_k}$, estimando $\phi$ alineando los empujes de estas distribuciones bajo diferentes $\theta_k$.

3. Contribuciones Clave

1. Método de Estimación: Un método novedoso para estimar la función de costo (dentro de la clase de las divergencias de Bregman) de un modelo de microfundamentos de maximización de utilidad. El método se basa en el emparejamiento de distribuciones previas y posteriores al modelo utilizando transporte óptimo.
2. Análisis Teórico:
   • Identificabilidad: Los autores proporcionan las condiciones bajo las cuales la función de costo es identificable a partir de los datos (por ejemplo, el Corolario 4.2 muestra la identificabilidad con una distribución ex-ante y una ex-post si la función de beneficio es estrictamente cóncava).
   • Tasas de Convergencia: Establecen una tasa de convergencia de $O(n^{-2/d})$ para los parámetros estimados bajo supuestos de fuerte convexidad, derivada de resultados de convergencia de la distancia de Wasserstein empírica.
3. Validación Empírica: Experimentos numéricos en un conjunto de datos de calificación crediticia demuestran la capacidad del método para estimar costos y mejorar tareas posteriores (minimización de riesgo performativo).

4. Resultados Experimentales

Los autores evaluaron su método utilizando una configuración semi-sintética basada en un conjunto de datos real de calificación crediticia (Kaggle), donde los agentes manipulan estratégicamente las características para evitar la clasificación de incumplimiento.

• Robustez a la Especificación Errónea: En experimentos donde la función de beneficio $B_\theta$ fue mal especificada (por ejemplo, asumiendo un beneficio logarítmico cuando la realidad era de raíz cuadrada), la estimación de la derivada del potencial $\phi'$ se volvió sesgada. Sin embargo, el mapa de respuesta $T_\theta$ se mantuvo robusto y el rendimiento predictivo no se degradó significativamente. Esto sugiere que el método puede tolerar errores en la especificación de la función de beneficio.
• Convergencia: El error de estimación para el mapa de respuesta $T_\theta$ disminuyó a medida que aumentaba el tamaño de la muestra, de acuerdo con las predicciones teóricas.
• Minimización de Riesgo Performativo: Al aplicarse para minimizar el riesgo performativo (encontrar el clasificador óptimo $\theta$), el método propuesto convergió significativamente más rápido a la solución óptima (Oracle) en comparación con las líneas base:
  • Descenso de Gradiente Repetido (RGD) y Descenso de Gradiente Performativo (PerfGD): Estos métodos de orden cero o parcialmente especificados mostraron una convergencia más lenta y, en algunos casos, no lograron alcanzar el Oracle debido a supuestos (como la gaussianidad en PerfGD) que no se cumplían.
  • Mínimos Cuadrados (LS): Un método de dos pasos que asume una respuesta lineal.
  • Resultado: El método propuesto logró un rendimiento competitivo, convergiendo al Oracle a medida que aumentaba el número de clasificadores publicados (tamaño de la muestra).

5. Significado y Reivindicaciones

El artículo sostiene que la inferencia precisa de los microfundamentos de los agentes es un paso crucial para el despliegue de modelos socialmente responsables y efectivos en entornos estratégicos. Al aprender la función de costo a partir de los datos en lugar de asumir un modelo mal especificado, los profesionales pueden:

• Utilizar algoritmos de optimización de convergencia rápida que requieren conocimiento explícito del mapa de distribución, evitando la lenta convergencia de los métodos libres de derivadas.
• Desplegar modelos con tranquilidad respecto a la especificación errónea, ya que el método es robusto a los errores en la función de beneficio.
• Comprender mejor los impactos a largo plazo de los modelos predictivos sobre las poblaciones, facilitando la aplicación de la equidad y otras restricciones sociales.

Los autores concluyen que, aunque su trabajo se centra en agentes estratégicos, el problema más amplio de aprender cambios de distribución en entornos performativos no estratégicos sigue siendo un área abierta para la investigación futura. El código para la implementación se pone a disposición pública.