Model Restrictiveness in Functional and Structural Settings

Este artículo extiende la medida de restrictividad a entornos econométricos funcionales y estructurales, demostrando que los modelos son más restrictivos cuando se evalúan en dominios continuos que en conjuntos finitos, y que la inclusión de endogeneidad y la elección adecuada de funciones de discrepancia alteran sustancialmente la clasificación de los modelos.

Lo esencial

Imagina que los modelos económicos son como recetas de cocina.

Algunas recetas son muy simples: "Haz un sándwich". Otras son complejas: "Haz un sándwich con pan de centeno, queso suizo, y si hace calor, añade mostaza, pero si tienes hambre, añade jamón".

En el mundo de la economía, los investigadores usan estas "recetas" (modelos) para predecir cómo se comportarán las personas. Pero hay un problema: ¿cómo sabemos qué tan estricta o flexible es una receta? ¿Cuántas cosas prohíbe hacer la receta?

Los autores de este artículo (Fudenberg, Gao y You) han creado una nueva regla para medir la "rigidez" o "estrictitud" de estas recetas económicas. Aquí te explico sus ideas principales con analogías sencillas:

1. El problema de la "Lista de Compras" vs. el "Supermercado Infinito"

Antes, los investigadores medían la rigidez de un modelo probándolo solo con una lista pequeña de compras (un conjunto finito de datos).

• La analogía: Imagina que quieres saber si una receta de pastel es muy estricta. Si solo la pruebas con 5 ingredientes que tienes en casa, podrías pensar que es muy flexible porque puedes hacerla con lo que tienes.
• La novedad: Este paper dice: "No, no es suficiente". Hay que probar la receta en un supermercado infinito (un dominio continuo).
• El hallazgo: Cuando pruebas la receta en todo el supermercado, te das cuenta de que es mucho más estricta de lo que pensabas. La receta prohíbe muchas combinaciones de ingredientes que no habías visto en tu pequeña lista de compras.

2. La "Caja de Herramientas" vs. El "Mazo de Construcción" (Estructura)

Muchos modelos económicos no solo predicen resultados, sino que explican por qué ocurren (como la oferta y la demanda). A veces, hay cosas que no podemos ver directamente (como el precio de un producto que cambia por razones ocultas).

• La analogía: Imagina que eres un detective. Tienes un modelo que dice: "El sospechoso siempre llega a las 5 en punto". Pero hay un truco: el reloj del sospechoso está roto (endogeneidad).
• La solución del paper: Ellos crearon una forma de medir la rigidez incluso cuando hay "trucos" o herramientas especiales (llamadas variables instrumentales) para ver a través de la niebla.
• El resultado: Descubrieron que cuando usas estas herramientas especiales para corregir los trucos, el modelo se vuelve mucho más estricto. Es como si el detective, al tener mejores gafas, viera que el sospechoso realmente solo puede llegar a las 5:00 en punto, y no a las 5:05 ni a las 4:55. Las reglas se vuelven más duras.

3. ¿Por qué no usar las reglas de los "Videojuegos"?

En el mundo de la informática y la inteligencia artificial, existen reglas para medir qué tan "complejo" es un modelo (llamadas complejidad de Rademacher o dimensión VC).

• La analogía: Es como medir la calidad de un coche solo contando cuántas llantas tiene. Si el coche tiene 4 llantas, es "complejo". Pero eso no te dice si el coche es rápido, seguro o si gasta mucha gasolina.
• La crítica del paper: Los autores dicen: "¡Ojo! Esas reglas de informática no sirven para economía". Esas reglas están diseñadas para cosas muy diferentes (como clasificar si una foto es un gato o un perro). Si las usas en economía, te darán resultados extraños y falsos (como decir que todas las recetas simples son imposibles de hacer).
• Su consejo: En lugar de usar reglas de "cómputo", debemos elegir una regla de medición que tenga sentido económico. Por ejemplo, medir cuánto se equivoca la receta al predecir el precio de un cereal, no cuántas variables tiene.

4. El "Mapa de la Verdad" (Curva de Aprendizaje)

El paper conecta su idea con un concepto de aprendizaje automático: la "curva de aprendizaje".

• La analogía: Imagina que estás aprendiendo a dibujar. Al principio, tus dibujos son muy malos. A medida que practicas (más datos), mejoran.
• La idea clave: La "rigidez" que ellos miden es como ver cuán lejos está tu dibujo final del dibujo perfecto, incluso si tienes infinitas oportunidades para practicar y no hay ruido (ni temblores en la mano). Mide la capacidad real del modelo para capturar la verdad, sin depender de suerte o datos imperfectos.

En resumen: ¿Qué nos dicen?

1. Más datos, más estricto: Si pruebas un modelo económico en todo el mundo real (no solo en una muestra pequeña), verás que es mucho más rígido y restrictivo de lo que creías.
2. Las reglas importan: No todas las reglas de medición sirven. Debemos elegir las que tengan sentido para la economía (como predecir precios o elecciones), no las que usen los programadores de videojuegos.
3. Los trucos ocultos importan: Cuando hay factores ocultos (como precios manipulados), las reglas para corregirlos hacen que los modelos sean mucho más estrictos. Un modelo que parecía muy flexible (como el "Mixed Logit") se vuelve bastante rígido cuando se le exige que cumpla con las reglas de la realidad.

¿Por qué es útil?
Ayuda a los economistas a elegir la receta correcta. No quieren una receta que sea tan flexible que pueda explicar cualquier cosa (porque entonces no explica nada), ni una tan rígida que no pueda adaptarse a la realidad. Este paper les da una regla para encontrar el equilibrio perfecto entre flexibilidad y disciplina teórica.

Resumen técnico

Resumen Técnico: Restricción de Modelos en Entornos Funcionales y Estructurales

1. El Problema

Los modelos económicos son restrictivos por diseño: excluyen patrones de datos que contradicen los priores teóricos, lo cual es esencial para la interpretación y la toma de decisiones. Sin embargo, los investigadores a menudo carecen de una medida cuantitativa para evaluar cuánto "estructura" impone un modelo específico en comparación con alternativas plausibles.

La literatura previa (Fudenberg, Gao y Liang, 2026, o "FGL") desarrolló una medida de restrictividad, pero se limitaba principalmente a:

1. Dominios finitos: Evaluación sobre conjuntos finitos de observaciones.
2. Modelos reducidos: Modelos que mapean covariables exógenas a resultados sin considerar la estructura interna (endogeneidad, múltiples equilibrios).

Esto deja sin respuesta preguntas críticas sobre modelos estructurales complejos (como los usados en Organización Industrial o Economía Laboral) y sobre cómo cambia la percepción de la flexibilidad de un modelo cuando se evalúa sobre un dominio continuo (funcional) en lugar de una muestra finita.

2. Metodología

Los autores extienden el marco de la restrictividad a dos dimensiones principales:

A. Entornos Funcionales (Dominios Continuos)

• Espacio de Funciones: En lugar de un espacio finito, el conjunto de reglas de predicción $F$ se trata como un espacio funcional infinito-dimensional.
• Priors Bayesianos No Paramétricos: Para definir la distribución de evaluación $\lambda_F$ sobre este espacio, utilizan Procesos Gaussianos (GP) y Procesos de Dirichlet. Esto permite muestrear funciones que satisfacen restricciones de forma (como monotonía o convexidad) necesarias en economía.
• Discrepancia: Se define una función de discrepancia $d(f, g)$ (ej. distancia $L_2$ o divergencia KL) que mide la diferencia entre una regla de predicción del modelo y una "verdad pseudo" generada aleatoriamente desde $\lambda_F$.
• Definición de Restrictividad ($r$): Es el error de aproximación esperado al restringirse al modelo $F_\Theta$ en lugar del conjunto elegible $F$, normalizado por el error de un modelo base ($F_{base}$):
  $$r(F_\Theta; F, d) = \frac{E_{\lambda_F}[d(F_\Theta, f)]}{E_{\lambda_F}[d(F_{base}, f)]}$$

B. Modelos Estructurales
El marco se adapta a tres escenarios complejos:

1. Endogeneidad y Variables Instrumentales (IV): Se define la restrictividad sobre la forma reducida inducida por el modelo estructural. Se demuestra que, en modelos con errores aditivos y endogeneidad, la optimización infinita sobre funciones puede reducirse a una optimización finita sobre los parámetros estructurales.
2. Múltiples Equilibrios: Cuando el modelo no determina una única distribución condicional (correspondencia en lugar de función), la restrictividad se define minimizando la discrepancia sobre el conjunto de reglas de selección de equilibrio posibles.
3. Modelos Semiparamétricos: Se considera la presencia de componentes de nuisance no paramétricos (distribuciones de errores desconocidas), tratando el modelo como una familia de formas reducidas indexadas por parámetros estructurales y funciones no paramétricas.

C. Relación con Conceptos Existentes

• Crítica a la Complejidad de Rademacher y VC: Los autores argumentan que estas medidas codifican una función de discrepancia inadecuada para modelos económicos, llevando a resultados degenerados (todos los modelos parecen máximamente restrictivos en el límite).
• Rechazo de Criterios GMM: Los criterios de Momentos Generalizados (GMM) no son funciones de discrepancia válidas porque dependen de la elección de instrumentos y ponderaciones, y miden violaciones de momentos más que la distancia de predicción.
• Interpretación como Curva de Aprendizaje: Demuestran teóricamente que la restrictividad es equivalente al límite normalizado de la curva de aprendizaje promedio sin ruido. Esto conecta la restrictividad con la capacidad de aproximación funcional pura del modelo.

3. Contribuciones Clave

1. Generalización a Dominios Continuos: Permiten evaluar la restrictividad sobre espacios funcionales completos (ej. todo el espacio de loterías binarias o funciones de demanda), no solo sobre muestras finitas.
2. Marco para Modelos Estructurales: Proporcionan una metodología rigurosa para medir la restrictividad en modelos con endogeneidad, múltiples equilibrios y componentes semiparamétricos, áreas donde antes no existía una medida formal.
3. Selección Substantiva de la Discrepancia: Argumentan que la elección de la función de discrepancia no es un detalle técnico, sino una decisión de modelado sustantiva que debe reflejar el tipo de error de aproximación relevante para la aplicación económica.
4. Algoritmos de Muestreo: Desarrollan métodos para muestrear de priores de Procesos Gaussianos bajo restricciones de forma (monotonía), lo cual es crucial para la implementación empírica.

4. Resultados Empíricos

Los autores aplican su marco a tres casos de estudio:

• Teoría de Prospecto Acumulada (CPT) vs. Aversión a la Decepción (DA):

  • Al evaluar sobre el continuo de loterías (en lugar de 25 loterías discretas), la restrictividad de ambos modelos aumenta uniformemente.
  • Los rankings relativos de los parámetros se mantienen, pero los niveles absolutos de restrictividad son mucho más altos, sugiriendo que las evaluaciones en muestras finitas subestiman sistemáticamente la rigidez estructural de estos modelos.

• Modelos de Elección Discreta (Logit Multinomial, Anidado y Mixto):

  • Sin Endogeneidad: Aunque el Logit Mixto (MXL) es teóricamente flexible, sus implementaciones paramétricas estándar (coeficientes normales) lo hacen casi tan restrictivo como el Logit Anidado (NL). La restrictividad está impulsada casi exclusivamente por la flexibilidad de la utilidad media, no por la heterogeneidad individual.
  • Con Endogeneidad (Instrumentos BLP): La inclusión de condiciones de momento (IV) aumenta drásticamente la restrictividad de todos los modelos.
    • El MXL se vuelve el modelo menos restrictivo (0.67 vs 0.11 sin IV).
    • El Logit Anidado (NL) y el Multinomial (MNL) tienen restrictividades casi idénticas bajo IV, perdiendo la ventaja de flexibilidad que tenían sin endogeneidad.
  • Conclusión: Las restricciones de momento pueden aumentar la restrictividad más que las restricciones de forma funcional por sí solas.

5. Significado e Implicaciones

• Evaluación de Modelos: La restrictividad y la completitud (goodness-of-fit) ofrecen una lente bidimensional para la evaluación. Un modelo puede ser muy restrictivo pero poco informativo, o muy completo pero teóricamente vacío. El "frente de Pareto" entre ambas métricas permite comparar modelos de manera principista.
• Impacto de la Endogeneidad: El hallazgo de que las condiciones de momento (IV) alteran drásticamente la jerarquía de restrictividad de los modelos es crucial para la Organización Industrial aplicada, indicando que la flexibilidad teórica de un modelo puede ser anulada por sus requisitos de identificación.
• Regularización Futura: Los autores proponen que la restrictividad podría usarse como un dispositivo de regularización en lugar de penalizaciones basadas en el conteo de parámetros (AIC/BIC). Esto favorecería modelos que excluyen patrones económicamente implausibles, independientemente de su complejidad paramétrica.

En resumen, el paper proporciona las herramientas teóricas y computacionales necesarias para cuantificar la "rigidez" de los modelos económicos modernos en su entorno natural (funcional y estructural), revelando que la restrictividad es a menudo mucho mayor de lo que sugieren las evaluaciones en muestras finitas y es altamente sensible a las condiciones de identificación estructural.