Identification and Counterfactual Analysis in Incomplete Models with Support and Moment Restrictions

Este artículo establece un marco unificado que demuestra la isomorfía entre la identificación de parámetros estructurales y el análisis contrafactual en modelos incompletos, extendiendo los métodos de función de soporte más allá de las condiciones de acotación integrable para garantizar resultados precisos bajo restricciones de soporte y momentos.

Lo esencial

Imagina que eres un detective económico. Tu trabajo es entender por qué las cosas suceden en el mercado (por qué una empresa entra o sale, por qué los precios suben, etc.) basándote en datos que tienes. Pero aquí está el problema: a veces, los datos no te dan una sola respuesta clara. El "culpable" o la "causa" podría ser una de varias posibilidades. En economía, a esto le llamamos modelos incompletos: el modelo te dice que la respuesta está dentro de un grupo de opciones, pero no te dice cuál es la exacta.

Ahora, el detective quiere hacer algo más difícil: predecir el futuro o simular un escenario que nunca ha ocurrido (un "contrafactual"). Por ejemplo: "¿Qué pasaría con los precios si el gobierno sube los impuestos?" o "¿Cuánto ganarían las empresas si se fusionan?".

El problema es que, si tu modelo ya es borroso (incompleto) para explicar el pasado, intentar simular el futuro se vuelve una pesadilla computacional. Tendrías que probar millones de escenarios posibles para ver cuáles son válidos, lo cual es casi imposible de calcular.

¿Qué propone este paper?

El autor, Lixiong Li, ofrece una solución elegante que cambia la forma de pensar el problema. Aquí te lo explico con analogías sencillas:

1. La analogía de la "Caja de Herramientas Unificada"

Normalmente, los economistas hacen dos cosas por separado:

1. Paso 1: Intentan adivinar las reglas del juego (los parámetros estructurales) usando los datos actuales.
2. Paso 2: Toman esas reglas y las meten en una máquina de simulación para ver qué pasa si cambian las reglas (el contrafactual).

El paper dice: "¡Espera! No necesitas dos pasos separados. En realidad, adivinar las reglas del juego y predecir el futuro son la misma tarea".

La analogía: Imagina que estás armando un rompecabezas.

• El método viejo: Primero intentas armar la mitad de la imagen (el pasado). Luego, tomas esa mitad, la pones en una fotocopiadora mágica (simulación) y tratas de imaginar cómo se vería la otra mitad si cambiaras el color de las piezas.
• El método nuevo: Tomas todas las piezas del pasado y todas las piezas del futuro (el escenario hipotético) y las metes en una sola caja. Luego, buscas qué combinación de piezas encaja perfectamente en la caja completa. No necesitas "fotocopiar" nada; simplemente buscas la solución que funciona para todo el conjunto de una sola vez.

Esto evita tener que simular millones de resultados borrosos. Simplemente tratas el "futuro hipotético" como si fuera otra parte del "pasado" que ya conoces.

2. El problema de los "Fantasmas Infinitos" (Restricciones de Soporte)

Aquí es donde entra la parte técnica más interesante, explicada con una metáfora de pesos y límites.

En economía, a veces queremos saber cosas como "¿Cuál es el beneficio máximo posible?". El problema es que, en ciertos modelos, la teoría no pone un techo a los números. Imagina que intentas adivinar la altura de un edificio, pero la única regla que tienes es "el edificio debe ser más alto que 10 metros". No hay un límite superior. Podría tener 100 metros, 1,000 o un millón.

• El problema: Los métodos matemáticos tradicionales para resolver estos rompecabezas necesitan que haya un "techo" (un límite) para funcionar bien. Si no hay techo, los métodos se rompen o dicen "no sé nada".
• La solución del paper: El autor dice: "No te preocupes si no hay techo. Aunque no podamos encontrar el límite exacto, podemos encontrar el 'límite de lo que es posible aprender' con los datos que tenemos".

Llama a esto la "Cierre de Momentos".
La analogía: Imagina que estás en una habitación oscura y quieres saber dónde está la pared.

• Si la habitación es finita, puedes tocar la pared y saber exactamente dónde termina.
• Si la habitación es infinita (no tiene techo ni paredes lejanas), no puedes tocar el final. Pero, el paper te dice: "Aunque no sepas dónde termina la habitación, sí sabes que no puedes estar en ciertos lugares. Y, estadísticamente, para cualquier persona con una linterna (datos finitos), es imposible distinguir entre 'la habitación es infinita' y 'la habitación es tan grande que no la puedes medir'".

3. La Regla de Oro: "No mezcles las cartas"

El paper hace un descubrimiento crucial sobre cómo escribir las reglas del juego.
A veces, los economistas escriben las reglas de forma confusa, mezclando "lo que sabemos que es imposible" (restricciones de soporte) con "lo que sabemos que es promedio" (restricciones de momentos).

La analogía: Imagina que tienes una lista de reglas para un juego de cartas.

• Regla A (Soporte): "Nadie puede tener un As de Espadas" (Esto es una prohibición absoluta).
• Regla B (Momento): "El promedio de las cartas debe ser 5".

Si mezclas la Regla A dentro de la Regla B de forma desordenada, el sistema de cálculo se vuelve loco y te dice que "cualquier cosa es posible".
El autor dice: "Haz tu modelo 'Irreductible'". Esto significa: escribe las reglas de prohibición (lo que no puede pasar) claramente en una lista separada, y deja las reglas de promedios en otra. Si haces esto, incluso si los números pueden ser infinitos, tu método de cálculo funcionará perfectamente y te dará la respuesta más precisa posible.

En resumen: ¿Por qué importa esto?

1. Ahorro de tiempo y energía: Permite a los economistas hacer predicciones sobre políticas (impuestos, fusiones, crisis) sin tener que hacer simulaciones computacionales imposibles.
2. Confianza en escenarios difíciles: Nos dice que incluso cuando la teoría económica no pone límites a los números (como beneficios infinitos), todavía podemos sacar conclusiones útiles y sólidas de los datos.
3. Claridad: Nos enseña a escribir nuestros modelos de forma más limpia, separando lo que es "imposible" de lo que es "promedio", para no engañarnos a nosotros mismos con resultados confusos.

La moraleja: No necesitas saber todo para tomar una buena decisión. Si organizas bien tus preguntas (unificando el pasado y el futuro) y escribes tus reglas claramente, puedes obtener respuestas sólidas incluso en un mundo incierto y borroso.

Resumen técnico

Resumen Técnico: Identificación y Análisis Contrafactual en Modelos Incompletos

1. El Problema

El análisis contrafactual es fundamental en la economía aplicada (evaluación de políticas, fusiones, cambios regulatorios). Tradicionalmente, este proceso sigue un flujo de trabajo de dos pasos: estimar los parámetros estructurales de un modelo y luego simular resultados bajo un escenario contrafactual.

Sin embargo, en muchos contextos empíricos relevantes, los modelos estructurales son incompletos, lo que significa que no predicen un único resultado, sino un conjunto de resultados posibles (predicciones de conjunto). Esto ocurre, por ejemplo, en juegos con múltiples equilibrios, modelos de elección con atención limitada o subastas.

El análisis contrafactual en estos modelos enfrenta dos desafíos principales:

1. Desafío Computacional: La simulación de resultados contrafactuales es a menudo inviable o computacionalmente costosa porque los resultados no están unívocamente determinados incluso con parámetros conocidos.
2. Desafío Estadístico: Las condiciones de regularidad necesarias para la identificación "nítida" (sharp) de los parámetros, específicamente la acotación integrable (integrable boundedness) de los conjuntos aleatorios, suelen violarse en ejercicios contrafactuales. Por ejemplo, condiciones de equilibrio a menudo imponen restricciones unilaterales sobre variables latentes (como beneficios o bienestar), haciendo que los conjuntos de predicción sean no acotados, lo que rompe los teoremas estándar de identificación basados en la teoría de conjuntos aleatorios.

2. Metodología

El autor propone un marco unificado que trata la identificación de parámetros estructurales y la identificación de parámetros contrafactuales como tareas isomórficas.

• Modelo Estructural Base: Se define una clase de modelos caracterizados por:

  1. Una restricción de soporte: $P[(U, Z) \in \Gamma(\theta)] = 1$, donde $U$ son variables latentes, $Z$ observables y $\Gamma$ define el conjunto de valores consistentes con la teoría económica.
  2. Un conjunto de restricciones de momentos: $E[r(U, Z; \theta)] = 0$.

• Enfoque de Modelo Aumentado: En lugar de simular, el autor incorpora las restricciones contrafactuales directamente en el modelo estructural.

  • Se define un vector latente aumentado $U' = (U, \tilde{Y}, \tilde{U})$ (variables originales, resultados contrafactuales y nuevas primitivas latentes).
  • Se apilan las restricciones de soporte y momentos del modelo base con las nuevas restricciones contrafactuales (definición del entorno contrafactual y definición del parámetro de interés $\tilde{\theta}$).
  • Esto crea un modelo aumentado donde el parámetro contrafactual $\tilde{\theta}$ se trata con el mismo estatus que el parámetro estructural $\theta$. La identificación se reduce a caracterizar el conjunto de valores de parámetros consistentes con las restricciones combinadas.

• Análisis de Identificación (Más allá de la acotación integrable):

  • El autor extiende el enfoque de la función de soporte (support-function approach) más allá de la condición de acotación integrable.
  • Introduce el concepto de cierre de momentos (moment closure) del conjunto identificado ($\Theta_I$), denotado como $\bar{\Theta}_I$. Este conjunto contiene los parámetros para los cuales las restricciones de momentos pueden satisfacerse arbitrariamente bien (no necesariamente exactamente, pero con error $\epsilon \to 0$).
  • Demuestra que el enfoque de la función de soporte caracteriza nítidamente este cierre de momentos incluso cuando falla la acotación integrable.

• Condición de Irreducibilidad:

  • Se introduce una condición crucial llamada irreducibilidad. Un modelo es reducible si sus restricciones de momentos implican implícitamente restricciones de soporte que no se han hecho explícitas.
  • El autor exige que el modelo se formule de manera irreducible, donde todas las implicaciones de soporte se imponen explícitamente en la restricción de soporte y no se "esconden" dentro de las restricciones de momentos.

3. Contribuciones Clave

1. Marco Unificado para Análisis Contrafactual: Establece que la identificación de parámetros contrafactuales en modelos incompletos es isomorfa a la identificación de parámetros estructurales. Esto elimina la necesidad de simulaciones de equilibrio o supuestos adicionales de selección de equilibrio, permitiendo inferencia directa mediante procedimientos estándar de subvectores en modelos de identificación parcial.
2. Generalización del Enfoque de Función de Soporte: Extiende los resultados de identificación nítida de la literatura existente (Ekeland, Galichon, Henry; Beresteanu, Molchanov, Molinari) para cubrir escenarios donde la acotación integrable falla. Esto es vital para parámetros económicos como beneficios totales o excedente, que a menudo son no acotados en modelos de equilibrio.
3. Distinción entre Soporte y Momentos: Ilustra teóricamente y empíricamente que tratar las restricciones de soporte como meras restricciones de momentos puede llevar a una pérdida de poder de identificación y a conjuntos identificados no informativos. La formulación correcta (irreducible) es esencial.
4. Indistinguibilidad en Muestras Finitas: Demuestra que, bajo la condición de irreducibilidad, el conjunto identificado real y su cierre de momentos son estadísticamente indistinguibles en muestras finitas. Es decir, ningún procedimiento de inferencia con control de tamaño puede distinguir entre un parámetro que pertenece al conjunto identificado y uno que pertenece solo a su cierre de momentos.

4. Resultados Principales

• Teorema 1 (Identificación Nítida bajo Acotación): Bajo condiciones estándar (incluyendo acotación integrable), el conjunto identificado $\Theta_I$ coincide con el conjunto definido por las desigualdades de la función de soporte $\tilde{\Theta}$.
• Teorema 2 (Caracterización del Cierre de Momentos): Bajo condiciones mínimas (sin acotación integrable), el enfoque de la función de soporte caracteriza nítidamente el cierre de momentos ($\bar{\Theta}_I$) del conjunto identificado. Si $\Theta_I \neq \tilde{\Theta}$, la discrepancia es exactamente la brecha entre el conjunto identificado y su cierre de momentos.
• Teorema 3 (Indistinguibilidad y Irreducibilidad): Si el modelo se formula de manera irreducible (todas las implicaciones de soporte son explícitas), entonces el conjunto identificado $\Theta_I$ y su cierre de momentos $\bar{\Theta}_I$ son indistinguibles en muestras finitas.
  • Implicación práctica: En modelos irreducibles, el enfoque de la función de soporte captura el límite efectivo de lo que se puede aprender de los datos, incluso si la acotación integrable falla.
• Ejemplos Ilustrativos:
  • Juego de Entrada: Muestra cómo la estimación de beneficios totales (no acotados) falla la acotación integrable, pero el enfoque de función de soporte sigue siendo válido y nítido para el cierre de momentos.
  • Reformulación de Modelos: Demuestra que si una restricción de soporte (ej. $Y^* \in [Y, \bar{Y}]$) se trata como una restricción de momento, el enfoque de función de soporte se vuelve completamente no informativo, mientras que la identificación real sigue siendo posible. Esto subraya la importancia de la formulación irreducible.

5. Significado e Impacto

Este trabajo tiene implicaciones profundas para la econometría estructural y el análisis de políticas:

• Viabilidad Práctica: Proporciona una justificación teórica sólida para utilizar métodos de función de soporte en análisis contrafactuales complejos donde los métodos tradicionales de identificación nítida fallan debido a la falta de acotación.
• Eliminación de la Simulación: Al evitar la simulación de resultados contrafactuales a partir de modelos de predicción de conjuntos, el método reduce drásticamente la carga computacional y evita la arbitrariedad en la selección de equilibrios.
• Nueva Perspectiva de Identificación: Sugiere un cambio de paradigma en el análisis de identificación. En lugar de buscar la igualdad exacta entre el conjunto identificado y su caracterización asintótica (que requiere condiciones fuertes), el enfoque en la indistinguibilidad en muestras finitas ofrece un criterio más robusto y aplicable a modelos económicos realistas.
• Guía de Modelado: Advierte a los investigadores sobre la importancia crítica de formular explícitamente las restricciones de soporte. Mezclar restricciones de soporte y momentos puede ocultar la estructura identificadora y llevar a conclusiones erróneas sobre la identificación de parámetros.

En resumen, el artículo ofrece un marco robusto y unificado para realizar análisis contrafactuales en modelos estructurales incompletos, superando las limitaciones teóricas de la literatura previa y proporcionando herramientas prácticas para la inferencia económica en escenarios de alta complejidad.