Testing for Monotone Equilibrium Strategies in Games of Incomplete Information

Este artículo presenta un marco unificado para probar la monotonía de las estrategias de equilibrio en juegos de información incompleta mediante un estadístico tipo Cramer-von Mises basado en desigualdades de momentos, lo que permite detectar colusiones en subastas de contratación pública.

Lo esencial

Imagina que estás en una subasta de obras públicas, como la construcción de una carretera. Varias empresas presentan ofertas (sus "pujas") para ganar el contrato. Lo que tú, como observador externo, ves son los números de esas ofertas. Pero lo que realmente importa para entender si el mercado es justo o corrupto, es lo que esas empresas piensan (sus costos reales, sus valores privados, sus secretos).

Este problema es como intentar adivinar qué hay dentro de una caja cerrada solo mirando cómo la sacuden.

El Gran Problema: Los Secretos Ocultos

En economía, a esto le llamamos "juegos de información incompleta". Las empresas tienen información privada (sus costos reales) que nadie más conoce. En un mercado competitivo y sano, la regla de oro es: "Si tienes un costo más bajo (eres más eficiente), debes ofrecer un precio más bajo". Esto se llama una estrategia monótona. Es como decir: "Si eres más rápido, corres más rápido".

Sin embargo, si las empresas están haciendo un "pacto" (un cártel) para manipular el precio, podrían romper esta regla. Podrían hacer ofertas extrañas que no siguen el orden lógico de sus costos reales.

El problema es que nadie sabe los costos reales de las empresas. Solo vemos las ofertas. ¿Cómo puedes probar que están mintiendo o haciendo trampa si no puedes ver sus secretos?

La Solución de los Autores: El "Espejo Mágico"

Los autores de este papel (Hsu, Li, Liu y Takahashi) han creado una nueva herramienta matemática para resolver este acertijo.

Imagina que tienes un espejo mágico (llamado en el paper "cuasi-inversa").

1. Normalmente, las empresas toman su secreto (costo) y lo convierten en una oferta.
2. Los autores dicen: "No necesitamos ver el secreto. Si tomamos la oferta que vemos y la pasamos por este espejo mágico, deberíamos poder recuperar el secreto".
3. La clave: Si el mercado es honesto y competitivo, ese espejo mágico funcionará perfectamente y será ordenado (monótono). Si las empresas están haciendo trampa, el espejo se romperá o se verá distorsionado (dejará de ser ordenado).

¿Cómo funciona la prueba? (La analogía de la escalera)

Antes, probar esto era como intentar medir la rectitud de una escalera muy larga usando una regla muy pequeña y complicada. Era difícil y propenso a errores.

Los autores proponen una forma más inteligente:

• Imagina que la "rectitud" de la estrategia es como una escalera.
• En lugar de medir toda la escalera de golpe, toman pequeños escalones y verifican si cada uno sube correctamente.
• Convierten la pregunta "¿Es esta escalera recta?" en una lista de miles de preguntas sencillas: "¿El escalón 1 es más alto que el 0? ¿El escalón 2 es más alto que el 1?".
• Si todas estas pequeñas preguntas se responden con "sí", entonces la escalera es recta (el mercado es competitivo). Si alguna falla, la escalera está torcida (hay sospecha de colusión).

¿Qué descubrieron en la vida real?

Para probar su herramienta, la aplicaron a datos reales de carreteras en Suecia, Finlandia y California.

• California (El mercado limpio): Aquí, las empresas compiten libremente. Cuando aplicaron la prueba, la "escalera" estaba perfectamente recta. ¡Todo bien! No hubo señales de trampa.
• Suecia y Finlandia (Los mercados con sospechas): En estos países, se sabía que había habido cártels (grupos de empresas que se ponen de acuerdo para fijar precios).
  • En Suecia, la prueba detectó que la "escalera" estaba muy torcida. ¡La herramienta funcionó! Detectó el comportamiento no competitivo incluso donde otros métodos no lo veían claramente.
  • En Finlandia, la señal fue más débil, lo que sugiere que el cártel allí era más hábil disfrazándose de competencia, o que su influencia era menor.

En Resumen

Este papel es como crear un detector de mentiras para economistas.

1. Nos permite ver si las empresas están actuando de forma lógica y competitiva, sin necesidad de saber sus secretos internos.
2. Usa una matemática inteligente para convertir un problema complejo (ver lo invisible) en una serie de comprobaciones simples (mirar si las ofertas siguen un orden lógico).
3. Es una herramienta vital para los reguladores: si la prueba falla, es una señal de alarma de que algo raro está pasando en el mercado, como un cártel oculto.

Es como tener una lupa que, en lugar de ver los ojos de las personas, mira sus huellas dactilares en la mesa para saber si están jugando limpio o tramando algo en secreto.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Testing for Monotone Equilibrium Strategies in Games of Incomplete Information" de Hsu, Li, Liu y Takahashi, estructurado según los puntos solicitados.

1. El Problema

En los juegos de información incompleta (juegos bayesianos), las estrategias de los jugadores son funciones que mapean sus tipos privados (como valoraciones, costos o señales) a acciones observables. Una predicción fundamental y empíricamente rica de la teoría de juegos es la monotonía de las estrategias de equilibrio: tipos más altos (ej. valoraciones más altas o costos más bajos) deben llevar a acciones más agresivas.

A pesar de su importancia teórica y práctica (esencial para la identificación estructural y la inferencia en modelos como subastas, concursos y competencia de Cournot), existe una carencia significativa en la literatura econométrica para probar estadísticamente la monotonía de estas estrategias de equilibrio.

• La dificultad: Los tipos privados no son observados por el econométrico; solo se observan las acciones (ofertas, esfuerzos, cantidades).
• La brecha: Los métodos existentes son limitados (principalmente restringidos a subastas de primer precio) o dependen de técnicas complejas como la envolvente cóncava mínima (LCM), que son difíciles de aplicar en juegos heterogéneos o con covariables.

2. Metodología

Los autores desarrollan un marco unificado para probar la monotonía basado en la racionalización de la distribución de acciones observadas.

A. Resultado de Racionalización y Estrategia Cuasi-Inversa

Bajo el paradigma de tipos privados independientes y simétricos, los autores establecen una equivalencia fundamental (Teorema 2.1):

• La monotonía de la estrategia de equilibrio en los tipos privados es necesaria y suficiente para que la estrategia cuasi-inversa sea monótona en las acciones observadas.
• La estrategia cuasi-inversa, denotada como $\xi(b)$, se define como el ratio de las derivadas de dos objetos de forma reducida observables: la regla de asignación esperada $P(b)$ y la regla de pago esperada $T(b)$:
  $$\xi(b) = \frac{T'(b)}{P'(b)}$$
• Dado que $P(b)$ y $T(b)$ pueden identificarse a partir de la distribución de las acciones observadas y la mecánica del juego, el problema de probar la monotonía de un tipo latente se transforma en probar la monotonía de una función identificada de acciones observadas.

B. Reformulación en Desigualdades de Momentos

En lugar de utilizar pruebas de concavidad basadas en LCM (como Liu y Vuong, 2021), los autores reformulan la hipótesis nula de monotonía ($H_0: \xi(b)$ es no decreciente) en una colección contable de desigualdades de momentos que involucran solo expectativas incondicionales.

• Utilizan una transformación (basada en Hsu et al., 2019) para convertir la condición de monotonía en:
  $$\nu(b_1, b_2, q) = M(b_2, q)W(b_1, q) - M(b_1, q)W(b_2, q) \leq 0$$
  para un conjunto de puntos $(b_1, b_2, q)$, donde $M$ y $W$ son integrales de $T'$ y $P'$ ponderadas por una función auxiliar $h(b)$.
• Estas desigualdades pueden estimarse mediante análogos de muestra simples.

C. Estadístico de Prueba y Distribución Asintótica

• Estadístico: Se propone un estadístico tipo Cramér–von Mises (CvM) que suma las violaciones ponderadas de estas desigualdades de momentos.
• Valores Críticos: Se utilizan muestreo de remuestreo (bootstrap) no paramétrico combinado con el método de selección generalizada de momentos (GMS) de Andrews y Shi (2013). Esto permite construir valores críticos que controlan el tamaño de la prueba asintóticamente y evitan la configuración "menos favorable" (least favorable configuration), mejorando el poder de la prueba.
• Propiedades: Se demuestra que la prueba controla el tamaño asintóticamente bajo la hipótesis nula y es consistente contra cualquier alternativa fija.

D. Manejo de Heterogeneidad

El marco se extiende para manejar:

1. Heterogeneidad Observada: Controlando covariables del juego (ej. tamaño del contrato) mediante pruebas no paramétricas condicionales.
2. Heterogeneidad No Observada: Mediante la integración de la distribución de los factores no observados, manteniendo la validez de las implicaciones de prueba.
3. Homogeneización Semiparamétrica: Para evitar la maldición de la dimensionalidad, proponen un método de homogeneización de acciones (extensión de Haile et al., 2003) que permite escalar las acciones observadas para eliminar el efecto de las covariables, permitiendo aplicar la prueba estándar.

3. Contribuciones Clave

1. Marco Unificado: Es el primer marco general que permite probar la monotonía de estrategias de equilibrio en una amplia clase de juegos bayesianos con acciones continuas, incluyendo subastas, concursos de Tullock, provisión de bienes públicos y competencia de Cournot con información privada.
2. Innovación Metodológica: Reemplaza las pruebas basadas en LCM (difíciles de implementar con covariables) por un enfoque basado en desigualdades de momentos, que es computacionalmente más simple y flexible.
3. Manejo de Heterogeneidad: Aborda explícitamente tanto la heterogeneidad observada como la no observada, un desafío persistente en la literatura de subastas estructurales.
4. Aplicabilidad Empírica: Proporciona una guía práctica para la implementación en cuatro modelos económicos estándar.

4. Resultados

Simulaciones de Monte Carlo

• Rendimiento en Muestra Finita: Las simulaciones demuestran que la prueba controla bien el tamaño (tasa de error tipo I) bajo la hipótesis nula.
• Poder: La prueba muestra un poder creciente con el tamaño de la muestra y la magnitud de la violación de la monotonía. Es capaz de detectar desviaciones de la competencia en tamaños de muestra típicos de aplicaciones de subastas.
• Robustez: Los resultados son robustos a diferentes elecciones de parámetros de ajuste (tamaño de las celdas de integración).

Aplicación Empírica: Subastas de Pavimentación

Los autores aplican la prueba a datos de subastas de pavimentación de asfalto (Estados Unidos, Suecia y Finlandia) estudiados previamente por Aaltio et al. (2025), donde el objetivo es la detección de cárteles.

• Mercado de California (Competitivo): La prueba no rechaza la hipótesis de monotonía. Esto es consistente con la literatura que considera este mercado como competitivo y sin evidencia de colusión.
• Mercados de Suecia y Finlandia (Con Cárteles):
  • En Suecia, la prueba encuentra fuente evidencia contra la monotonía (valores p bajos) en varios escenarios, especialmente con 5 postores. Esto sugiere un comportamiento no competitivo.
  • En Finlandia, la evidencia es más débil (valores p alrededor de 0.3), lo que es consistente con el hallazgo de Aaltio et al. de que el cártel finlandés tuvo un impacto diferente o menos exitoso en mimetizar el comportamiento competitivo que el sueco.
• Hallazgo: Esta es la primera aplicación empírica que prueba formalmente la monotonía de las estrategias de equilibrio en un marco de equilibrio bayesiano de Nash utilizando datos reales para detectar colusión.

5. Significado

Este trabajo es significativo por varias razones:

• Validación de Modelos Estructurales: Ofrece una herramienta crucial para validar la suposición de monotonía, que es el pilar de la identificación en modelos estructurales de juegos. Si la monotonía falla, las inferencias sobre tipos privados y contrfactuales pueden ser inválidas.
• Detección de Colusión: Proporciona un método directo y robusto para detectar comportamientos colusivos en subastas y otros mercados, complementando o superando a las pruebas existentes que a menudo ignoran la monotonía.
• Flexibilidad Empírica: Al manejar covariables y heterogeneidad no observada, el método es directamente aplicable a conjuntos de datos del mundo real, que rara vez son homogéneos.
• Avance Teórico-Empírico: Cierra la brecha entre la teoría de juegos (existencia de equilibrios monótonos) y la econometría de juegos, proporcionando un puente metodológico para verificar las predicciones teóricas en la práctica.

En resumen, el artículo presenta una solución elegante y potente al problema de probar restricciones de forma en modelos de juegos con información incompleta, transformando un problema de inferencia sobre variables latentes en una prueba manejable de desigualdades de momentos sobre datos observados.