Resumen Técnico: Equilibrio de Validación Cruzada

1. Planteamiento del Problema

Este artículo aborda las implicaciones estratégicas de la integración de la inteligencia artificial (IA) predictiva en juegos bayesianos estáticos con información incompleta. En muchos entornos económicos (por ejemplo, calificación crediticia, evaluación de riesgo judicial), los responsables de la toma de decisiones humanas delegan la formación de creencias predictivas en algoritmos de aprendizaje automático (ML). Estos algoritmos construyen modelos basados en muestras de entrenamiento aleatorias extraídas de la distribución de equilibrio del propio juego.

El problema central es caracterizar los resultados del equilibrio cuando:

1. Los jugadores delegan la formación de creencias en un "agente de ML".
2. El agente de ML selecciona un modelo predictivo (un mapeo de tipos de jugadores a resultados relevantes para la utilidad) basado en una muestra de entrenamiento endógena y ruidosa.
3. El criterio de selección del modelo imita la validación cruzada (cross-validation): el agente elige el modelo que minimiza el error cuadrático medio de predicción fuera de la muestra esperado.
4. Los jugadores responden de la mejor manera posible (best-reply) a las creencias generadas por el modelo seleccionado.

Los autores buscan comprender cómo el vínculo endógeno entre el comportamiento de los jugadores y los modelos predictivos generados por ML altera los conceptos estándar de equilibrio de Nash (NE).

2. Metodología y Marco del Modelo

La Estructura del Juego

Los autores formulan un juego bayesiano ligeramente no estándar:

• Jugadores: $N = \{1, \dots, n\}$.
• Estados y Tipos: Un conjunto de estados $\Theta$ y conjuntos de tipos $T_i$.
• Pagos: La utilidad del jugador $i$, $u_i(a_i, t_i, x_i)$, es continua y lineal respecto a un resultado escalar relevante para el pago $x_i$. El resultado $x_i$ es una función del estado y las acciones de los oponentes, $x_i = f_i(\theta, a_{-i})$.
• Muestra de Entrenamiento: Para un perfil de estrategia $\sigma_{-i}$ fijo, el verdadero resultado esperado para el jugador $i$ dado el tipo $t_i$ es $\bar{x}^\sigma_i(t_i)$. El agente de ML observa una muestra de entrenamiento ruidosa:
  $$y_{t_i} = \bar{x}^\sigma_i(t_i) + \varepsilon_{t_i}$$
  donde los términos $\varepsilon_{t_i}$ son i.i.d. (independientes e idénticamente distribuidos) simétricos alrededor de cero.

La Tarea del Agente de ML

El agente de ML selecciona una partición $\Pi_i$ del espacio de tipos $T_i$ a partir de un conjunto factible $\mathcal{P}_i$.

• Predicción: Dentro de cada celda de la partición $\pi(t_i)$, el agente predice el resultado utilizando el promedio ponderado de la muestra de entrenamiento en esa celda.
• Criterio de Selección: El agente selecciona la partición que minimiza el error cuadrático medio de predicción fuera de la muestra esperado. Esto implica una muestra de validación con ruido independiente $\eta$. El agente evalúa el desempeño de la partición a través de muchas posibles muestras de validación.
• Compromiso Sesgo-Varianza (Bias-Variance Trade-off): El proceso de selección equilibra naturalmente el sesgo (particiones gruesas) y la varianza (particiones finas). Una partición gruesa puede ser seleccionada si el ruido de la muestra de entrenamiento es alto, ya que esto reduce la varianza del estimador.

Definición: Equilibrio de Validación Cruzada (CVE)

Un perfil de estrategia $\sigma$ es un Equilibrio de Validación Cruzada (CVE) si, para cada jugador $i$ y cada realización de la muestra de entrenamiento $\varepsilon_i$:

1. El agente de ML selecciona una partición $\Pi_i$ que minimiza el error de predicción fuera de la muestra esperado dado $\varepsilon_i$ y las estrategias de los oponentes.
2. El jugador elige una estrategia pura $g_i(t_i)$ que es la mejor respuesta a la creencia inducida por la partición $\Pi_i$ seleccionada.
3. La estrategia mixta del jugador $\sigma_i$ es la mezcla de todos esos pares (partición, estrategia) compatibles, ponderada por la probabilidad de la realización de la muestra de entrenamiento.

3. Resultados Teóricos Clave

Existencia y Convergencia

• Existencia: Los autores demuestran que existe un CVE en cada juego finito utilizando un argumento de punto fijo sobre una correspondencia que mapea perfiles de estrategia y distribuciones de partición hacia sí mismos.
• Convergencia a ABEE: A medida que el ruido de la muestra de entrenamiento desaparece ($\text{Var}(\varepsilon) \to 0$), cualquier punto límite de una secuencia de CVEes converge a un Equilibrio de Expectativas Basadas en Analogías (ABEE) (Jehiel, 2005) con respecto a la partición más fina factible.
• Convergencia a NE: Si la partición más fina factible es la partición unitaria (que distingue cada tipo), el CVE converge al Equilibrio de Nash conforme el ruido desaparece.

Propiedades de la Selección de Modelos

• Insesgadez de los Modelos Seleccionados: Un resultado técnico crucial (Proposición 4) es que el ruido esperado de la muestra de entrenamiento condicionado a la partición seleccionada es cero. Esto se debe a que el criterio de selección (minimizar el error cuadrático medio fuera de la muestra con una pérdida cuadrática) y la simetría de la distribución del ruido aseguran que el proceso de selección no sesga sistemáticamente el ruido.
• Evitación del Sobreajuste (Over-fitting): Si el estadístico suficiente es mensurable con respecto a una partición gruesa, el agente de ML casi nunca seleccionará una partición estrictamente más fina, ya que la partición más fina solo aumentaría la varianza sin reducir el sesgo (Proposición 3).
• Regla de Selección de Partición: En entornos binarios (particiones finas frente a gruesas), la partición fina se selecciona si y solo si la varianza de la varianza realizada de la muestra de entrenamiento es menor que la varianza del estadístico suficiente (Proposición 5).

4. Aplicaciones e Implicaciones Económicas

El artículo aplica el CVE a varios juegos específicos para ilustrar diferencias cualitativas con el Equilibrio de Nash:

A. Juegos de Pago Cuadrático (Cournot y Esfuerzo en Equipo)

• Sustituibilidad Estratégica (Cournot): En una competencia de Cournot, la volatilidad de las cantidades y precios de equilibrio en un CVE simétrico aumenta con la varianza del ruido de la muestra de entrenamiento. Esto ocurre porque muestras más ruidosas hacen más probables las particiones gruesas; bajo sustituibilidad estratégica, las creencias gruesas (que reaccionan insuficientemente a las fluctuaciones del estado) conducen a reacciones amplificadas por parte del jugador.
• Complementariedad Estratégica (Esfuerzo en Equipo): En un juego de esfuerzo en equipo, el CVE puede exhibir múltiples equilibrios, incluso cuando el juego subyacente tiene un equilibrio de Nash único. La multiplicidad surge porque la probabilidad de seleccionar una partición fina es creciente en la volatilidad de las creencias, la cual depende a su vez de la selección de la partición.
• Discontinuidad: Incluso con un ruido arbitrariamente pequeño, el CVE en el juego de esfuerzo en equipo puede ser discontinuamente diferente del equilibrio de Nash, produciendo pagos esperados más bajos.

B. Votación por Unanimidad (Modelo de Jurado)

En un modelo de jurado de dos jugadores, la selección de modelos endógena puede conducir a probabilidades más altas de votar a favor de una reforma en comparación con el equilibrio de Nash eficiente. El ruido en la muestra de entrenamiento puede inducir la selección de una partición gruesa, la cual agrega la información de tal manera que hace que los jugadores sean más propensos a votar "Sí" de lo que serían bajo creencias racionales y detalladas.

C. Apuestas Especulativas

En un juego de apuestas de suma cero, un jugador restringido a la "correcta" partición fina puede sufrir pagos esperados más bajos que un oponente que tiene acceso tanto a la partición fina como a la gruesa. El oponente puede seleccionar estratégicamente una partición gruesa cuando las realizaciones del ruido son opuestas, efectivamente promediando el ruido para formar una creencia correcta y explotar al jugador restringido. Esto desafía la intuición de que más información (o el modelo correcto) es siempre superior.

D. Ilusión de Control

Los autores extienden el marco para permitir particiones del espacio conjunto de estados y acciones. Demuestran un escenario donde los jugadores eligen una acción estrictamente dominada con una probabilidad positiva. Esta "ilusión de control" surge porque el agente de ML ocasionalmente selecciona un modelo que atribuye falsamente un resultado exitoso a la propia acción del jugador, llevando al jugador a creer que la acción es causal.

5. Significado y Contribución

El artículo afirma contribuir a la literatura sobre:

1. IA Estratégica: A diferencia de la literatura de aprendizaje por refuerzo (ej. Calvano et al., 2020) que se centra en la dinámica de aprendizaje a largo plazo, este trabajo se enfoca en juegos estáticos donde agentes de ML construyen modelos predictivos para jugadores humanos.
2. Formación de Creencias No Racionales: Extiende la literatura sobre conceptos de equilibrio subjetivo (ej. Jehiel, 2005; Eyster y Rabin, 2005) mediante la introducción de una selección de modelos aleatoria y endógena. A diferencia de los modelos anteriores donde las particiones son fijas o se dan exógenamente, el CVE presenta particiones seleccionadas endógenamente basadas en un criterio de validación cruzada.
3. Datos Endógenos: Destaca que cuando los datos de entrenamiento son endógenos al equilibrio, el "compromiso sesgo-varianza" inherente a la selección de modelos de ML se convierte en una variable estratégica, lo que potencialmente conduce a múltiples equilibrios, mayor volatilidad y resultados que se desvían significativamente de los referentes racionales incluso con cantidades mínimas de ruido.

Los autores enfatizan que sus resultados dependen específicamente del criterio de minimizar el error cuadrático medio fuera de la muestra (validación cruzada) y de la simetría del ruido. Señalan que la linealidad de los pagos es un supuesto simplificador que permite que el estadístico suficiente sea un escalar, facilitando el vínculo con el ABEE.