📈 economics

A Frequentist Approach to Revealed Preference Analysis

Cet article développe un cadre fréquentiste pour analyser la puissance statistique des tests de préférence révélée, établissant un lien entre la taille de l'échantillon et la capacité à détecter des déviations économiquement significatives par rapport au modèle maintenu.

Auteurs originaux : Charles Gauthier, Raghav Malhotra, Agustin Troccoli Moretti

Publié 2026-02-12

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Charles Gauthier, Raghav Malhotra, Agustin Troccoli Moretti

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🕵️‍♂️ Le Grand Détective : Rationnel ou Non ?

Imaginez que vous êtes un détective privé. Votre mission : vérifier si un client (un consommateur) agit de manière logique et cohérente, ou s'il fait des choix au hasard, comme s'il avait perdu la tête.

En économie, on appelle cela l'analyse des préférences révélées. Traditionnellement, les économistes regardent une liste de courses (des achats passés) et disent : "Tiens, ces achats respectent les règles de la logique, donc ce client est rationnel."

Le problème ?
C'est comme si vous interrogiez un suspect sur 10 questions seulement. S'il répond correctement aux 10, est-il vraiment innocent ? Ou a-t-il juste eu de la chance ? Si vous ne l'interrogez que 10 fois, un menteur peut facilement passer inaperçu. L'article pose la question cruciale : Combien de fois faut-il observer quelqu'un pour être sûr de savoir s'il est vraiment rationnel ou non ?

🎯 L'Idée Géniale : La "Méthode du Miroir"

Les auteurs (Charles, Raghav et Agustín) utilisent une idée venue de l'informatique et de l'apprentissage automatique (le Machine Learning), qu'ils appellent l'apprentissage PAC (Probablement Approximativement Correct).

Voici l'analogie du Miroir Déformant :

Le Client et le Miroir : Imaginez que le comportement réel du client est une personne debout devant un miroir. Ce miroir représente la "rationalité". Si la personne est vraiment rationnelle, son reflet est parfait.
Les Échantillons (Les Photos) : Vous ne pouvez pas voir la personne en entier, vous ne prenez que quelques photos (des achats à différents prix).
La Règle de la "Lisse" (Lissage) : Les auteurs supposent que les gens ne changent pas de comportement du jour au lendemain de manière brutale. Si vous achetez des pommes aujourd'hui, vous n'achèterez pas soudainement des voitures demain pour le même prix. C'est ce qu'ils appellent la condition de Lipschitz (une façon mathématique de dire que le comportement est "lisse" et prévisible).

Le résultat magique :
Grâce à cette règle de "lissage", si vous prenez assez de photos (un grand nombre d'observations), vous pouvez reconstituer le reflet complet de la personne dans le miroir.

Si la personne est vraiment rationnelle, le reflet sera parfait, peu importe le nombre de photos.
Si la personne est un peu folle (irrationnelle), mais que vous avez pris assez de photos, le reflet déformé sera si évident que vous ne pourrez pas l'ignorer. Le test dira : "Non, ce n'est pas rationnel !"

📉 Pourquoi certains tests échouent-ils souvent ?

L'article explique pourquoi, dans la vraie vie, les économistes disent souvent "Ce client est rationnel" même quand ce n'est peut-être pas le cas.

C'est une question de puissance du test (la capacité à détecter un mensonge).

Si vous avez un petit échantillon (peu de données), votre "radar" est faible. Il ne détecte que les gros mensonges. Les petits mensonges (de petites irrationalités) passent au travers.
Si vous avez un grand échantillon, votre radar est puissant. Il détecte même les micro-irrationalités.

Les auteurs montrent que certains modèles économiques (comme l'utilité espérée dans les jeux de hasard) sont si sensibles que même avec beaucoup de données, ils rejettent souvent les gens (ils disent "ce n'est pas rationnel"). D'autres modèles sont plus "tolérants" et acceptent presque tout, même si les gens agissent bizarrement.

🛠️ Une Nouvelle Boîte à Outils

L'article propose deux nouveautés majeures :

Un compteur de données : Ils donnent une formule pour dire : "Si vous voulez détecter une irrationalité de taille X avec une certitude de 95%, vous devez observer le client N fois." C'est comme dire à un enquêteur : "Pour attraper ce voleur, il te faut au moins 50 témoins, pas 5."
Des tests pour les cas complexes : Parfois, vérifier la rationalité est un casse-tête mathématique impossible à résoudre (trop long pour un ordinateur). Les auteurs proposent une astuce : au lieu de chercher la perfection absolue, on accepte une petite marge d'erreur. C'est comme accepter de ne pas résoudre un puzzle parfaitement, mais juste de savoir si l'image globale est correcte. Cela permet de faire des tests rapides et fiables même sur des modèles très complexes (comme les choix sous incertitude ou la séparation des biens).

💡 En Résumé : Ce que cela change pour nous

Imaginez que vous voulez calculer le "bien-être" d'un pays ou le coût de la vie. Si vous vous trompez sur la rationalité des gens, vos calculs seront faux.

Cet article nous dit :

Ne vous fiez pas à peu de données. Si vous n'avez que quelques observations, ne soyez pas trop confiant dans vos conclusions.
La taille compte. Plus vous avez de données, plus vous pouvez être précis sur la "taille" des erreurs de jugement des gens.
On peut mesurer l'incertitude. On peut maintenant dire : "Avec nos données, nous sommes sûrs à 95% que le bien-être est compris entre telle et telle valeur."

En bref, les auteurs ont transformé l'économie du "je pense que c'est rationnel" en une science du "je sais, avec une marge d'erreur précise, si c'est rationnel ou non, et voici combien de données il me faut pour le prouver". C'est passer de l'intuition à la statistique rigoureuse.

1. Problématique et Contexte

L'analyse de la préférence révélée (RP) est la méthode standard pour vérifier si les choix observés d'un agent décisionnel (DM) sont cohérents avec un modèle économique donné (par exemple, la maximisation de l'utilité). Traditionnellement, ces tests reposent sur des données finies et déterministes.

Le problème central identifié par les auteurs :
Lorsqu'un ensemble de données finies passe un test de préférence révélée (c'est-à-dire qu'il ne viole aucune inégalité de RP), l'analyste ne peut pas conclure avec certitude que l'agent est rationnel. Il est possible que l'agent soit irrationnel, mais que la taille de l'échantillon soit insuffisante pour détecter la déviation.

Manque de puissance statistique : La littérature manque d'une approche systématique pour quantifier la « puissance » d'un test RP (la probabilité de rejeter un agent irrationnel). Définir une hypothèse alternative parcimonieuse est difficile car il existe une infinité de modèles de choix irrationnels.
Limites computationnelles : Pour certaines classes de préférences complexes (comme la séparabilité faible), les tests exacts de RP sont NP-difficiles, rendant l'analyse pratique impossible sur de grands jeux de données.

2. Méthodologie

Les auteurs proposent un cadre frequentiste basé sur la théorie de l'apprentissage statistique, spécifiquement le cadre PAC (Probably Approximately Correct).

A. Cadre Théorique

Hypothèses : L'analyste observe des choix $x_t$ à des prix et revenus $(p_t, I_t)$ tirés aléatoirement selon une distribution $\mu$ . La fonction de demande vraie $g$ appartient à une classe $\mathcal{G}$ de fonctions satisfaisant une condition de Lipschitz (lissage), ce qui implique que la demande varie de manière continue face aux variations de prix.
Hypothèses de test :
- $H_0$ : La fonction de demande $g$ appartient à une classe de modèles $\mathcal{F}$ (ex: préférences rationnelles).
- $H_1$ : $g$ est éloignée de $\mathcal{F}$ d'au moins une distance $\varepsilon$ (mesurée par l'erreur de généralisation $erf_\mu$ ).
Lien avec l'apprentissage : Grâce à la propriété de Lipschitz, si l'échantillon est suffisamment grand, toute fonction de demande qui rationalise les données observées sera proche de la fonction de demande vraie sur tout l'espace des prix, et pas seulement aux points observés.

B. Résultats Principaux de la Théorie (Sections 3 & 4)

Bornes de Puissance et Taille d'Échantillon :
Les auteurs établissent une relation explicite entre la taille de l'échantillon $n$ , le niveau de confiance $1-\delta$ et la distance de détection $\varepsilon$ .
- Théorème 3.1 : Si $n \geq n(\varepsilon, \delta)$ , un test RP a une puissance d'au moins $1-\delta$ pour rejeter toute alternative située à plus de $\varepsilon$ du modèle nul.
- Théorèmes 3.2 et 3.3 : Inversion des bornes pour calculer la puissance minimale donnée $n$ et $\varepsilon$ , ou la distance minimale détectable $\varepsilon(n, \delta)$ pour un $n$ fixe.
Tests Fonctionnels (Section 4) :
Pour contourner les difficultés computationnelles des tests RP exacts (comme la NP-difficulté de la séparabilité faible), les auteurs introduisent des restrictions fonctionnelles $R: \mathcal{G} \to \mathbb{R}$ .
- Une restriction $R$ définit $\mathcal{F}$ si $R(g)=0 \iff g \in \mathcal{F}$ .
- En imposant des conditions de continuité uniforme et de régularité sur $R$ , ils construisent des tests avec des bornes de puissance explicites, même lorsque la caractérisation RP exacte est inconnue ou trop coûteuse.
- Cela permet de tester des propriétés comme l'homothétie, la séparabilité faible ou les préférences sous risque via des dérivées (matrice de Slutsky) plutôt que par des inégalités algébriques exhaustives.
Inférence sur les Fonctionnels de Bien-être :
Le cadre permet de construire des intervalles de confiance pour des fonctionnels lisses de la demande, tels que les variations d'utilité équivalente (EV) ou les indices de coût de la vie. La largeur de l'intervalle dépend directement de la complexité d'échantillonnage (sample complexity) de la classe de préférences.

3. Résultats Empiriques et Simulations

Les auteurs simulent des données de demande perturbées à partir de préférences Cobb-Douglas pour évaluer la puissance des tests contre différentes violations de rationalité :

Modèles testés : Maximisation d'utilité statique (SUM), Homothétie (H), Séparabilité faible (WS), Utilité Espérée (EU).
Perturbations : Ajout de bruit contrôlé violant la symétrie de Slutsky tout en respectant l'homogénéité et la neutralité budgétaire.
Résultats clés :
- La taille d'échantillon nécessaire pour atteindre 90% de puissance varie considérablement selon le modèle.
- Les tests pour l'Utilité Espérée (EU) et l'Homothétie (H) rejettent les violations avec des échantillons relativement petits.
- Les tests pour la Maximisation d'Utilité Statique (SUM) et la Séparabilité Faible (WS) nécessitent des échantillons beaucoup plus grands pour détecter de petites déviations.
- Interprétation : Cela suggère que le fait que les tests de rationalité (GARP) échouent rarement à rejeter les données empiriques ne signifie pas nécessairement que les agents sont rationnels, mais que les échantillons disponibles sont souvent trop petits pour détecter les petites irrationalités. À l'inverse, les rejections fréquentes de l'EU dans les expériences pourraient refléter une sensibilité excessive du test à des déviations minimes.

4. Contributions Clés

Fondation Théorique de la Puissance : Fournit la première caractérisation rigoureuse de la puissance statistique des tests de préférence révélée en reliant la taille de l'échantillon à la capacité de détection de déviations $\varepsilon$ .
Extension aux Restrictions Fonctionnelles : Démontre comment tester des hypothèses complexes (comme la séparabilité faible) sans recourir à des algorithmes NP-difficiles, en utilisant des restrictions basées sur les dérivées et la continuité, avec des garanties de puissance finies.
Inférence de Bien-être : Établit une méthode pour construire des intervalles de confiance sur les mesures de bien-être (comme l'EV) directement à partir de données finies, en quantifiant l'incertitude liée à la taille de l'échantillon.
Réinterprétation des Résultats Empiriques : Offre une explication théorique à la disparité des taux de rejet observés dans la littérature empirique selon les modèles testés, soulignant l'importance de la puissance statistique dans l'interprétation des tests de rationalité.

5. Signification et Impact

Cet article opère un changement de paradigme dans l'analyse de la préférence révélée :

Du déterministe au fréquentiste : Il passe d'une vérification binaire (cohérent/incohérent) à une évaluation probabiliste de la capacité d'un test à distinguer un modèle d'un autre.
Pragmatisme computationnel : En proposant des tests basés sur des restrictions fonctionnelles, il rend l'analyse de préférences complexes (souvent ignorées en pratique à cause de la complexité calculatoire) accessible et statistiquement fondée.
Guide pour la conception expérimentale : Les résultats fournissent aux économistes expérimentaux et empiriques des outils pour déterminer la taille d'échantillon nécessaire pour tester efficacement des hypothèses spécifiques, évitant ainsi les conclusions erronées dues à un manque de puissance statistique.

En résumé, ce papier fournit l'infrastructure théorique manquante pour transformer les tests de préférence révélée en outils d'inférence statistique rigoureux, capables de quantifier non seulement si un modèle est rejeté, mais aussi la fiabilité de cette conclusion compte tenu de la richesse des données disponibles.