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

Cet article propose un cadre unifié pour l'analyse contrefactuelle dans les modèles incomplets sous restrictions de support et de moments, démontrant que l'identification et l'analyse contrefactuelle sont des tâches isomorphes et justifiant l'utilisation de la méthode de la fonction de support au-delà des conditions de bornitude intégrable habituelles.

L'essentiel

🕵️‍♂️ Le Détective et le Puzzle Manquant : Comprendre les Modèles Économiques "Incomplets"

Imaginez que vous êtes un détective essayant de comprendre pourquoi les gens agissent d'une certaine manière (par exemple, pourquoi une entreprise décide d'entrer sur un marché ou de fusionner avec une autre). Vous avez un modèle théorique, une sorte de "règlement du jeu" qui explique ces comportements.

Le problème ? Parfois, ce règlement ne donne pas une seule réponse. Il dit : "Si les conditions sont X, le résultat peut être A, B ou C". C'est ce que l'auteur appelle un modèle incomplet. C'est comme un puzzle où plusieurs pièces pourraient s'adapter au même trou.

L'objectif de l'économiste est de faire de la contre-factualité : "Si nous changions une règle (par exemple, une nouvelle taxe), que se passerait-il ?"

Traditionnellement, pour répondre à cette question, les économistes faisaient deux choses :

1. Ils estimaient les paramètres du modèle avec les données actuelles.
2. Ils simulaient (faisaient tourner des ordinateurs) pour voir ce qui se passerait dans le futur.

Mais avec des modèles "incomplets" (où le futur est flou), cette méthode est un cauchemar. On ne sait pas quelle "version" du futur simuler.

💡 La Grande Idée de Li Xiong Li : "Tout en un"

L'auteur, Li Xiong Li, propose une astuce géniale. Au lieu de faire deux étapes séparées (estimer puis simuler), il dit : "Pourquoi ne pas tout mettre dans le même sac dès le début ?"

Il imagine un modèle augmenté.

• Imaginez que vous jouez à un jeu de rôle. Vous avez votre personnage actuel (les données réelles) et vous voulez aussi jouer un personnage dans un monde alternatif (la contre-factualité).
• Au lieu de finir le jeu actuel, puis de recommencer une nouvelle partie, Li propose de créer un seul scénario géant où les deux personnages coexistent.
• Dans ce grand scénario, les règles du monde réel et les règles du monde alternatif sont mélangées.

L'analogie du "Mélange de Recettes" :
Au lieu de cuisiner un gâteau (le monde réel), de le manger, puis d'essayer de deviner à quoi aurait goûté un gâteau avec moins de sucre (le monde alternatif), Li dit : "Écrivons une seule recette qui contient à la fois la version sucrée et la version moins sucrée. En analysant cette recette unique, on comprendra instantanément les deux versions sans avoir à cuisiner deux fois."

Cela évite les simulations compliquées et permet de traiter la question "Que se passerait-il ?" exactement comme la question "Comment ça marche maintenant ?".

🛡️ Le Problème des "Bordures Floues" (Les Restrictions)

Pour que ce modèle fonctionne, il faut des règles strictes. L'auteur utilise deux types de règles :

1. Les restrictions de support (Les murs) : Ce sont des limites physiques. Par exemple, "Le profit ne peut jamais être négatif" ou "Le prix ne peut pas être inférieur à zéro". C'est comme dire : "Vous ne pouvez pas sortir de cette pièce".
2. Les restrictions de moments (Les moyennes) : Ce sont des règles sur les tendances. Par exemple, "En moyenne, les chocs de productivité sont nuls". C'est comme dire : "Bien que vous puissiez aller n'importe où dans la pièce, vous devez rester centré au milieu en moyenne".

Le problème : Dans le monde réel (surtout pour les contre-factuels comme le profit ou le bien-être), ces règles ne sont pas toujours "bien rangées". Parfois, les murs sont ouverts d'un côté (le profit peut être infini, mais pas négatif). Les méthodes mathématiques classiques disent : "Si les murs ne sont pas fermés de tous les côtés, on ne peut pas faire de calculs précis."

🔍 La Solution : La "Clôture des Moments" et l'Irreductibilité

L'auteur dit : "Attendez, même si les murs sont ouverts, on peut quand même savoir ce qui est possible."

Il introduit deux concepts clés :

1. La "Clôture des Moments" (Moment Closure) :
   Imaginez que vous essayez de dessiner la zone où un criminel pourrait se cacher. Les méthodes classiques disent : "Si la zone est infinie, on ne peut pas la dessiner."
   Li dit : "Non, regardons ce que les données nous disent réellement. Même si la zone théorique est infinie, les données nous permettent de définir une 'clôture' pratique. C'est la zone la plus précise que nous puissions atteindre avec nos données, même si les murs théoriques sont flous."
   Il prouve que sa méthode (l'approche par fonction de support) dessine parfaitement cette "clôture pratique".

2. L'Irreductibilité (Le secret de la clarté) :
   C'est le point le plus subtil. Parfois, les économistes mélangent les règles "murs" et les règles "moyennes" d'une manière confuse.

   • Exemple : Dire "Le prix est entre 10 et 20" (règle mur) OU dire "La moyenne des prix est 15 ET le prix est positif" (règle moyenne).
   • Si vous mélangez mal ces règles, votre calcul devient flou et inutile.
   • L'astuce de Li : Il faut écrire le modèle de manière "irréductible". C'est-à-dire : Mettez les murs là où sont les murs, et les moyennes là où sont les moyennes. Ne cachez pas un mur derrière une moyenne.
   • Si vous le faites correctement (modèle irréductible), alors la "clôture pratique" et la "vraie zone possible" sont indiscernables avec des données réelles. En gros, pour un statisticien, c'est comme si elles étaient identiques.

🎯 En Résumé : Pourquoi c'est important ?

Ce papier est une boîte à outils pour les économistes qui veulent prédire l'avenir (politiques publiques, taxes, guerres commerciales) dans des situations complexes où les modèles ne donnent pas une seule réponse.

1. Unification : Il permet de traiter les questions "Et si ?" exactement comme les questions "Comment ?", sans avoir à faire des simulations hasardeuses.
2. Robustesse : Il montre que même quand les règles mathématiques classiques échouent (parce que les profits peuvent être infinis), on peut quand même obtenir des réponses solides.
3. Clarté : Il nous apprend à écrire nos modèles proprement. Si on sépare bien les "murs" des "moyennes", on obtient les meilleures réponses possibles avec les données dont on dispose.

L'image finale :
Au lieu de construire un château de cartes fragile qui s'effondre dès qu'on change une règle (l'ancienne méthode), Li Xiong Li nous donne un bloc de béton armé. Même si le terrain est irrégulier (modèle incomplet) et que le vent souffle fort (données imparfaites), ce bloc reste solide et nous dit exactement jusqu'où nous pouvons aller en toute sécurité.

Résumé technique

Voici un résumé technique détaillé de l'article de recherche de Lixiong Li, intitulé « Identification et analyse contrefactuelle dans les modèles incomplets avec restrictions de support et de moments ».

1. Problématique et Contexte

L'article aborde les défis méthodologiques et computationnels liés à l'analyse contrefactuelle dans les modèles structurels incomplets.

• Modèles incomplets : Contrairement aux modèles classiques qui prédisent un résultat unique pour des paramètres et des variables observées donnés, ces modèles (fréquents en économie industrielle, jeux, choix discrets) génèrent un ensemble de résultats possibles (prédictions ensemblistes). Cela survient souvent en raison de l'existence de multiples équilibres (ex: jeux d'entrée) ou de l'incertitude sur les variables latentes.
• Le problème de l'analyse contrefactuelle : La démarche conventionnelle (« estimer puis simuler ») échoue ici. Une fois les paramètres estimés, la simulation des résultats contrefactuels nécessite de choisir un équilibre spécifique ou de faire des hypothèses supplémentaires sur la distribution des variables latentes, ce qui peut biaiser les résultats ou être computationnellement impossible.
• Limites des méthodes existantes : Les approches d'identification partielle basées sur la théorie des ensembles aléatoires (random sets) et la fonction de support exigent souvent une condition de bornitude intégrable (integrable boundedness). Or, dans de nombreuses analyses contrefactuelles économiquement pertinentes (calcul du surplus, du profit, du bien-être), les ensembles de prédictions peuvent être non bornés, violant cette hypothèse et rendant les résultats de « sharp identification » (identification précise) inapplicables.

2. Méthodologie : Cadre Unifié

L'auteur propose un cadre unifié qui reformule l'analyse contrefactuelle non pas comme une étape de simulation post-estimation, mais comme un problème d'identification structurelle intégré.

• Modèle de base (Support et Moments) : Le modèle est défini par deux types de restrictions sur les variables latentes $U$ et observées $Z$ :
  1. Restriction de support : $(U, Z) \in \Gamma(\theta)$ (définie par la théorie économique, ex: conditions d'équilibre).
  2. Restrictions de moments : $E[r(U, Z; \theta)] = 0$ (contraintes sur les variables latentes sans spécifier leur distribution complète).
• Intégration Contrefactuelle : L'auteur montre que l'identification des paramètres structurels $\theta$ et des paramètres contrefactuels $\tilde{\theta}$ sont des tâches isomorphes.
  • Il construit un modèle augmenté où les variables contrefactuelles ($\tilde{Y}, \tilde{U}$) et les paramètres d'intérêt ($\tilde{\theta}$) sont traités comme des variables latentes et des paramètres structurels supplémentaires.
  • Les restrictions contrefactuelles (nouvelles conditions d'équilibre, définitions de paramètres) sont empilées avec les restrictions de base pour former un seul système de support et de moments.
  • Avantage : Cela évite la simulation explicite des résultats contrefactuels. L'inférence sur $\tilde{\theta}$ se fait directement via des procédures d'inférence pour des sous-vecteurs dans le modèle augmenté.

3. Contributions Clés et Résultats Théoriques

L'article apporte deux contributions majeures à la théorie de l'identification partielle :

A. Extension au-delà de la Bornitude Intégrable

L'auteur démontre que la méthode de la fonction de support (support-function approach) reste valide même lorsque l'hypothèse de bornitude intégrable (Assomption 2 dans le papier) est violée, ce qui est fréquent dans les exercices contrefactuels.

• Enveloppe de moments (Moment Closure) : Il introduit le concept d'enveloppe de moments de l'ensemble identifié, notée $\Theta_I^c(F)$. C'est l'ensemble des paramètres pour lesquels les restrictions de moments peuvent être satisfaites arbitrairement bien (la violation des moments peut être rendue infiniment petite), par opposition à l'ensemble identifié strict $\Theta_I(F)$ où la violation doit être exactement nulle.
• Théorème 2 : Sous des conditions de régularité minimales (Assomption 1), l'ensemble défini par les inégalités de la fonction de support coïncide exactement avec l'enveloppe de moments $\Theta_I^c(F)$, et non nécessairement avec l'ensemble identifié strict $\Theta_I(F)$.

B. Indistinguabilité en Échantillon Fini et Irréductibilité

L'auteur résout le problème de la divergence potentielle entre l'ensemble identifié et son enveloppe de moments.

• Condition d'Irréductibilité : Il définit une condition où le modèle est formulé de manière à ce que toutes les implications de support soient explicites dans la restriction de support, et non cachées dans les restrictions de moments. Un modèle est irréductible si aucune rotation linéaire des moments ne peut révéler une restriction de support déterministe supplémentaire.
• Théorème 3 (Indistinguabilité) : Pour les modèles irréductibles, l'ensemble identifié $\Theta_I(F)$ et son enveloppe de moments $\Theta_I^c(F)$ sont statistiquement indistinguables en échantillon fini. Cela signifie qu'aucun test statistique ne peut rejeter l'hypothèse nulle qu'un paramètre appartient à l'ensemble identifié contre l'alternative qu'il appartient à l'enveloppe de moments.
• Implication pratique : Si le modèle est écrit sous une forme irréductible, la méthode de la fonction de capture l'ensemble des paramètres que l'on peut réellement apprendre des données, même si la bornitude intégrable échoue.

4. Illustrations et Exemples

L'article utilise plusieurs exemples pour illustrer les scénarios :

1. Jeu d'entrée statique : Montre comment l'ajout de paramètres contrefactuels (comme le profit total) peut rendre l'ensemble non borné (violation de la bornitude), mais où la méthode de la fonction de support donne toujours les bornes correctes (unilatérales ou bilatérales selon les contraintes de moments).
2. Estimation de fonction de production : Illustre comment des restrictions de moments sur la variance peuvent fournir des bornes finies même si le support des chocs latents est non borné.
3. Régression avec variable censurée par intervalle : Démontre le danger de traiter une restriction de support (l'intervalle) comme une simple restriction de moment. Cela peut rendre la méthode de la fonction de support totalement non informative (l'ensemble devient l'espace entier), alors que l'ensemble identifié reste informatif. Cela souligne l'importance cruciale de la formulation irréductible.

5. Signification et Impact

• Justification pratique : L'article fournit une justification théorique robuste pour l'utilisation de la méthode de la fonction de support dans des contextes contrefactuels complexes où les conditions classiques échouent.
• Changement de paradigme : Il suggère de passer d'une recherche de l'« identification précise » (sharp identification) de l'ensemble théorique à l'identification de l'ensemble indistinguable en échantillon fini. Cette perspective est plus pertinente pour la pratique empirique.
• Flexibilité : Le cadre permet d'incorporer des restrictions sur les variables latentes sans spécifier leur distribution complète, rendant l'approche applicable à une large classe de modèles structurels (jeux, choix discrets, modèles de production).
• Guidance pour l'application : Il met en garde les chercheurs contre le mélange des restrictions de support et de moments, en recommandant de formuler les modèles de manière irréductible pour garantir que les bornes obtenues sont informatives et statistiquement valides.

En résumé, ce papier établit un pont théorique solide entre l'identification structurelle et l'analyse contrefactuelle dans les modèles incomplets, en étendant la validité des méthodes de fonction de support au-delà de leurs limites traditionnelles et en prouvant leur pertinence statistique pour les données réelles.