📈 economics

Distilling Models of Bounded-Rational Choice: A Constraint Programming Approach

Cet article introduit un cadre de programmation par contraintes pour distiller le contenu explicatif et pertinent pour le bien-être des modèles de choix à rationalité limitée computationnellement difficiles, démontrant que les modèles d'attention limitée expliquent efficacement le comportement humain tandis que de nouveaux critères de sélection réduisent considérablement leur indétermination prédictive.

Auteurs originaux : Özgür Akgün, Georgios Gerasimou

Publié 2026-07-07

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Özgür Akgün, Georgios Gerasimou

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

La vue d'ensemble : Pourquoi avons-nous besoin de ce papier ?

Imaginez que vous regardez quelqu'un choisir un plat sur un menu. Si cette personne est « parfaitement rationnelle », elle possède une liste unique et claire de ses favoris (par exemple : Pizza > Burgers > Salade) et elle choisit toujours l'article le meilleur de cette liste. C'est le modèle standard du « Choix Rationnel » généralement utilisé par les économistes.

Mais dans la vraie vie, les gens ne sont pas parfaits. Parfois, ils choisissent la salade plutôt que la pizza, même s'ils adorent habituellement la pizza. Pourquoi ?

La Présélection (Shortlisting) : Peut-être ont-ils d'abord décidé : « Je ne mange rien contenant du fromage », éliminant ainsi immédiatement la pizza et le burger, puis ont choisi la salade parmi ce qu'il restait.
L'Attention Limitée : Peut-être que le menu était si vaste qu'ils n'ont regardé que les trois premiers articles, ont raté la pizza et ont choisi la salade.

Pendant des décennies, les économistes ont construit des modèles mathématiques complexes pour décrire ces comportements « imparfaits » (appelés Présélection et Attention Limitée). Le problème ? Ces modèles sont si flexibles qu'ils peuvent expliquer presque tout. Si vous observez un choix étrange, vous pouvez généralement inventer une histoire (un ensemble spécifique de règles ou un « angle mort » spécifique) qui le fait correspondre.

Parce que ces modèles sont si flexibles, ils sont difficiles à tester. C'est comme avoir un détective capable de résoudre n'importe quel crime en inventant un nouveau suspect pour chaque affaire. On ne peut pas savoir si le détective est intelligent ou s'il invente simplement des histoires.

Ce papier introduit un nouvel outil pour résoudre ce problème. Les auteurs utilisent un type d'informatique appelé Programmation par Contraintes pour agir comme un filtre super efficace. Ils ne se contentent pas de demander : « Est-ce que ce modèle peut expliquer les données ? ». Ils demandent : « Quelle est la meilleure explication, et combien d'explications différentes existe-t-il ? »

Les Outils : Le « Moteur de recherche intelligent »

Les auteurs utilisent deux astuces informatiques principales pour dompter ces modèles désordonnés :

La Programmation par Contraintes (CP) : Imaginez que vous essayiez de trouver une clé spécifique dans une immense pièce sombre remplie de millions de clés. Une recherche normale vérifierait chaque clé une par une (force brute). La CP est comme un robot qui connaît la forme de la serrure. Il élimine instantanément chaque clé trop grande, trop petite ou de la mauvaise forme, réduisant la recherche à seulement quelques candidats. Cela permet à l'ordinateur de gérer la complexité massive de ces modèles sans planter.
La Programmation par Dominance de Contraintes (CDP) : C'est l'étape du « contrôle qualité ». Imaginez que vous trouviez 1 000 clés qui correspondent à la serrure. C'est trop pour choisir. La CDP aide à jeter les « mauvaises » clés.
- La Règle : Si la Clé A correspond à la serrure et qu'elle est plus similaire à une clé « parfaite » que la Clé B, nous jetons la Cl clé B.
- Le But : Ils veulent trouver les explications les plus proches de la « rationalité parfaite ». Si une personne est globalement rationnelle mais a commis une petite erreur, nous voulons trouver cette histoire-là, et non une histoire où elle est totalement chaotique.

L'Expérience : Le test de la « Robe en tricot »

Pour tester leurs nouveaux outils, les auteurs ont examiné des données provenant de deux expériences réelles impliquant des personnes choisissant des articles en tricot (robes et ponchos).

Le Dispositif : Des groupes d'articles (menus) étaient présentés aux gens, qui devaient en choisir un.
Les Résultats :
- La plupart des gens étaient en fait assez rationnels. Environ 70 à 90 % des choix pouvaient être expliqués par une simple liste de type « J'aime ceci par-dessus tout ».
- Pour le reste : Les modèles d'« Attention Limitée » (où les gens ignorent certains articles) expliquaient mieux les choix étranges que les modèles de « Présélection » (où les gens éliminent des articles selon des règles).
- Le Piège : Les modèles d'« Attention Limitée » étaient trop bons. Ils étaient si flexibles qu'ils pouvaient expliquer des choix aléatoires aussi bien que des choix réels. C'était comme un détective capable de résoudre un crime même si le suspect était innocent.

Le Problème de l'« Indétermination » : Trop de réponses

Voici la partie la plus surprenante du papier. Même après avoir utilisé leurs filtres de « contrôle qualité » pour trouver les meilleures explications, il y en avait encore trop.

L'Analogie : Imaginez que vous essayez de deviner le mot de passe secret d'un ami.
- Choix Rationnel : Il y a généralement un seul mot de passe qui correspond aux indices.
- Rationalité Limitée (Présélection/Attention) : Même après avoir filtré les mauvais choix, vous pourriez encore avoir des milliers de mots de passe qui correspondent parfaitement aux indices.

Les auteurs ont découvert que pour les modèles d'« Attention Limitée », il y avait souvent des milliers d'histoires différentes (combinaisons de règles et d'angles morts) pouvant expliquer le choix d'une seule personne. C'est ce qu'on appelle l'indétermination. Cela signifie que même si le modèle correspond parfaitement aux données, nous ne savons toujours pas pourquoi la personne a fait ce choix. Nous savons qu'elle a été limitée dans son attention, mais nous ne savons pas exactement quels articles elle a ignorés.

Le Test de la « Randomité »

Pour voir quels modèles étaient réellement utiles, les auteurs ont effectué un test de « détecteur de mensonges ». Ils ont demandé : « Est-ce qu'une personne qui choisit au hasard (comme lancer une pièce de monnaie) aurait pu faire ces choix ? »

Le Résultat : Les modèles d'« Attention Limitée » étaient si flexibles qu'ils pouvaient expliquer des choix aléatoires presque aussi bien que des choix humains réels. Cela les rend moins dignes de confiance pour prédire le comportement.
Le Gagnant : Le modèle de « Présélection », spécifiquement la version où les règles sont logiques et cohérentes (transitives), était le seul capable d'expliquer les données sans expliquer également le hasard. C'était le modèle le plus « honnête ».

En résumé

Le papier conclut sur un compromis :

Complexité vs Clarté : Les modèles plus complexes (Attention Limitée) expliquent plus de choix étranges que nous observons dans la réalité.
Le Coût : Parce qu'ils expliquent tellement de choses, ils sont aussi très vagues. Ils nous laissent avec des milliers de raisons possibles pour un choix, ce qui rend difficile de savoir ce qui motive réellement la décision.
La Recommandation : Si vous voulez comprendre les préférences réelles d'une personne (son « bien-être » ou welfare), les modèles plus simples et plus structurés (comme le Choix Rationnel ou la Présélection logique) sont souvent meilleurs. Même s'ils ne correspondent pas parfaitement aux données, les quelques réponses qu'ils donnent sont bien plus fiables que les milliers de réponses vagues fournies par les modèles complexes.

En bref : Les auteurs ont construit un filtre informatique super intelligent pour tester la capacité à comprendre les choix imparfaits des humains. Ils ont découvert que, si l'on peut expliquer presque tout avec des règles complexes, la « meilleure » explication est souvent la plus simple, celle qui ne traite pas aussi le bruit aléatoire.

Résumé Technique : Distiller les Modèles de Choix à Rationalité Limitée : Une Approche par la Programmation par Contraintes

1. Énoncé du Problème
L'article traite d'une lacune critique dans la littérature sur la théorie du choix à rationalité limitée. Bien que des modèles influents tels que la « Méthode de la Liste Courte Rationnelle » (RS) de Manzini et Mariotti (2007) et le « Choix avec Attention Limitée » (CLA) ainsi que le « Choix Accablant » (OC) de Masatlioglu et al. (2012) et Lleras et al. (2017) aient été largement étudiés sur le plan théorique, ils restent insuffisamment testés empiriquement dans leur pleine généralité. Les principaux obstacles sont :

Intraitabilité Computationnelle : L'espace des primitives comportementales (préférences et filtres d'attention) croît de manière exponentielle avec le nombre d'alternatives, rendant l'énumération par force brute des modèles compatibles impossible pour des jeux de données standards.
Non-Identification : Ces modèles sont généralement non identifiés ; un seul jeu de données peut être expliqué par des milliers d'instances de modèles distinctes (différents ordonnancements de préférences et filtres), ce qui rend l'inférence de bien-être (déterminer les préférences sous-jacentes du décideur) indéterminée.
Absence de Distillation Pertinente pour le Bien-être : Les tests empiriques existants reposent souvent sur des vérifications axiomatiques de type « réussite ou échec ». Il manque des outils pour distiller le contenu explicatif et pertinent pour le bien-être de ces modèles, plus précisément pour identifier quelles primitives compatibles sont les plus plausibles pour l'analyse du bien-être.

2. Méthodologie
Les auteurs introduisent un cadre computationnel utilisant la Programmation par Contraintes (CP) et la Programmation par Dominance de Contraintes (CDP) pour surmonter les défis computationnels et d'identification.

Programmation par Contraintes (CP) : Au lieu d'une optimisation standard, les auteurs modélisent le problème en utilisant des variables de décision (représentant des relations comme les préférences et les filtres), leurs domaines et des contraintes logiques dérivées des données de choix. Ils utilisent le langage Essence, Conjure et Savile Row pour traduire des modèles économiques de haut niveau en entrées optimales pour le solveur Minion.
- Mécanisme : La CP utilise l'inférence (propagation de contraintes) pour élaguer l'espace de recherche en excluant les valeurs de variables qui ne peuvent satisfaire les contraintes, évitant ainsi l'énumération par force brute.
- Application : Cela permet de calculer des « scores de distance » (analogues au score de Houtman-Maks) pour les modèles, représentant le nombre minimum de choix qui doivent être abandonnés pour qu'un modèle s'ajuste parfaitement. Cela permet également d'énumérer toutes les primitives atteignant un score spécifique.
Programmation par Dominance de Contraintes (CDP) : Pour répondre à la non-identification, les auteurs introduisent des raffinements basés sur la dominance.
- Critères de Dominance :
  - Pour RS : Une instance $(\succ^a_1, \succ^a_2)$ domine $(\succ^b_1, \succ^b_2)$ si les relations dans $a$ sont des super-ensembles de celles de $b$ (c'est-à-dire plus complètes/rationnelles).
  - Pour CLA/OC : Une instance $(\Gamma^a, \succ^a)$ domine $(\Gamma^b, \succ^b)$ si elles partagent le même ordonnancement de préférences mais que $\Gamma^a$ considère au moins autant d'alternatives que $\Gamma^b$ dans chaque menu (c'est-à-dire une attention moins restrictive).
- Mécanisme : La CDP intègre ces relations de dominance directement dans le processus de recherche. Lorsqu'une solution est trouvée, le solveur ajoute une « contrainte de blocage » pour exclure toute solution future dominée par la solution actuelle. Cela évite l'approche inefficace de « génération et test » consistant à énumérer toutes les solutions pour les filtrer ultérieurement.
Mesures de Succès Prédictif : Les auteurs utilisent les mesures de Selten (1991) (différence et ratio) pour comparer la performance des modèles par rapport à un comportement de choix aléatoire (Bronars, 1987), évaluant à la fois le pouvoir explicatif et la permissivité.

3. Principales Contributions

Innovation Méthodologique : Cet article est le premier à appliquer la CP et la CDP à la pleine généralité des modèles RS, CLA et OC. Il fournit une chaîne d'outils permettant l'énumération de toutes les primitives compatibles et la distillation des primitives non dominées (pertinentes pour le bien-être).
Raffinement du Bien-être : Il propose des raffinements normatifs qui sélectionnent les instances de modèles les plus « proches » du Choix Rationnel (RC). Pour RS, cela signifie favoriser des relations de préférence plus complètes ; pour CLA/OC, cela signifie favoriser des ensembles de considération plus larges.
Cadre Empirique : Les auteurs démontent comment dépasser les tests binaires de réussite/échec pour quantifier la proximité d'un modèle avec les données, énumérer les ensembles de solutions et évaluer le succès prédictif par rapport au comportement aléatoire.

4. Résultats Empiriques
Le cadre est appliqué à deux jeux de données de Manzini (2023) : « Four Dresses » (4 alternatives, 11 menus) et « Five Ponchos » (5 alternatives, 16 menus).

Pouvoir Explicatif :
- CLA et OC (modèles d'attention limitée) expliquent une proportion significativement plus élevée de choix de sujets parfaitement par rapport à RS (shortlisting). Dans le jeu de données « Five Ponchos », CLA explique 100 % des sujets parfaitement.
- Cependant, les modèles d'attention limitée sont aussi plus permissifs, ce qui signifie qu'ils sont plus susceptibles d'expliquer des données de choix aléatoires (« aire » élevée dans le ratio de Selten).
- RS (particulièrement la sous-classe transitive, $RS_{order}$ ) explique moins de sujets parfaitement mais est moins permissif.
Indétermination et Parcimonie :
- Non-Identification : Sans raffinement, le nombre de primitives compatibles est massif (par exemple, des milliers pour CLA dans le jeu de données 4D).
- Effet du Raffinement : Les critères de dominance réduisent drastiquement l'ensemble des primitives. Dans le jeu de données 4D, 83,3 % à 99,6 % des instances compatibles ont été écartées comme étant dominées.
- Compromis de Parcimonie : Malgré le raffinement, les modèles de rationalité limitée produisent généralement plus de primitives compatibles (indétermination plus élevée) que le Choix Rationnel (RC). Pour les sujets qui s'ajustent approximativement au RC, le nombre d'ordonnancements de préférences compatibles est typiquement unique ou très faible (médiane de 1), tandis que les modèles de rationalité limitée laissent souvent plusieurs primitives non dominées.
Robustesse face à l'Aléatoire :
- En utilisant le test de Bronars, les auteurs constatent que la plupart des ajustements approximatifs du RC et les ajustements parfaits de $RS_{order}$ survivent au test de « non-aléatorité ».
- À l'inverse, les ajustements parfaits de CLA et OC échouent souvent à ce test, suggérant que leur haut pouvoir explicatif provient de leur sur-permissivité plutôt que de la capture d'une véritable structure comportementale.

5. Signification et Revendications
Les auteurs positionnent ce travail comme une contribution méthodologique à l'analyse de la préférence révélée comportementale. Ils affirment que :

Faisabilité Computationnelle : La CP/CDP rend possible l'analyse de modèles complexes et non paramétriques de rationalité limitée dans leur pleine généralité, une tâche auparavant jugée trop coûteuse sur le plan computationnel.
Distiller le Contenu du Bien-être : Le cadre permet aux chercheurs de « distiller » le contenu pertinent pour le bien-être de ces modèles en filtrant les primitives dominées, atténuant ainsi l'indétermination.
Identification du Compromis : L'analyse met en évidence un compromis fondamental dans la modélisation du comportement imparfaitement rationnel : les modèles ayant un pouvoir explicatif plus élevé (comme CLA) souffrent souvent d'une plus grande indétermination et d'une moindre parcimonie par rapport au modèle de choix rationnel standard.
Direction Future : L'article ne prétend pas résoudre définitivement le problème de l'identification, mais soutient que ces outils permettent une nouvelle génération de sélection de modèles qui évalue explicitement les compromis entre pouvoir explicatif, indétermination et complexité computationnelle. Les auteurs soulignent que, bien que leurs méthodes facilitent une enquête plus approfondie, la sélection finale d'un modèle pour l'analyse du bien-être nécessite toujours le discernement de l'analyste.