📈 economics

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

यह शोधपत्र एक बाधा प्रोग्रामिंग (constraint programming) ढांचे को प्रस्तुत करता है जो गणनात्मक रूप से कठिन सीमित-तर्कसंगत (bounded-rational) चयन मॉडलों की व्याख्यात्मक और कल्याण-प्रासंगिक सामग्री को संकलित करता है, यह प्रदर्शित करते हुए कि सीमित-ध्यान वाले मॉडल मानव व्यवहार की प्रभावी ढंग से व्याख्या करते हैं जबकि नए चयन मानदंड उनकी भविष्य कहने वाली अनिश्चितता को महत्वपूर्ण रूप से कम करते हैं।

मूल लेखक: Özgür Akgün, Georgios Gerasimou

प्रकाशित 2026-07-07

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Özgür Akgün, Georgios Gerasimou

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य चित्र: हमें इस शोध पत्र की आवश्यकता क्यों है?

कल्पना कीजिए कि आप किसी को मेनू से भोजन चुनते हुए देख रहे हैं। यदि वे एक "पूर्णतः तर्कसंगत" (perfectly rational) व्यक्ति हैं, तो उनके पास पसंदीदा चीजों की एक स्पष्ट सूची होती है (जैसे, पिज्जा > बर्गर > सलाद) और वे हमेशा उस सूची के सबसे अच्छे आइटम को चुनते हैं। यह मानक "तर्कसंगत विकल्प" (Rational Choice) मॉडल है जिसका अर्थशास्त्री आमतौर पर उपयोग करते हैं।

लेकिन वास्तविक जीवन में, लोग पूर्ण नहीं होते। कभी-कभी वे पिज्जा के बजाय सलाद चुन लेते हैं, भले ही उन्हें पिज्जा बहुत पसंद हो। क्यों?

शॉर्टलिस्टिंग (Shortlisting): शायद उन्होंने पहले यह तय किया, "मैं पनीर वाली कोई भी चीज़ नहीं खाऊँगा," इसलिए उन्होंने पिज्जा और बर्गर को तुरंत हटा दिया, और फिर जो बचा था उसमें से सलाद चुना।
सीमित ध्यान (Limited Attention): शायद मेनू इतना बड़ा था कि उन्होंने केवल पहले तीन आइटम देखे, पिज्जा को मिस कर दिया, और सलाद चुन लिया।

द दशकों से, अर्थशास्त्रियों ने इन "अपूर्ण" व्यवहारों (जिन्हें शॉर्टलिस्टिंग और सीमित ध्यान कहा जाता है) का वर्णन करने के लिए जटिल गणितीय मॉडल बनाए हैं। समस्या क्या है? ये मॉडल इतने लचीले हैं कि वे लगभग किसी भी चीज़ की व्याख्या कर सकते हैं। यदि आप कोई अजीब चुनाव देखते हैं, तो आप आमतौर पर एक कहानी (नियमों का एक विशिष्ट सेट या एक विशिष्ट "अंध बिंदु") बना सकते हैं जो उसे फिट कर सके।

चूंकि ये मॉडल इतने लचीले हैं, इसलिए इनका परीक्षण करना कठिन है। यह एक ऐसे जासूस की तरह है जो हर मामले के लिए एक नया संदिग्ध बनाकर किसी भी अपराध को सुलझाने का दावा करता है। आप यह नहीं बता सकते कि जासूस बुद्धिमान है या बस मनगढ़ंत कहानियाँ बना रहा है।

यह शोध पत्र उस समस्या को हल करने के लिए एक नया उपकरण पेश करता है। लेखक कन्स्ट्रेंट प्रोग्रामिंग (Constraint Programming) नामक कंप्यूटर विज्ञान के एक प्रकार का उपयोग एक सुपर-कुशल फिल्टर के रूप में करते हैं। वे केवल यह नहीं पूछते, "क्या यह मॉडल डेटा की व्याख्या कर सकता है?" बल्कि वे पूछते हैं, "सबसे अच्छा स्पष्टीकरण क्या है, और कितने अलग-अलग स्पष्टीकरण मौजूद हैं?"

उपकरण: "स्मार्ट सर्च इंजन"

इन उलझे हुए मॉडलों को नियंत्रित करने के लिए लेखक दो मुख्य कम्प्यूटेशनल तरकीबों का उपयोग करते हैं:

कन्स्ट्रेंट प्रोग्रामिंग (CP): कल्पना कीजिए कि आप लाखों चाबियों से भरे एक विशाल, अंधेरे कमरे में एक विशिष्ट चाबी खोजने की कोशिश कर रहे हैं। एक सामान्य खोज हर एक चाबी को एक-एक करके चेक करेगी (ब्रूट फोर्स)। CP एक ऐसे रोबोट की तरह है जिसे चाबी के छेद का आकार पता है। यह तुरंत उन सभी चाबियों को बाहर कर देता है जो बहुत बड़ी, बहुत छोटी या गलत आकार की हैं, जिससे खोज केवल कुछ संभावित उम्मीदवारों तक सीमित हो जाती है। यह कंप्यूटर को बिना क्रैश हुए इन मॉडलों की विशाल जटिलता को संभालने की अनुमति देता है।
कन्स्ट्रेंट डोमिनेंस प्रोग्रामिंग (CDP): यह "गुणवत्ता नियंत्रण" का चरण है। कल्पना कीजिए कि आपको ताले में फिट होने वाली 1,000 चाबियाँ मिल जाती हैं। चुनने के लिए यह बहुत अधिक हैं। CDP आपको "खराब" चाबियों को फेंकने में मदद करता है।
- नियम: यदि चाबी A ताले में फिट होती है और वह एक "आदर्श" चाबी के अधिक समान है, तो हम चाबी B को फेंक देते हैं।
- लक्ष्य: वे उन स्पष्टीकरणों को खोजना चाहते हैं जो "पूर्ण तर्कसंगतता" के सबसे करीब हों। यदि किसी व्यक्ति ने ज्यादातर तर्कसंगत व्यवहार किया लेकिन एक छोटी सी गलती की, तो हम वह कहानी खोजना चाहते हैं, न कि ऐसी कहानी जहाँ वे पूरी तरह से अराजक (chaotic) हों।

प्रयोग: "बुना हुआ ड्रेस" टेस्ट

अपने नए उपकरणों का परीक्षण करने के लिए, लेखकों ने बुने हुए सामानों (ड्रेस और पोंचो) को चुनने में शामिल लोगों के दो वास्तविक प्रयोगों के डेटा का विश्लेषण किया।

सेटअप: लोगों को वस्तुओं के समूह (मेनू) दिखाए गए और एक चुनने के लिए कहा गया।
निष्कर्ष:
- अधिकांश लोग वास्तव में काफी तर्कसंगत थे। लगभग 70-90% चयनों को एक सरल "मुझे यह सबसे ज्यादा पसंद है" वाली सूची द्वारा समझाया जा सकता था।
- बाकी लोगों के लिए: "सीमित ध्यान" वाले मॉडलों (जहाँ लोग कुछ वस्तुओं को अनदेखा कर देते हैं) ने अजीब चयनों की बेहतर व्याख्या की, बजाय "शॉर्टलिस्टिंग" मॉडलों (जहाँ लोग नियमों के आधार पर वस्तुओं को हटा देते हैं) के।
- पेंच (The Catch): "सीमित ध्यान" वाले मॉडल बहुत अच्छे थे। वे इतने लचीले थे कि वे वास्तविक चयनों के समान ही रैंडम अनुमान (random guessing) की भी व्याख्या कर सकते थे। यह एक ऐसे जासूस की तरह था जो निर्दोष संदिग्ध के मामले में भी अपराध सुलझा सकता था।

"अनिश्चितता" (Indeterminacy) की समस्या: बहुत सारे उत्तर

यहाँ शोध पत्र का सबसे आश्चर्यजनक हिस्सा है। अपने "गुणवत्ता नियंत्रण" फिल्टरों का उपयोग करके सर्वश्रेष्ठ स्पष्टीकरण खोजने के बाद भी, अभी भी बहुत सारे स्पष्टीकरण बाकी थे।

उपमा: कल्पना कीजिए कि आप अपने दोस्त के गुप्त पासवर्ड का अनुमान लगाने की कोशिश कर रहे हैं।
- तर्कसंगत विकल्प (Rational Choice): आमतौर पर संकेतों के अनुकूल केवल एक ही पासवर्ड होता है।
  - सीमित तर्कसंगतता (Shortlisting/Attention): खराब अनुमानों को छानने के बाद भी, आपके पास अभी भी हजारों पासवर्ड हो सकते जो संकेतों के अनुकूल बैठते हैं।

लेखकों ने पाया कि "सीमित ध्यान" वाले मॉडलों के लिए, अक्सर एक ही व्यक्ति के चयनों की व्याख्या करने के लिए हजारों अलग-अलग "कहानियां" (नियमों और ब्लाइंड स्पॉट्स के संयोजन) मौजूद थीं। इसे अनिश्चितता (indeterminacy) कहा जाता है। इसका अर्थ यह है कि भले ही मॉडल डेटा के साथ पूरी तरह फिट बैठता हो, फिर भी हमें यह नहीं पता कि उस व्यक्ति ने वह चुनाव क्यों किया। हम जानते हैं कि उनका ध्यान सीमित था, लेकिन हम यह नहीं जानते कि उन्होंने ठीक-ठीक किन वस्तुओं को अनदेखा किया।

"रैंडमनेस" (Randomness) की जाँच

यह देखने के लिए कि कौन से मॉडल वास्तव में उपयोगी थे, लेखकों ने एक "झूठ पकड़ने वाला" (lie detector) परीक्षण चलाया। उन्होंने पूछा: "क्या एक व्यक्ति जो केवल रैंडम अनुमान लगा रहा है (जैसे सिक्का उछालना) इन चयनों को कर सकता था?"

परिणाम: "सीमित ध्यान" वाले मॉडल इतने लचीले थे कि वे वास्तविक मानवीय चयनों के लगभग समान रूप से रैंडम अनुमान की भी व्याख्या कर सकते थे। यह उन्हें व्यवहार की भविष्यवाणी करने के लिए कम भरोसेमंद बनाता है।
विजेता: "शॉर्टलिस्टिंग" मॉडल, विशेष रूप से वह संस्करण जहाँ नियम तार्किक और सुसंगत (transitive) हैं, एकमात्र ऐसा मॉडल था जो डेटा की व्याख्या रैंडम अनुमानों की व्याख्या किए बिना कर सका। यह सबसे "ईमानदार" मॉडल था।

निष्कर्ष (The Bottom Line)

शोध पत्र एक ट्रेड-ऑफ (समझौते) के साथ समाप्त होता है:

जटिलता बनाम स्पष्टता: अधिक जटिल मॉडल (सीमित ध्यान) वास्तविक जीवन में दिखने वाले अधिक अजीब चयनों की व्याख्या करते हैं।
लागत: क्योंकि वे बहुत कुछ समझाते हैं, वे बहुत अस्पष्ट भी हैं। वे हमें एक चुनाव के पीछे हजारों संभावित कारणों के साथ छोड़ देते हैं, जिससे यह जानना कठिन हो जाता है कि निर्णय को वास्तव में क्या प्रेरित कर रहा है।
सिफारिश: यदि आप किसी व्यक्ति की वास्तविक प्राथमिकताओं (उनके कल्याण/welfare) को समझना चाहते हैं, तो सरल, अधिक संरचित मॉडल (जैसे तर्कसंगत विकल्प या तार्किक शॉर्टलिस्टिंग) अक्सर बेहतर होते हैं। भले ही वे डेटा के साथ पूरी तरह फिट न बैठें, लेकिन वे जो कुछ ही उत्तर देते हैं, वे उन हजारों अस्पष्ट उत्तरों की तुलना में बहुत अधिक विश्वसनीय होते हैं जो जटिल मॉडल प्रदान करते हैं।

संक्षेप में: लेखकों ने यह परीक्षण करने के लिए एक सुपर-स्मार्ट कंप्यूटर फिल्टर बनाया कि हम अपूर्ण मानवीय चयनों को कितनी अच्छी तरह समझ सकते हैं। उन्होंने पाया कि हालांकि हम जटिल नियमों के साथ लगभग किसी भी चीज़ की व्याख्या कर सकते हैं, लेकिन "सबसे अच्छा" स्पष्टीकरण अक्सर वह सरल होता है जो रैंडम शोर (noise) की भी व्याख्या नहीं करता।

तकनीकी सारांश: सीमित-तर्कसंगत चयन के मॉडलों का निष्कर्षण: एक कंस्ट्रेंट प्रोग्रामिंग दृष्टिकोण

1. समस्या विवरण
यह शोध पत्र सीमांत-तर्कसंगत चयन सिद्धांत (bounded-rational choice theory) के साहित्य में एक महत्वपूर्ण अंतराल को संबोधित करता है। जबकि मैनज़िनी और मारियोटी (2007) द्वारा "रेशनल शॉर्टलिस्ट मेथड" (RS) और मसातिलोग्लू एट अल. (2012) एवं लिएरास एट अल. (2017) द्वारा "चॉइस विद लिमिटेड अटेंशन" (CLA) और "ओवरवेल्मिंग चॉइस" (OC) जैसे प्रभावशाली मॉडलों का सैद्धांतिक रूप से व्यापक अध्ययन किया गया है, वे अपनी पूर्ण व्यापकता में अनुभवजन्य रूप से कम परीक्षित रहे हैं। प्राथमिक बाधाएं हैं:

कंप्यूटेशनल जटिलता (Computational Intractability): विकल्पों की संख्या के साथ व्यवहारिक प्रिमिटिव्स (वरीयताएँ और अटेंशन फिल्टर्स) का स्थान तेजी से बढ़ता है, जिससे मानक डेटासेट के लिए संगत मॉडलों की ब्रूट-फोर्स गणना करना असंभव हो जाता है।
गैर-पहचान (Non-Identification): ये मॉडल आम तौर पर 'आइडेंटिफाइड' नहीं होते हैं; एक एकल डेटासेट को हजारों अलग-अलग मॉडल इंस्टेंस (विभिन्न वरीयता क्रम और फिल्टर्स) द्वारा समझाया जा सकता है, जिससे कल्याण अनुमान (कल्याण संबंधी वरीयताओं को निर्धारित करना) अनिश्चित हो जाता है।
कल्याण-प्रासंगिक निष्कर्षण का अभाव: मौजूदा अनुभवजन्य परीक्षण अक्सर "पास-या-फेल" के अभिज्ञान (axiomatic checks) पर निर्भर करते हैं। उन मॉडलों के पूर्ण व्याख्यात्मक और कल्याण-प्रासंगिक सामग्री को निकालने के लिए उपकरणों की कमी है, विशेष रूप से यह पहचानने के लिए कि कौन से संगत प्रिमिटिव्स कल्याण विश्लेषण के लिए सबसे अधिक संभावित हैं।

2. कार्यप्रणाली
लेखक कंप्यूटेशनल और पहचान संबंधी चुनौतियों से निपटने के लिए कंस्ट्रेंट प्रोग्रामिंग (CP) और कंस्ट्रेंट डोमिनेंस प्रोग्रामिंग (CDP) का उपयोग करते हुए एक कम्प्यूटेशनल ढांचे का परिचय देते हैं।

कंस्ट्रेंट प्रोग्रामिंग (CP): मानक अनुकूलन (optimization) के बजाय, लेखक समस्या को निर्णय चर (decision variables - जो वरीयता और फिल्टर जैसे संबंधों का प्रतिनिधित्व करते हैं), उनके डोमेन और डेटा से प्राप्त तार्किक बाधाओं (logical constraints) का उपयोग करके मॉडल करते हैं। वे उच्च-स्तरीय आर्थिक मॉडलों को Minion सॉल्वर के लिए सॉल्वर-अनुकूल इनपुट में अनुवादित करने के लिए Essence भाषा, Conjure, और Savile Row का उपयोग करते हैं।
- तंत्र: CP 'इनफरेंस' (कन्स्ट्रेंट प्रोपेगेशन) का उपयोग करके सर्च स्पेस को छोटा करने के लिए बाधाओं द्वारा कुछ मानों को खारिज करता है, जिससे ब्रूट-फोर्स गणना से बचा जा सके।
- अनुप्रयोग: यह मॉडलों के लिए "डिस्टेंस स्कोर" (Houtman-Maks स्कोर के समान) की गणना करने की अनुमति देता है, जो उन न्यूनतम चॉइसों का प्रतिनिधित्व करता है जिन्हें एक मॉडल को पूरी तरह से फिट होने के लिए छोड़ना होगा। यह विशिष्ट स्कोर प्राप्त करने वाले सभी प्रिमिटिव्स की गणना भी सक्षम बनाता है।
कंस्ट्रेंट डोमिनेंस प्रोग्रामिंग (CDP): गैर-पहचान को संबोधित करने के लिए, लेखक डोमिनेंस-आधारित परिशोधन (refinements) पेश करते हैं।
- डोमिनेंस मानदंड:
  - RS के लिए: एक इंस्टेंस $(\succ^a_1, \succ^a_2)$ , $(\succ^b_1, \succ^b_2)$ पर हावी (dominate) होता है यदि $a$ के संबंध $b$ के सुपरसेट हैं (अर्थात, अधिक पूर्ण/तर्कसंगत)।
  - CLA/OC के लिए: एक इंस्टेंस $(\Gamma^a, \succ^a)$ , $(\Gamma^b, \succ^b)$ पर हावी होता है यदि वे एक ही वरीयता क्रम साझा करते हैं लेकिन $\Gamma^a$ हर मेनू में $\Gamma^b$ की तुलना में कम से कम उतने ही विकल्पों पर विचार करता है (अर्थात, कम प्रतिबंधात्मक ध्यान)।
- तंत्र: CDP इन डोमिनेंस संबंधों को सीधे खोज प्रक्रिया में एकीकृत करता है। जब एक समाधान मिल जाता है, तो सॉल्वर एक "ब्लॉकिंग कंस्ट्रेंट" जोड़ता है ताकि वर्तमान समाधान द्वारा डोमिनेट किए गए भविष्य के समाधानों को बाहर किया जा सके। यह सभी समाधानों को सूचीबद्ध करने और बाद में उन्हें फ़िल्टर करने के अक्षम "जनरेट-एंड-टेस्ट" दृष्टिकोण से बचता है।
पूर्वानुमानित सफलता के उपाय: लेखक रैंडम चॉइस व्यवहार (Bronars, 1987) के विरुद्ध मॉडल के प्रदर्शन की तुलना करने के लिए सेल्टन (1991) के उपायों (अंतर और अनुपात) का उपयोग करते हैं, जिससे व्याख्यात्मक शक्ति और अनुमतता (permissiveness) दोनों का आकलन किया जाता है।

3. मुख्य योगदान

पद्धतिगत नवाचार: यह शोध पत्र RS, CLA और OC मॉडलों की पूर्ण व्यापकता पर CP और CDP लागू करने वाला पहला कार्य है। यह एक टूल चेन प्रदान करता है जो सभी संगत प्रिमिटिव्स की गणना करने और अनडोमिनेटेड (कल्याण-प्रासंगिक) प्रिमिटिव्स के निष्कर्षण की अनुमति देता है।
कल्याण परिशोधन: यह उन मॉडल इंस्टेंस को चुनने के लिए मानदण्ड प्रस्तावित करता है जो रेशनल चॉइस (RC) के "निकटतम" हैं। RS के लिए, इसका अर्थ अधिक पूर्ण वरीयता संबंधों को प्राथमिकता देना है; CLA/OC के लिए, इसका अर्थ बड़े विचार सेटों (consideration sets) को प्राथमिकता देना है।
अनुभवजन्य ढांचा: लेखक यह प्रदर्शित करते हैं कि कैसे बाइनरी पास/फेल परीक्षणों से आगे बढ़कर डेटा के प्रति मॉडल की निकटता को मापा जाए, समाधान सेटों को सूचीबद्ध किया जाए और रैंडम व्यवहार के विरुद्ध पूर्वानुमानित सफलता का आकलन किया जाए।

4. अनुभवजन्य परिणाम
इस ढांचे को मैनज़िनी (2023) के दो डेटासेट्स पर लागू किया गया है: "फोर ड्रेसेस" (4 विकल्प, 11 मेनू) और "फाइव पोंचोस" (5 विकल्प, 16 मेनू)।

व्याख्यात्मक शक्ति:
- CLA और OC (सीमित-ध्यान मॉडल), RS (शॉर्टलिस्टिंग) की तुलना में विषयों के चॉइस को पूरी तरह से समझाने में काफी उच्च अनुपात प्रदर्शित करते हैं। "फाइव पोंचोस" डेटासेट में, CLA विषयों को 100% पूरी तरह से समझाता है।
- हालांकि, सीमित-ध्यान मॉडल अधिक अनुमत (permissive) भी हैं, जिसका अर्थ है कि वे रैंडम चॉइस डेटा को समझाने की अधिक संभावना रखते हैं (सेल्टन के अनुपात में उच्च "क्षेत्र")।
- RS (विशेष रूप से ट्रांसिटिव सबक्लास, $RS_{order}$ ) कम विषयों को पूरी तरह से समझाता है लेकिन कम अनुमत है।
अनिश्चितता और सरलता (Parsimony):
- गैर-पहचान: परिशोधन के बिना, संगत प्रिमिटिव्स की संख्या विशाल है (जैसे, 4D डेटासेट में CLA के लिए हजारों)।
- परिशोधन का प्रभाव: डोमिनेंस मानदंड प्रिमिटिव्स के सेट को नाटकीय रूप से कम कर देते हैं। 4D डेटासेट में, 83.3% से 99.6% संगत इंस्टेंस को डोमिनेटेड मानकर हटा दिया गया था।
- सरलता का ट्रेड-ऑफ: परिशोधन के बावजूद, सीमांत-तर्कसंगत मॉडल आमतौर पर रेशनल चॉइस (RC) की तुलना में अधिक संगत प्रिमिटिव्स (उच्च अनिश्चितता) प्रदान करते हैं। उन विषयों के लिए जो केवल लगभग RC के अनुरूप हैं, संगत वरीयता क्रमों की संख्या आमतौर पर अद्वितीय या बहुत कम होती है (औसत 1), जबकि सीमांत-तर्कसंगत मॉडल अक्सर कई अनडोमिनेटेड प्रिमिटिव्स छोड़ देते हैं।
यादृच्छिकता (Randomness) के प्रति मजबूती:
- ब्रोनर्स (Bronars) के परीक्षण का उपयोग करते हुए, लेखक पाते हैं कि RC के अधिकांश अनुमानित फिट और $RS_{order}$ के पूर्ण फिट "गैर-यादृच्छिकता" जांच में सफल रहते हैं।
- इसके विपरीत, CLA और OC के पूर्ण फिट अक्सर इस जांच में विफल रहते हैं, जो बताता है कि उनकी उच्च व्याख्यात्मक शक्ति वास्तविक व्यवहारिक संरचना को पकड़ने के बजाय उनकी अत्यधिक अनुमतता (over-permissiveness) से उत्पन्न हो सकती है।

5. महत्व और दावे
लेखक इस कार्य को व्यवहारिक रिवील्ड प्रेफरेंस विश्लेषण में एक पद्धतिगत योगदान के रूप में प्रस्तुत करते हैं। उनका दावा है कि:

कंप्यूटेशनल व्यवहार्यता: CP/CDP जटिल, गैर-पैरामीट्रिक सीमांत-तर्कसंगत मॉडलों का उनकी पूर्ण व्यापकता में विश्लेषण करना संभव बनाता है, जिसे पहले कंप्यूटेशनल रूप से निषेधजनक माना जाता था।
कल्याण सामग्री का निष्कर्षण: यह ढांचा शोधकर्ताओं को उनके डोमिनेटेड प्रिमिटिव्स को फ़िल्टर करके इन मॉडलों की कल्याण-प्रासंगिक सामग्री को "निष्कर्षित" करने की अनुमति देता है, जिससे अनिश्चितता कम होती है।
ट्रेड-ऑफ की पहचान: विश्लेषण सीमांत-तर्कसंगत व्यवहार को मॉडल करने में एक मौलिक ट्रेड-ऑफ को उजागर करता है: उच्च व्याख्यात्मक शक्ति वाले मॉडल (जैसे CLA) अक्सर मानक रेशनल चॉइस मॉडल की तुलना में अधिक अनिश्चितता और कम सरलता से ग्रस्त होते हैं।
भविष्य की दिशा: यह शोध पत्र यह दावा नहीं करता है कि इसने पहचान की समस्या को निश्चित रूप से हल कर दिया है, बल्कि यह तर्क देता है कि ये उपकरण मॉडल चयन के एक नए युग को सक्षम करते हैं जो व्याख्यात्मक शक्ति, अनिश्चितता और कंप्यूटेशनल जटिलता के बीच के ट्रेड-ऑफ का स्पष्ट रूप से मूल्यांकन करता है। लेखक इस बात पर जोर देते हैं कि जबकि उनकी विधियाँ गहरी जांच को सुगम बनाती हैं, कल्याण विश्लेषण के लिए मॉडल का अंतिम चयन अभी भी विश्लेषक के विवेक पर निर्भर करता है।