A Frequentist Approach to Revealed Preference Analysis

Sintesi Tecnica: Un Approccio Frequentista all'Analisi della Preferenza Rivelata

1. Il Problema

L'analisi della preferenza rivelata (RP) è lo strumento standard per verificare se le scelte osservate di un decisore (DM) siano coerenti con un modello di massimizzazione dell'utilità. Tuttavia, l'approccio tradizionale presenta un limite fondamentale quando si lavora con dati finiti:

• Il problema della potenza statistica: Se un insieme finito di osservazioni supera il test RP (ad esempio, soddisfa le disuguaglianze di Afriat o GARP), ciò non garantisce che il decisore sia razionale. Potrebbe semplicemente esserci un numero insufficiente di dati per rilevare una deviazione dalla razionalità.
• Mancanza di ipotesi alternative: Per condurre un'analisi di potenza (la probabilità di rifiutare un'ipotesi nulla falsa), è necessario definire un'ipotesi alternativa parsimoniosa. Come notato dalla letteratura precedente, non esiste un benchmark ovvio per le alternative ai modelli di scelta razionale.
• Incertezza sulla dimensione del campione: Gli analisti non sanno quanti dati siano necessari per rilevare con alta probabilità una deviazione di una certa entità ($\epsilon$) dalla razionalità.

2. Metodologia

Gli autori propongono un quadro teorico che integra la teoria dell'apprendimento statistico (in particolare l'apprendimento PAC - Probably Approximately Correct) con l'economia della preferenza rivelata.

• Impostazione Frequentista: Il modello sottostante (la funzione di scelta vera $g$) è deterministico, ma i dati sono stocastici perché i prezzi e i redditi sono campionati casualmente da una distribuzione $\mu$.
• Ipotesi di Regolarità: Si assume che la classe di funzioni di scelta $G$ soddisfi una condizione di Lipschitz (regolarità/smoothness). Questo implica che se una funzione di scelta si adatta ai dati osservati, essa deve essere vicina alla funzione di scelta vera su tutto lo spazio dei prezzi, non solo nei punti osservati.
• Definizione delle Ipotesi:
  • $H_0$: La funzione di scelta $g$ appartiene alla classe di preferenze $F$ (es. preferenze razionali).
  • $H_1$: La funzione di scelta $g$ appartiene a $G \setminus F(\epsilon)$, ovvero è "lontana" da $F$ di almeno una distanza $\epsilon$ (misurata tramite l'errore di generalizzazione $erf_\mu$).
• Apprendibilità PAC: Sfruttando i risultati sulla complessità del campione per funzioni Lipschitz, gli autori dimostrano che esiste una dimensione del campione $n(\epsilon, \delta)$ tale che, se $n \geq n(\epsilon, \delta)$, qualsiasi funzione che razionalizza i dati si troverà con probabilità $1-\delta$ entro una sfera di raggio $\epsilon$ dalla funzione vera.

3. Risultati Teorici Principali

• Teoremi di Potenza (Sezione 3):

  • Teorema 3.1 (Forward): Se la dimensione del campione è sufficientemente grande ($n \geq n(\epsilon, \delta)$), un test RP caratteristico ha una potenza di almeno $1-\delta$ contro qualsiasi alternativa che sia $\epsilon$-lontana dal modello nullo.
  • Teorema 3.2 e 3.3 (Inverse): Permettono di calcolare la potenza ottenibile dato un campione fisso, o la minima separazione $\epsilon$ rilevabile dato un livello di confidenza e una dimensione del campione.
  • Concetto Chiave: Il test non rifiuta mai un dataset razionalizzabile (dimensione del test = 0), ma la probabilità di non rifiutare un decisore irrazionale diminuisce all'aumentare dei dati.

• Estensione a Vincoli Funzionali (Sezione 4):

  • L'approccio viene generalizzato oltre le disuguaglianze RP esatte (che possono essere computazionalmente intrattabili, es. NP-hard per la separabilità debole) verso vincoli funzionali $R(g) = 0$.
  • Introducono i concetti di uniforme continuità e regolarità per la funzione $R$. Questo permette di costruire test con dimensione e potenza calcolabili anche quando non esiste una caratterizzazione RP esatta o quando i test esatti sono computazionalmente proibitivi.
  • Algoritmo 1: Fornisce una procedura costruttiva per testare vincoli funzionali con limiti di potenza finiti espliciti.

• Inferenza per Funzionali Lisci (Sezione 4.3):

  • Gli autori mostrano come costruire intervalli di confidenza per grandezze di benessere (es. Variazione Equivalente, indici del costo della vita) basate su funzionali lisci della domanda. La precisione dell'intervallo dipende direttamente dalla complessità del campione necessaria per apprendere la classe di preferenze.

4. Risultati Empirici e Simulazioni

Gli autori simulano dati di domanda perturbati (partendo da preferenze Cobb-Douglas e aggiungendo rumore che viola la simmetria di Slutsky) per valutare la potenza dei test contro diverse classi di preferenze:

• Modelli testati: Massimizzazione dell'utilità statica (SUM), Omoteticità (H), Separabilità Debole (WS), Utilità Attesa (EU).
• Risultati:
  • I test per SUM e WS richiedono dimensioni del campione molto grandi per rilevare piccole deviazioni dalla razionalità.
  • I test per H e EU sono molto più potenti e richiedono campioni più piccoli per raggiungere lo stesso livello di rifiuto.
  • Implicazione: Il fatto che i test RP (come GARP) "rifiutino raramente" i dati empirici potrebbe non indicare che i consumatori sono perfettamente razionali, ma che i dataset sono troppo piccoli per rilevare le deviazioni tipiche di modelli come la massimizzazione dell'utilità statica. Al contrario, i frequenti rigetti dell'Utilità Attesa negli esperimenti potrebbero riflettere la sua alta sensibilità (alta potenza) anche a deviazioni minime.

5. Contributi Chiave e Significato

1. Fondamento Teorico per l'Analisi di Potenza: Fornisce la prima caratterizzazione rigorosa di come la dimensione del campione, la precisione ($\epsilon$) e la confidenza ($\delta$) si relazionino nella verifica della razionalità, risolvendo il problema della mancanza di ipotesi alternative ben definite.
2. Superamento delle Limitazioni Computazionali: Dimostra che è possibile costruire test validi e con potenza garantita per classi di preferenze (come la separabilità debole) dove i test RP esatti sono NP-hard, accettando una piccola dimensione del test (non zero) ma ottenendo complessità computazionale polinomiale.
3. Inferenza sul Benessere: Collega la ricchezza dei dati alla precisione delle stime di welfare, permettendo la costruzione di intervalli di confidenza per misure economiche fondamentali.
4. Ridefinizione dell'Interpretazione dei Test: Sposta il focus dal "rifiuto del dataset" al "rifiuto del decisore". Un test che non rifiuta non conferma la razionalità, ma indica semplicemente che i dati non sono sufficientemente ricchi per rilevare l'irrazionalità, fornendo un quadro più realistico per l'interpretazione dei risultati empirici.

In sintesi, il paper trasforma l'analisi della preferenza rivelata da un approccio puramente deterministico e qualitativo a un framework statistico frequentista quantitativo, permettendo agli analisti di calcolare esattamente quanto siano "forti" i loro test dati i dati a disposizione.