Sintesi Tecnica: Inferenza delle Microfondazioni per la Predizione Strategica

1. Definizione del Problema

Il documento affronta la sfida della predizione performativa, uno scenario in cui un modello predittivo $\theta$ influenza la distribuzione della variabile target perché gli stakeholder (agenti) intraprendono azioni strategiche per massimizzare la propria utilità in risposta al modello. Questo fenomeno, spesso descritto dalla legge di Campbell, crea uno spostamento della distribuzione in cui la distribuzione dei dati $Q_\theta$ è una funzione del predittore $\theta$.

Un collo di bottiglia critico nell'applicazione della teoria della predizione performativa è l'ignoto meccanismo di questo spostamento della distribuzione. Gli approcci esistenti si dividono generalmente in due categorie, entrambe con significativi limiti:

1. Ottimizzazione di ordine zero: Trattare il problema come un'ottimizzazione senza derivate (ad esempio, usando differenze finite). Ciò soffre di una convergenza lenta e della maledizione della dimensionalità perché non modella esplicitamente la mappa della distribuzione $\theta \mapsto Q_\theta$.
2. Modellazione delle microfondazioni: Assumere che gli agenti seguano un modello di risposta specifico (ad esempio, massimizzazione dell'utilità corretta per i costi). Sebbene questi modelli permettano algoritmi di ottimizzazione più veloci fornendo un accesso "white-box" alla mappa della distribuzione, tali modelli sono spesso errati (misspecified). Se la funzione di costo assunta per l'agente è errata, la risultante mappa della distribuzione sarà errata, portando a predittori subottimali o inconsistenti.

Gli autori propongono una metodologia per inferire la microfondazione delle risposte degli agenti direttamente dai dati. Nello specifico, mirano a apprendere la funzione di costo $c$ ignota che governa il modo in cui gli agenti modificano i loro attributi $Z$ in risposta a un modello $\theta$, assumendo che la funzione di beneficio $B_\theta$ sia nota.

2. Metodologia

2.1 Modello di Risposta dell'Agente

Gli autori adottano il quadro standard della predizione performativa in cui gli agenti sono razionali. Dopo l'esposizione a un modello $\theta$, un agente con attributi $Z$ si aggiorna a $Z'$ risolvendo:
$$T_\theta(Z) \in \arg\max_{z' \in \mathcal{Z}} \{ B_\theta(z') - c(Z, z') \}$$
Qui, $B_\theta$ è il beneficio noto (ad esempio, l'output del modello) e $c$ è il costo ignoto per cambiare gli attributi. La distribuzione risultante è la misura push-forward $Q_\theta = (T_\theta)_\# P$, dove $P$ è la distribuzione pre-modello (ex-ante).

2.2 Identificabilità e Divergenze di Bregman

Gli autori osservano che stimare una generica funzione di costo bivariate $c(z, z')$ è impossibile con campioni finiti da un numero finito di distribuzioni. Per affrontare questo problema, restringono la funzione di costo alla classe delle divergenze di Bregman:
$$c_\phi(z, z') = \phi(z') - \phi(z) - \nabla\phi(z)^\top(z' - z)$$
dove $\phi$ è una funzione potenziale strettamente convessa. Ciò riduce il problema di stima da una complessa funzione bivariate alla stima della scalare potenziale $\phi(z)$, mitigando i problemi di identificabilità.

2.3 Stima del Trasporto Ottimale (Optimal Transport)

Il nucleo del metodo proposto sfrutta il Trasporto Ottimale (OT) per allineare le distribuzioni. Basandosi sulla condizione di ottimalità del primo ordine del problema di massimizzazione dell'agente, gli autori derivano che per il vero potenziale $\phi^*$:
$$(\nabla\phi^* - \nabla B_\theta)_\# Q_\theta = (\nabla\phi^*)_\# P$$
Ciò implica che la push-forward della distribuzione ex-post $Q_\theta$ sotto la mappa $(\nabla\phi^* - \nabla B_\theta)$ è identica alla push-forward della distribuzione ex-ante $P$ sotto $\nabla\phi^*$.

Gli autori propongono di stimare $\phi$ trovando una distribuzione "baricentro" $\mu$ che minimizza la somma delle distanze di Wasserstein al quadrato rispetto a queste distribuzioni push-forward. Il problema di ottimizzazione è:
$$\arg\min_{\phi \in \Phi_{cvx}} \min_{\mu \in \Delta(\mathcal{Z})} \left[ W_2^2(\mu, (\nabla\phi)_\# P) + \sum_{k=1}^m W_2^2(\mu, (\nabla\phi - \nabla B_{\theta_k})_\# Q_{\theta_k}) \right]$$
Questo viene risolto tramite un algoritmo di discesa a coordinate a blocchi (Algoritmo 1), alternando l'aggiornamento del baricentro $\mu$ e del potenziale $\phi$.

2.4 Scenari

Il metodo è applicabile in due contesti:

1. Ex-ante ed Ex-post: Il discente ha campioni sia della distribuzione pre-deployment $P$ che di molteplici distribuzioni post-deployment $Q_{\theta_k}$.
2. Solo Ex-post: Il discente ha accesso solo alle distribuzioni post-deployment $Q_{\theta_k}$, stimando $\phi$ allineando le push-forward di queste distribuzioni sotto diversi $\theta_k$.

3. Contributi Chiave

1. Metodo di Stima: Un nuovo metodo per stimare la funzione di costo (all'interno della classe delle divergenze di Bregman) di un modello di microfondazione che massimizza l'utilità. Il metodo si basa sull'allineamento delle distribuzioni pre-modello e post-modello utilizzando il trasporto ottimale.
2. Analisi Teorica:
   • Identificabilità: Gli autori forniscono le condizioni sotto le quali la funzione di costo è identificabile dai dati (ad esempio, il Corollario 4.2 mostra l'identificabilità con una distribuzione ex-ante e una ex-post se la funzione di beneficio è strettamente concava).
   • Tassi di Convergenza: Stabiliscono un tasso di convergenza di $O(n^{-2/d})$ per i parametri stimati sotto ipotesi di forte convessità, derivato dai risultati di convergenza della distanza di Wasserstein empirica.
3. Validazione Empirica: Esperimenti numerici su un dataset di credit scoring dimostrano la capacità del metodo di stimare i costi e migliorare i task a valle (minimizzazione del rischio performativo).

4. Risultati Sperimentali

Gli autori hanno valutato il loro metodo utilizzando un setup semi-sintetico basato su un reale dataset di credit scoring (Kaggle), dove gli agenti manipolano strategicamente le caratteristiche per evitare la classificazione di default.

• Robustezza alla Misspecification: In esperimenti in cui la funzione di beneficio $B_\theta$ era errata (ad esempio, assumendo un beneficio logaritmico quando la verità era radice quadrata), la stima della derivata del potenziale $\phi'$ è diventata distorta. Tuttavia, la mappa di risposta $T_\theta$ risultante è rimasta robusta e le prestazioni predittive non sono state significativamente degradate. Ciò suggerisce che il metodo può tollerare errori nella specificazione della funzione di beneficio.
• Convergenza: L'errore di stima per la mappa di risposta $T_\theta$ è diminuito all'aumentare della dimensione del campione, in linea con le previsioni teoriche.
• Minimizzazione del Rischio Performativo: Quando applicato per minimizzare il rischio performativo (trovare il classificatore ottimale $\theta$), il metodo proposto è convergente significativamente più velocemente verso la soluzione ottimale (Oracle) rispetto ai baseline:
  • Repeated Gradient Descent (RGD) e Performative Gradient Descent (PerfGD): Questi metodi di ordine zero o parzialmente specificati hanno mostrato una convergenza più lenta e, in alcuni casi, non sono riusciti a raggiungere l'oracle a causa di assunzioni (ad esempio, la gaussianità in PerfGD) che non erano rispettate.
  • Least Squares (LS): Un metodo a due fasi che assume una risposta lineare.
  • Risultato: Il metodo proposto ha ottenuto prestazioni competitive, convergendo verso l'oracle all'aumentare del numero di classificatori pubblicati (dimensione del campione).

5. Significato e Rivendicazioni

Il documento sostiene che una corretta inferenza delle microfondazioni degli agenti è un passo cruciale per l'implementazione di modelli socialmente responsabili ed efficaci in contesti strategici. Imparando la funzione di costo dai dati anziché assumere un modello errato, i professionisti possono:

• Utilizzare algoritmi di ottimizzazione a convergenza rapida che richiedono la conoscenza esplicita della mappa della distribuzione, evitando la lenta convergenza dei metodi senza derivate.
• Implementare modelli con maggiore tranquillità riguardo alla misspecification, poiché il metodo è robusto agli errori nella funzione di beneficio.
• Comprendere meglio gli impatti a lungo termine dei modelli predittivi sulle popolazioni, facilitando l'applicazione di vincoli di equità e altri vincoli sociali.

Gli autori concludono che, sebbene il loro lavoro si concentri su agenti strategici, il problema più ampio di apprendere gli spostamenti di distribuzione in contesti performativi non strategici rimane un'area aperta per la ricerca futura. Il codice per l'implementazione è reso pubblicamente disponibile.