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

Questo articolo sviluppa un quadro unificato per l'analisi controfattuale in modelli incompleti, dimostrando che l'identificazione e la simulazione controfattuale sono compiti isomorfi e proponendo un'estensione del metodo della funzione di supporto che garantisce risultati acuti anche quando le tradizionali condizioni di limitatezza sono violate.

L'essenziale

Immagina di essere un detective che deve risolvere un caso, ma invece di avere una foto chiara del sospettato, hai solo una sagoma scura e alcune regole su come si è comportato. Questo è il mondo dei modelli incompleti in economia: sappiamo come funzionano le regole del gioco (come le imprese decidono di entrare in un mercato o come i consumatori scelgono un prodotto), ma il modello non ci dice esattamente quale scelta verrà fatta in ogni singola situazione. Potrebbero esserci diverse soluzioni valide, come un labirinto con più uscite.

Il problema sorge quando vogliamo fare una previsione sul futuro (un'analisi "controfattuale"): "Cosa succederebbe se aumentassimo le tasse?" o "Cosa accadrebbe se due aziende si fondessero?". Tradizionalmente, gli economisti provano a indovinare il passato, calcolare i parametri esatti e poi simulare il futuro. Ma se il modello è un labirinto con più uscite, questa simulazione diventa un incubo: quale uscita scegliere?

Lixiong Li, l'autore di questo documento, ha trovato un modo geniale per aggirare il problema. Ecco la spiegazione semplice, con qualche metafora:

1. Il Problema: Il Labirinto Senza Mappa

Immagina di dover prevedere il traffico domani. Il tuo modello ti dice: "Se piove, il traffico sarà tra 10 e 50 minuti". Non ti dà un numero preciso.
Ora, vuoi sapere: "Se costruisco un nuovo ponte, quanto tempo ci vorrà?".
Il metodo vecchio dice: "Prima indovina esattamente quanto piove oggi (parametri), poi simula il traffico domani". Ma se oggi il modello è ambiguo (tra 10 e 50 minuti), come fai a simulare domani? È come cercare di prevedere il meteo basandosi su una previsione che dice "pioverà un po' o tantissimo".

2. La Soluzione di Li: Unificare il Passato e il Futuro

Li dice: "Non fate due cose separate! Mettete tutto nello stesso calderone".
Invece di separare "cosa è successo" (struttura) da "cosa succederà" (controfattuale), crea un modello ingrandito.

• Metafora: Immagina di avere un puzzle incompleto. Invece di cercare di finire il puzzle originale per poi provare a immaginare come sarebbe stato se i pezzi fossero stati di un altro colore, Li ti dice: "Metti i pezzi del puzzle originale e i pezzi del 'puzzle futuro' (ipotetico) sullo stesso tavolo. Cerca di vedere quali combinazioni di pezzi (parametri) funzionano per entrambi i puzzle contemporaneamente".

In questo modo, non devi più simulare il futuro partendo da un'ipotesi incerta. Tratti il futuro come se fosse un'altra parte del puzzle che deve combaciare con le regole economiche. Se il modello dice che il futuro è ambiguo, lo ammetti e calcoli un intervallo di possibilità, non un numero falso.

3. Il Problema Matematico: I "Fiumi" che non finiscono mai

C'è un ostacolo matematico. I metodi classici funzionano bene se le incertezze sono "limitate" (come un fiume che scorre tra due argini). Ma in economia, quando parliamo di cose come i profitti o il benessere, le cose possono diventare infinite.

• Metafora: Immagina di dover misurare la profondità di un lago. I metodi vecchi dicono: "Il lago ha una profondità massima di 10 metri, quindi possiamo misurarlo". Ma se il lago è in realtà un abisso senza fondo (i profitti possono essere infinitamente alti), i vecchi metodi si rompono e dicono: "Non possiamo calcolare nulla".

Li scopre che anche se il "fiume" è infinito, possiamo ancora ottenere risposte utili.
Introduce un concetto chiamato "Chiusura dei Momenti" (Moment Closure).

• Metafora: Anche se non sappiamo esattamente dove finisce il lago (il "insieme identificato" esatto), sappiamo con certezza che non può essere ovunque. Possiamo disegnare un recinto che racchiude tutte le possibilità ragionevoli. Li dimostra che, nella pratica, questo recinto è indistinguibile dal vero confine del lago quando guardiamo i dati reali. È come dire: "Non sappiamo se il mostro è alto 2 o 3 metri, ma sappiamo che non è alto 100 metri. E per il nostro scopo, sapere che è tra 2 e 3 è sufficiente".

4. La Regola d'Oro: Non nascondere le regole

Un punto fondamentale del paper è come scriviamo le regole.

• Metafora: Immagina di dare istruzioni a un robot.
  • Metodo sbagliato: "Muoviti in modo che la somma dei tuoi passi sia zero" (nascondi il fatto che non puoi andare sotto terra).
  • Metodo di Li: "Non andare sotto terra (regola di supporto) E muoviti in modo che la somma sia zero".
    Li dice che se mescoli le regole di "dove puoi andare" (supporto) con le regole di "quanto ti muovi" (momenti), perdi informazioni preziose. Devi essere esplicito: "Ehi, qui c'è un muro!". Se lo fai, anche se i numeri diventano infiniti, il metodo funziona ancora.

In Sintesi: Cosa ci insegna questo paper?

1. Non separare il passato dal futuro: Quando studi modelli ambigui, tratta le domande sul futuro come parte integrante del puzzle originale.
2. Accetta l'ambiguità: Non serve avere una risposta unica. Avere un intervallo di risposte possibili (es. "il profitto sarà tra 1 e 100 milioni") è meglio di una risposta sbagliata che sembra precisa.
3. Funziona anche con i numeri "infiniti": Anche quando le variabili economiche (come i profitti) possono teoricamente esplodere all'infinito, il metodo di Li ci dice che possiamo comunque tracciare confini utili per prendere decisioni.

L'analogia finale:
È come se fossi un architetto che deve progettare un ponte. Il terreno è instabile (modello incompleto).

• Il metodo vecchio cerca di calcolare esattamente la consistenza del terreno per poi disegnare un ponte perfetto. Se il terreno è troppo variabile, il progetto fallisce.
• Il metodo di Li dice: "Disegniamo un ponte che sia sicuro indipendentemente da quale sia la consistenza esatta del terreno, purché rispetti certe regole fisiche". Non ci serve sapere tutto del terreno per sapere che il ponte reggerà.

Questo approccio rende l'economia più robusta, permettendo di fare previsioni su politiche pubbliche, fusioni aziendali o tasse anche quando il mondo reale è caotico e non offre risposte uniche.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del paper di Lixiong Li, intitolato "Identification and Counterfactual Analysis in Incomplete Models with Support and Moment Restrictions".

1. Il Problema

Il lavoro affronta le sfide metodologiche e computazionali legate all'analisi controfattuale in modelli strutturali incompleti.

• Modelli Incompleti: In molti contesti empirici (es. giochi con equilibri multipli, scelta con attenzione limitata, modelli di asta), il modello strutturale non genera una previsione unica per l'esito, ma un insieme di esiti possibili (predizioni a valori insiemistici).
• Limiti dell'Approccio Tradizionale: La metodologia convenzionale ("stima poi simula") richiede di stimare i parametri strutturali e poi simulare gli esiti controfattuali. Tuttavia, nei modelli incompleti, la simulazione è spesso computazionalmente proibitiva o impossibile senza assumere regole di selezione dell'equilibrio arbitrarie.
• Fallimento delle Condizioni di Regolarità: Le tecniche di identificazione "sharp" (precise) basate sulla teoria degli insiemi casuali (random set theory), come l'approccio della funzione di supporto, richiedono solitamente la condizione di limitatezza integrabile (integrable boundedness) degli insiemi casuali. Questa condizione viene spesso violata in analisi controfattuali economicamente rilevanti (es. calcolo di profitti o surplus), dove le restrizioni di supporto possono essere unilaterali, rendendo gli insiemi non limitati.

2. Metodologia e Quadro Teorico

L'autore propone un quadro unificato che tratta l'identificazione dei parametri strutturali e l'analisi controfattuale come compiti isomorfi.

A. Modello Strutturale di Base

Il modello è caratterizzato da due tipi di vincoli:

1. Vincolo di Supporto: $P((U, Z) \in \Gamma(\theta)) = 1$, dove $U$ sono variabili latenti, $Z$ sono variabili osservate e $\Gamma(\theta)$ definisce l'insieme ammissibile basato sulla teoria economica (es. condizioni di equilibrio).
2. Vincoli di Momento: $E[r(U, Z; \theta)] = 0$, che restringono le distribuzioni delle variabili latenti senza specificarne la forma completa.

B. Il Framework Unificato (Modello Augmentato)

Invece di simulare gli esiti controfattuali, l'autore incorpora le restrizioni controfattuali direttamente nel modello strutturale:

• Si definisce un vettore latente aumentato $U' = (U, \tilde{Y}, \tilde{U})$, dove $\tilde{Y}$ sono gli esiti controfattuali e $\tilde{U}$ eventuali nuove variabili latenti.
• Si definisce un parametro aumentato $\theta' = (\theta, \tilde{\theta})$, dove $\tilde{\theta}$ è il parametro controfattuale di interesse.
• Le restrizioni di supporto e momento controfattuali vengono "impilate" (stacked) con quelle basali per formare un unico modello aumentato di supporto e momenti.
• Risultato: L'identificazione di $\tilde{\theta}$ diventa un problema di identificazione parziale standard all'interno di questo modello aumentato, eliminando la necessità di simulazioni separate.

C. Estensione della Teoria di Identificazione

L'autore estende i risultati di identificazione sharp dell'approccio della funzione di supporto (support-function approach) oltre i limiti della limitatezza integrabile:

1. Moment Closure (Chiusura dei Momenti): Viene introdotta la definizione di moment closure dell'insieme identificato ($\Theta_I^c$). Si dimostra che, anche quando la limitatezza integrabile fallisce, l'approccio della funzione di supporto caratterizza in modo sharp la moment closure dell'insieme identificato, non necessariamente l'insieme stesso.
2. Irreducibilità: Viene introdotta una condizione di irreducibilità. Un modello è riducibile se le restrizioni di supporto sono implicitamente nascoste nei vincoli di momento. Un modello è irreducibile se tutte le implicazioni di supporto sono esplicitate come vincoli di supporto diretti.
3. Indistinguibilità in Campioni Finiti: Il risultato teorico principale è che, per modelli irreducibili, l'insieme identificato ($\Theta_I$) e la sua moment closure ($\Theta_I^c$) sono statisticamente indistinguibili in campioni finiti. Nessun test di dimensione controllata può distinguere l'ipotesi nulla che un parametro appartenga all'insieme identificato dall'ipotesi alternativa che appartenga alla sua chiusura.

3. Risultati Chiave

1. Isomorfismo Identificazione/Controfattuale: L'analisi controfattuale può essere formulata come un problema di identificazione parziale standard all'interno di un modello aumentato, bypassando la simulazione.
2. Robustezza dell'Approccio a Funzione di Supporto: Anche in assenza di limitatezza integrabile (condizione spesso violata in scenari controfattuali reali), l'approccio della funzione di supporto rimane valido per caratterizzare la moment closure.
3. Condizione di Irreducibilità: Se il modello è formulato in modo irreducibile (separando chiaramente vincoli di supporto e di momento), la discrepanza tra l'insieme identificato e la sua chiusura è irrilevante dal punto di vista inferenziale in campioni finiti.
4. Distinzione tra Fallimento Metodologico e Informatività: Il paper chiarisce che quando l'approccio della funzione di supporto produce limiti non informativi (es. l'insieme è tutto lo spazio dei parametri), ciò non è necessariamente un fallimento del metodo, ma può riflettere una mancanza intrinseca di potere identificativo del modello economico sottostante.

4. Significato e Contributi

• Operatività: Fornisce una procedura pratica per condurre analisi controfattuali in modelli complessi (es. giochi, produzione) senza dover specificare distribuzioni complete per le variabili latenti o selezionare equilibri.
• Generalizzazione Teorica: Estende la teoria dell'identificazione parziale a una classe più ampia di modelli, rimuovendo la restrizione della limitatezza integrabile che limitava l'applicabilità delle tecniche esistenti.
• Nuova Prospettiva Inferenziale: Sposta il focus dalla ricerca di un'identificazione "sharp" asintotica (che richiede condizioni forti) alla caratterizzazione di ciò che è indistinguibile in campioni finiti. Questo approccio è più robusto e realistico per la pratica empirica.
• Rilevanza Economica: Permette di derivare limiti validi per grandezze economiche cruciali (profitti, surplus, benessere) che spesso violano le condizioni di regolarità standard, fornendo giustificazioni teoriche per l'uso di metodi esistenti in contesti precedentemente considerati problematici.

In sintesi, il paper offre un framework unificato che trasforma l'analisi controfattuale in un problema di identificazione strutturale, dimostrando che l'approccio della funzione di supporto è uno strumento robusto e teoricamente fondato anche in scenari di incompletezza e violazione delle condizioni di limitatezza, purché il modello sia correttamente formulato (irreducibile).