Sintesi Tecnica: Equilibrio di Cross-Validation

1. Definizione del Problema

Questo articolo affronta le implicazioni strategiche dell'integrazione del machine learning (ML) predittivo in giochi bayesiani statici con informazione incompleta. In molti contesti economici (ad es., credit scoring, valutazione del rischio giudiziario), i decisori umani delegano la formazione delle credenze predittive ad algoritmi di ML. Questi algoritmi costruiscono modelli basati su campioni di addestramento casuali estratti dalla distribuzione di equilibrio del gioco stesso.

Il problema centrale è caratterizzare gli esiti di equilibrio quando:

1. I giocatori delegano la formazione delle credenze a un "agente ML".
2. L'agente ML seleziona un modello predittivo (mappatura dei tipi di giocatore agli esiti rilevanti per il payoff) basato su un campione di addestramento rumoroso ed endogeno.
3. Il criterio di selezione del modello imita la cross-validation: l'agente sceglie il modello che minimizza l'errore quadratico medio di previsione fuori campione atteso.
4. I giocatori rispondono poi in modo ottimale alle credenze generate dal modello selezionato.

Gli autori cercano di comprendere come il legame endogeno tra il comportamento dei giocatori e i modelli predittivi generati dall'ML alteri i concetti standard di equilibrio come l'Equilibrio di Nash (NE).

2. Metodologia e Framework del Modello

La Struttura del Gioco

Gli autori formulano un gioco bayesiano leggermente non standard:

• Giocatori: $N = \{1, \dots, n\}$.
• Stati e Tipi: Un insieme di stati $\Theta$ e insiemi di tipi $T_i$.
• Payoff: L'utilità del giocatore $i$, $u_i(a_i, t_i, x_i)$, è continua e lineare rispetto a un esito scalare rilevante per il payoff $x_i$. L'esito $x_i$ è una funzione dello stato e delle azioni degli avversari, $x_i = f_i(\theta, a_{-i})$.
• Campione di Addestramento: Per un profilo di strategie $\sigma_{-i}$ fissato, il vero esito atteso per il giocatore $i$ dato il tipo $t_i$ è $\bar{x}^\sigma_i(t_i)$. L'agente ML osserva un campione di addestramento rumoroso:
  $$y_{t_i} = \bar{x}^\sigma_i(t_i) + \varepsilon_{t_i}$$
  dove $\varepsilon_{t_i}$ sono termini di rumore i.i.d. simmetrici rispetto allo zero.

Il Compito dell'Agente ML

L'agente ML seleziona una partizione $\Pi_i$ dello spazio dei tipi $T_i$ da un insieme ammissibile $\mathcal{P}_i$.

• Previsione: All'interno di ogni cella della partizione $\pi(t_i)$, l'agente predice l'esito utilizzando la media ponderata del campione di addestramento in quella cella.
• Criterio di Selezione: L'agente seleziona la partizione che minimizza l'errore quadratico medio di previsione fuori campione atteso. Ciò comporta l'uso di un campione di validazione con rumore indipendente $\eta$. L'agente valuta le prestazioni della partizione attraverso molti potenziali campioni di validazione.
• Trade-off Bias-Varianza: Il processo di selezione bilancia naturalmente il bias (partizioni grossolane) e la varianza (partizioni fini). Una partizione grossolana può essere selezionata se il rumore del campione di addestramento è elevato, poiché riduce la varianza dello stimatore.

Definizione: Equilibrio di Cross-Validation (CVE)

Un profilo di strategie $\sigma$ è un Equilibrio di Cross-Validation (CVE) se, per ogni giocatore $i$ e per ogni realizzazione del campione di addestramento $\varepsilon_i$:

1. L'agente ML seleziona una partizione $\Pi_i$ che minimizza l'errore di previsione fuori campione atteso dato $\varepsilon_i$ e le strategie degli avversari.
2. Il giocatore sceglie una strategia pura $g_i(t_i)$ che è una best-reply alla credenza indotta dalla partizione $\Pi_i$ selezionata.
3. La strategia mista del giocatore $\sigma_i$ è la miscela di tutti tali accoppiamenti (partizione, strategia) compatibili, pesata dalla probabilità della realizzazione del campione di addestramento.

3. Risultati Teorici Chiave

Esistenza e Convergenza

• Esistenza: Gli autori dimostrano che esiste un CVE in ogni gioco finito utilizzando un argomento di punto fisso su una corrispondenza che mappa i profili di strategie e le distribuzioni delle partizioni su se stessi.
• Convergenza ad ABEE: Quando il rumore del campione di addestramento svanisce ($\text{Var}(\varepsilon) \to 0$), qualsiasi punto limite di una sequenza di CVE converge a un Equilibrio di Aspettativa Basato su Analogie (ABEE) (Jehiel, 2005) rispetto alla partizione più fine ammissibile.
• Convergenza a NE: Se la partizione più fine ammissibile è la partizione singola (che distingue ogni tipo), il CVE converge all'Equilibrio di Nash quando il rumore svanisce.

Proprietà della Selezione del Modello

• Inesattezza (Unbiasedness) dei Modelli Selezionati: Un risultato tecnico cruciale (Proposizione 4) è che il rumore atteso del campione di addestramento condizionato sulla partizione selezionata è zero. Ciò è dovuto al fatto che il criterio di selezione (minimizzazione dell'errore quadratico medio fuori campione con perdita quadratica) e la simmetria della distribuzione del rumore garantiscono che il processo di selezione non introduca un bias sistematico nel rumore.
• Evitare l'Over-fitting: Se la statistica sufficiente è misurabile rispetto a una partizione grossolana, l'agente ML non selezionerà quasi mai una partizione strettamente più fine, poiché una partizione più fine aumenterebbe solo la varianza senza ridurre il bias (Proposizione 3).
• Regola di Selezione della Partizione: In contesti binari (partizioni fini vs. grossolane), la partizione fine viene selezionata se e solo se la varianza del rumore del campione di addestramento realizzato è inferiore alla varianza della statistica sufficiente (Proposizione 5).

4. Applicazioni e Implicazioni Economiche

Il documento applica il CVE a diversi giochi specifici per illustrare differenze qualitative rispetto all'Equilibrio di Nash:

A. Giochi con Payoff Quadratici (Cournot e Sforzo di Squadra)

• Sostituibilità Strategica (Cournot): In una competizione di Cournot, la volatilità delle quantità e dei prezzi di equilibrio in un CVE simmetrico aumenta con la varianza del rumore del campione di addestramento. Ciò accade perché campioni più rumorosi rendono più probabili le partizioni grossolane; sotto sostituibilità strategica, le credenze grossolane (che sottoreagiscono alle fluttuazioni dello stato) portano a reazioni amplificate da parte del giocatore.
• Complementarità Strategica (Sforzo di Squadra): In un gioco di sforzo di squadra, il CVE può esibire equilibri multipli anche quando il gioco sottostante ha un unico equilibrio di Nash. La molteplicità deriva dal fatto che la probabilità di selezionare una partizione fine è crescente con la volatilità delle credenze, che a sua volta dipende dalla selezione della partizione.
• Discontinuità: Anche con un rumore arbitrariamente piccolo, il CVE nel gioco di sforzo di squadra può essere discontinuamente diverso dall'equilibrio di Nash, producendo payoff attesi inferiori.

B. Voto di Unanimità (Modello della Giuria)

In un modello di giuria a due giocatori, la selezione endogena del modello può portare a probabilità di voto per una riforma più elevate rispetto all'efficiente equilibrio di Nash. Il rumore nel campione di addestramento può indurre la selezione di una partizione grossolana, che aggrega le informazioni in modo tale da rendere i giocatori più propensi a votare "Sì" rispetto a quanto farebbero con credenze razionali e dettagliate.

C. Scommesse Speculative

In un gioco di scommesse a somma zero, un giocatore limitato alla "corretta" partizione fine può subire payoff attesi inferiori rispetto a un avversario che ha accesso sia a partizioni fini che grossolane. L'avversario può selezionare strategicamente una partizione grossolana quando le realizzazioni del rumore sono opposte, effettuando efficacemente una media del rumore per formare una credenza corretta ed esercitare un vantaggio sul giocatore limitato. Ciò sfida l'intuizione che più informazione (o il modello corretto) sia sempre superiore.

D. Illusione di Controllo

Gli autori estendono il framework per consentire partizioni dello spazio congiunto di stati e azioni. Dimostrano uno scenario in cui i giocatori scelgono un'azione strettamente dominata con probabilità positiva. Questa "illusione di controllo" nasce dal fatto che l'agente ML occasionalmente seleziona un modello che attribuisce erroneamente il successo di un esito all'azione del giocatore, portando il giocatore a credere che l'azione sia causale.

5. Significato e Contributo

L'articolo sostiene di contribuire alla letteratura su:

1. ML Strategico: A differenza della letteratura sul reinforcement learning (ad es, Calvano et al., 2020) che si concentra sulle dinamiche di apprendimento a lungo termine, questo studio si focalizza su giochi statici dove agenti ML costruiscono modelli predittivi per giocatori umani.
2. Formazione di Credenze Non Razionali: Estende la letteratura sugli equilibri soggettivi (ad es, Jehiel, 2005; Eyster e Rabin, 2005) introducendo la selezione endogena e casuale del modello. A differenza dei modelli precedenti dove le partizioni sono fisse o date esogenamente, il CVE presenta partizioni selezionate endogenamente in base a un criterio di cross-validation.
3. Dati Endogeni: Evidenzia che quando i dati di addestramento sono endogeni all'equilibrio, il "trade-off bias-varianza" inerente alla selezione del modello ML diventa una variabile strategica, portando potenzialmente a molteplicità di equilibri, aumento della volatilità e risultati che deviano significamente dai benchmark razionali anche con una minima quantità di rumore.

Gli autori sottolineano che i loro risultati dipendono specificamente dal criterio di minimizzazione dell'errore quadratico medio fuori campione e dalla simmetria del rumore. Notano inoltre che la linearità dei payoff è un'ipotesi semplificativa che permette alla statistica sufficiente di essere uno scalare, facilitando il legame con l'ABEE.