A Frequentist Approach to Revealed Preference Analysis

この論文「A Frequentist Approach to Revealed Preference Analysis（顕示選好分析への頻度論的アプローチ）」は、有限な選択データを用いた顕示選好（Revealed Preference: RP）テストの**統計的検定力（Statistical Power）**を評価するための新しい頻度論的枠組みを開発したものです。

従来の RP 分析は、データが決定論的（確率的要素なし）であると仮定し、データが特定の選好モデル（例：効用最大化）と整合的かどうかを「通る/通らない」の二値で判断してきました。しかし、データ数が少ない場合、非合理的な行動であっても偶然にモデルを通過してしまう（検出できない）可能性があります。この論文は、統計学習理論（PAC 学習）を応用することで、この問題を克服し、「どの程度のデータ量があれば、どの程度の逸脱をどの程度の確率で検出できるか」を定量的に示すことを目指しています。

以下に、問題設定、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 問題設定と背景

• 従来の限界: 従来の RP テスト（例：GARP）は、データがモデルと整合的か否かを判定しますが、データが「不十分」なために非合理的な行動が検出されなかった場合、そのテストが「無力（Power が低い）」なのか、あるいは「本当に合理的」なのかを区別できません。
• 検定力の定義の難しさ: 検定力を評価するためには「対立仮説（モデルから逸脱した行動）」を定義する必要がありますが、合理的選択の代替となるモデルは多岐にわたり、明確な基準が存在しないという課題がありました（Adams & Crawford [2015]）。
• 本研究の問い: 「$\epsilon$ だけ合理性から逸脱した消費者を、高い確率（$1-\delta$）で検出するために、必要なサンプルサイズ $n$ はどれくらいか？」という問いに答える枠組みを構築します。

2. 手法と理論的枠組み

本研究は、**統計学習理論（特に PAC 学習：Probably Approximately Correct Learning）**を経済モデルの分析に応用しています。

• 基本設定:
  • 消費者の真の選択関数 $g$ は、価格と所得の関数として定義され、**リプシッツ連続性（Lipschitz continuity）**を満たすと仮定します（滑らかさの仮定）。
  • 観測データは、確率的にサンプリングされた価格・所得ペア $(p, I)$ に対する選択 $x$ として得られます。
• PAC 学習の適用:
  • リプシッツ連続な需要関数のクラスは、PAC 学習可能であることが知られています。つまり、十分なサンプルサイズがあれば、観測データに適合する関数は、真の関数 $g$ に「近接」していることが保証されます。
  • これにより、真のモデルが特定のモデルクラス $F$（例：効用最大化）から $\epsilon$ 以上離れている場合、観測データから推定される任意の整合的モデルも $F$ から離れていることが確率的に保証されます。
• 仮説検定の定式化:
  • 帰無仮説 ($H_0$): 真のモデル $g \in F$（モデルに適合）。
  • 対立仮説 ($H_1$): 真のモデル $g \in G \setminus F(\epsilon)$（モデルから $\epsilon$ 以上逸脱）。
  • ここで $F(\epsilon)$ は $F$ の $\epsilon$-近傍です。
  • サンプルサイズ $n(\epsilon, \delta)$ を適切に設定することで、サイズ（Type I error）を 0 に保ちつつ、対立仮説下での検出確率（Power）を $1-\delta$ 以上にするテストを構築できます。

3. 主要な貢献

3.1. 検出力保証付きのサンプルサイズ設計

リプシッツ連続性を仮定することで、特定の検出力（$1-\delta$）と逸脱の大きさ（$\epsilon$）に対して、必要なサンプルサイズ $n$ を明示的に計算可能にしました（定理 3.1〜3.3）。

• 前方境界: 目標の検出力と精度を達成するための最小サンプルサイズ。
• 逆境界: 固定されたサンプルサイズと精度に対して、達成可能な検出力の下限。
• 検出限界: 固定されたサンプルサイズと検出力で、検出可能な最小の逸脱 $\epsilon$。

3.2. 関数制限（Functional Restrictions）への拡張

従来の RP テストは、完全な整合性を求めるため計算量的に困難（NP-Hard）な場合（例：弱分離性）が多いという問題があります。

• 本研究では、**「関数制限 $R(g)=0 \iff g \in F$」**というアプローチを提案しました。
• 一様連続性と正則性（Regularity）を満たす関数制限を用いることで、厳密な RP 不等式が計算不可能な場合でも、多項式時間で実行可能なテストを構築できます。
• このアプローチは、サイズ（Type I error）をわずかに許容する代わりに、計算可能性と明確な検出力保証を得るものです。

3.3. 福利厚生推定量の信頼区間

需要関数の滑らかな関数（例：等価変動 EV、生活費指数の変化）に対する信頼区間を構築する方法を示しました（定理 4.2）。

• 推定された需要関数から計算された福利厚生値と、真の値との誤差が、連続性のモジュラスとサンプルサイズに依存して制御可能であることを示しています。

3.4. 適応的サンプリングと部分クラスの効率性

• 適応的サンプリング: 価格を逐次的に選択する（クエリベース）ことで、必要なサンプルサイズを劇的に削減できる可能性を示唆しています。
• 部分クラスの制約: 線形選好や CES 選好など、構造が制限されたクラスを仮定することで、サンプル複雑性（Sample Complexity）が改善され、より狭い信頼区間が得られることを示しました。

4. シミュレーション結果

論文では、以下の 4 つのモデルに対する検出力シミュレーションを行いました：

1. SUM: 静的効用最大化（Standard Utility Maximization）
2. H: 同次性（Homotheticity）
3. WS: 弱分離性（Weak Separability）
4. EU: 期待効用（Expected Utility）

結果の要点:

• モデル間の検出力の差: 小さな逸脱を検出するために必要なサンプルサイズはモデルによって大きく異なります。
  • SUM と EU: 逸脱に対する感度が高く、小さな逸脱を検出するには非常に大きなサンプルサイズが必要ですが、逸脱が大きい場合は少ないサンプルで検出可能です。
  • H と WS: 比較的小さなサンプルサイズで検出力が得られます。
• 実証研究への示唆: 実証研究において GARP（SUM）が「めったに棄却されない」のは、消費者が本当に合理的だからではなく、サンプルサイズが不足しており、小さな非合理性を検出する検出力が低いからである可能性があります。逆に、実験データで期待効用（EU）が頻繁に棄却されるのは、EU モデルが微小な逸脱に対して非常に敏感（検出力が高い）であるためかもしれません。

5. 意義と結論

• 理論的基盤の提供: 有限データにおける RP テストの検出力分析に対する最初の体系的な頻度論的アプローチを提供しました。
• 実務への指針: 研究者が「どのくらいのデータがあれば、どの程度の非合理性を検出できるか」を事前に計画（実験デザイン）することを可能にします。
• 計算可能性の解決: 計算的に困難な RP 条件（弱分離性など）に対して、関数制限を用いた実用的なテスト手法を提案し、NP-Hard な問題を回避しつつ統計的保証を与えました。
• 解釈の転換: 「データがモデルに適合する」ことの意味を、「データが豊富で、有意な逸脱を排除できる状態にある」という文脈で再解釈させる点に大きな意義があります。

総じて、この論文は、従来の「整合性チェック」から「統計的検定力を考慮したモデル評価」へと、顕示選好分析のパラダイムをシフトさせる重要な貢献を果たしています。