Distilling Models of Bounded-Rational Choice: A Constraint Programming Approach

기술 요약: 제한된 합리적 선택 모델의 증류: 제약 프로그래밍 접근법

1. 문제 정의
본 논문은 제한된 합리적 선택 이론(bounded-rational choice theory) 문헌의 핵심적인 공백을 다룬다. Manzini와 Mariotti(2007)의 "합리적 단축법(Rational Shortlist Method, RS)" 및 Masatlioglu 등(2012)과 Lleras 등(2017)의 "제한된 주의를 동반한 선택(Choice with Limited Attention, CLA)" 및 "압도적 선택(Overwhelming Choice, OC)"과 같은 영향력 있는 모델들이 이론적으로는 광범ty하게 연구되었으나, 그 완전한 일반성 하에서 경험적으로는 충분히 검증되지 않았다. 주요 장애물은 다음과 같다:

• 계산적 난해함(Computational Intractability): 행동적 원형(behavioral primitives, 선호 및 주의 필터)의 공간은 대안의 수에 따라 기하급수적으로 증가하며, 이로 인해 표준 데이터셋에 대해 호환 가능한 모델들을 브루트 포스(brute-force) 방식으로 열거하는 것은 불가능하다.
• 비식별성(Non-Identification): 이러한 모델들은 일반적으로 식별되지 않는다. 하나의 데이터셋이 수천 개의 서로 다른 모델 인스턴스(서로 다른 선호 순위와 필터)에 의해 설명될 수 있으므로, 후생 추론(의사결정자의 기저에 깔린 선호도를 결정하는 것)이 불확정적이다.
• 후생 관련 증류의 부재(Lack of Welfare-Relevant Distillation): 기존의 경험적 테스트는 주로 "통과 또는 실패" 식의 공리적 점검에 의존한다. 호환 가능한 원형 중 어떤 것이 후생 분석에 가장 타당한지를 식별하기 위해, 모델의 전체적인 설명력과 후생 관련 내용을 증류(distill)할 수 있는 도구가 부족하다.

2. 방법론
저자들은 계산 및 식별 문제를 극복하기 위해 **제약 프로그래밍(Constraint Programming, CP)**과 **제약 지배 프로그래밍(Constraint Dominance Programming, CDP)**을 활용한 계산 프레임워크를 도입한다.

• 제약 프로그래밍 (CP): 표준 최적화 대신, 저자들은 의사결정 변수(선호 및 필터와 같은 관계를 나타냄), 그 도메인, 그리고 선택 데이터로부터 유도된 논리적 제약을 사용하여 문제를 모델링한다. 이들은 고수준의 경제 모델을 Minion 솔버에 최적화된 입력값으로 변환하기 위해 Essence 언어, Conjure, 그리고 Savile Row를 활용한다.

  • 메커니즘: CP는 추론(제약 전파)을 사용하여 제약을 충족할 수 없는 변수 값을 배제함으로써 탐색 공간을 줄이며, 이를 통해 브루트 포스 열거를 피한다.
  • 적용: 이를 통해 모델의 "거리 점수"(Houtman-Maks 점수와 유사)를 계산할 수 있다. 이는 모델이 완벽하게 부합하기 위해 최소한으로 탈락시켜야 하는 선택의 수를 나타낸다. 또한 특정 점수를 달ach하는 모든 원형을 열거하는 것을 가능하게 한다.

• 제약 지배 프로그래밍 (CDP): 비식별 문제를 해결하기 위해, 저자들은 지배 기반의 정교화(dominance-based refinements)를 도입한다.

  • 지배 기준:
    • RS의 경우: 인스턴스 $a$가 $b$를 지배한다는 것은 $a$의 관계가 $b$의 상위 집합(즉, 더 완전하거나 합리적임)임을 의미한다.
    • CLA/OC의 경우: 인스턴스 $a$가 $b$를 지배한다는 것은 두 인스턴스가 동일한 선호 순위를 공유하지만, 모든 메뉴에서 $\Gamma^a$가 $\Gamma^b$보다 적어도 더 많은 대안을 고려하고 있음(즉, 주의가 덜 제한적임)을 의미한다.
  • 메커니즘: CDP는 이러한 지배 관계를 탐색 과정에 직접 통합한다. 솔루션이 발견되면, 솔버는 현재의 솔루션에 의해 지배되는 미래의 솔루션을 제외하기 위해 "차단 제약(blocking constraint)"을 추가한다. 이는 모든 솔루션을 열거한 후 나중에 필터링하는 비효율적인 "생성 및 테스트(generate-and-test)" 방식을 피하게 해준다.

• 예측 성공 척도: 저자들은 Selten(1991)의 척도(차이 및 비율)를 사용하여 모델의 성능을 무작위 선택 행동(Bronars, 1987)과 비교하며, 설명력과 허용성(permissiveness)을 모두 평가한다.

3. 주요 기여

• 방법론적 혁신: 본 논문은 RS, CLA, OC 모델의 전체 일반성에 CP와 CDP를 적용한 첫 번째 사례이다. 이는 모든 호환 가능한 원형을 열거하고, 지배되지 않는(undominated) 원형을 증류할 수 있는 도구 체인을 제공한다.
• 후생 정교화: 합리적 선택(RC)에 "가장 가까운" 모델 인스턴스를 선택하는 규범적 정교화를 제안한다. RS의 경우 이는 더 완전한 선호 관계를 선호하는 것을 의미하며, CLA/OC의 경우 더 큰 고려 집합을 선호하는 것을 의미한다.
• 경험적 프레임워크: 단순한 이진 통과/실패 테스트를 넘어, 모델과 데이터 사이의 근접성을 정량화하고, 솔루션 집합을 열거하며, 무작위 행동에 대한 예측 성공 여부를 평가하는 방법을 보여준다.

4. 경험적 결과
프레임워크는 Manzini(2023)의 두 가지 데이터셋인 "네 가지 드레스(Four Dresses, 4개 대안, 11개 메뉴)"와 "다섯 가지 판초(Five Ponchos, 5개 대안, 16개 메뉴)"에 적용되었다.

• 설명력:

  • CLA 및 OC(제한된 주의 모델)는 RS(단축법)에 비해 피험자의 선택을 완벽하게 설명하는 비율이 현저히 높았다. "다섯 가지 판초" 데이터셋에서 CLA는 피험자의 100%를 완벽하게 설명했다.
  • 그러나 제한된 주의 모델들은 또한 **더 허용적(more permissive)**이다. 즉, 무작위 선택 데이터를 설명할 가능성이 더 높다(Selten의 비율에서 높은 "면적").
  • RS(특히 이행적 하위 클래스인 $RS_{order}$)는 적은 수의 피험자를 완벽하게 설명하지만, 덜 허용적이다.

• 불확정성 및 간명성:

  • 비식별성: 정교화 과정이 없다면 호환 가능한 원형의 수는 매우 방대하다(예: 4D 데이터셋의 CLA의 경우 수천 개).
  • 정교화의 효과: 지배 기준은 원형의 집합을 급격히 줄인다. 4D 데이터셋에서, 83.3%에서 99.6%의 호환 가능한 인스턴스가 지배되는 것으로 간주되어 폐기되었다.
  • 간명성 트레이드오프: 정교화에도 불구하고, 제한된 합리성 모델은 일반적으로 합리적 선택(RC) 모델보다 더 많은 호환 가능한 원형을 생성한다(높은 불확정성). 피험자가 RC에 근사하게 부합하는 경우, 호환 가능한 선호 순위의 수는 보통 유일하거나 매우 적지만(중앙값 1), 제한된 합리성 모델은 종종 여러 개의 지배되지 않는 원형을 남긴다.

• 무작위성에 대한 강건성:

  • 저자들은 Bronars의 테스트를 사용하여, RC의 근사적 적합(approximate fits)과 $RS_{order}$의 완벽한 적합(perfect fits) 대부분이 "비무작위성" 점검을 통과함을 발견했다.
  • 반면, CLA와 OC의 완벽한 적합은 종종 이 점검을 통과하지 못했다. 이는 이들의 높은 설명력이 실제 행동 구조를 포착하기보다는 과도한 허용성에서 기인했을 가능성을 시사한다.

5. 의의 및 주장
저자들은 본 연구를 행동적 현시 이론(behavioral revealed preference analysis)에 대한 방법론적 기여로 규정한다. 저자들의 주장은 다음과 같다:

• 계산적 실현 가능성: CP/CDP는 이전에는 계산적으로 불가능하다고 여겨졌던 복잡하고 비매개변수적인 제한된 합리성 모델을 전체적으로 분석하는 것을 가능하게 한다.
• 후생 내용의 증류: 이 프레임워크는 지배되는 원형을 필터링함으로써 제한된 합리성 모델의 후생 관련 내용을 "증류"할 수 있게 하며, 이를 통해 불확정성을 완화한다.
• 트레이드오프 식별: 본 분석은 불완전하게 합리적인 행동을 모델링할 때 발생하는 근본적인 트레이드오프를 강조한다. 즉, 설명력이 높은 모델(예: CLA)은 표준 합리적 선택 모델에 비해 더 큰 불확정성과 낮은 간명성을 겪는 경우가 많다.
• 향-후 방향: 본 논문은 이 도구들이 식별 문제를 결정적으로 해결한다고 주장하는 것이 아니라, 설명력, 불확정성, 그리고 계산 복잡성 사이의 트레이드오프를 명시적으로 평가하는 새로운 세대의 모델 선택을 가능하게 한다고 주장한다. 저자들은 이러한 방법론이 더 깊은 탐구를 용이하게 하지만, 후생 분석을 위한 최종적인 모델 선택에는 여전히 분석가의 재량이 필요함을 강조한다.