Model Restrictiveness in Functional and Structural Settings

Dit artikel breidt het restrictiviteitskader uit naar functionele en structurele econometrische settings met behulp van Gaussian process-priors, waarbij wordt aangetoond dat modellen over continue domeinen restrictiever zijn dan over eindige steekproeven en dat momentrestricties voor endogeniteit de modelrangschikkingen aanzienlijk beïnvloeden.

De kern

Stel je voor dat economische modellen als recepten zijn. Een recept zegt: "Als je deze ingrediënten (data) gebruikt, krijg je dit gerecht (resultaat)."

Soms zijn recepten heel strak: "Gebruik precies 200 gram bloem en 2 eieren." Dit is een restrictief model. Het laat weinig ruimte voor variatie. Als je 201 gram bloem gebruikt, is het recept "fout".
Soms zijn recepten heel los: "Gebruik wat bloem en wat eieren." Dit is een flexibel model. Het past zich aan alles aan, maar zegt daardoor eigenlijk niets specifieks.

Deze paper (geschreven door Fudenberg, Gao en You) introduceert een nieuwe manier om te meten: hoe strak of hoe los een economisch recept eigenlijk is. Ze noemen dit "restrictiveness" (beperking).

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het oude probleem: Kijken door een sleutelgat

Vroeger keken onderzoekers naar hoe goed een model werkte op een kleine, vaste lijst van voorbeelden.

• De analogie: Stel je voor dat je een schilder wilt beoordelen. Je laat hem alleen 5 specifieke foto's namaken. Als hij die 5 foto's perfect maakt, denk je: "Hij is een genie!"
• Het probleem: Misschien heeft de schilder die 5 foto's gewoon uit zijn hoofd geleerd. Als je hem een nieuwe foto geeft (die er niet op de lijst stond), faalt hij misschien.
• De oplossing van deze paper: Ze meten nu niet hoe goed een model 5 foto's nabootst, maar hoe goed het zich aanpast aan alle mogelijke foto's die er bestaan. Ze kijken dus naar het hele universum van mogelijkheden, niet alleen naar een kleine selectie.
• Het resultaat: Ze ontdekken dat modellen die op een kleine lijst "vrij" leken, in het grote universum eigenlijk veel strakker (restrictiever) zijn dan we dachten. Ze blokkeren meer patronen dan we dachten.

2. De nieuwe gereedschapskist: De "Gaussian Process"

Hoe meet je iets dat oneindig groot is (zoals alle mogelijke loterijen of alle mogelijke prijzen)?

• De analogie: In plaats van een lijstje te maken, gebruiken ze een magische, flexibele klei (in de paper een "Gaussian Process" genoemd).
• Ze nemen een stuk van die klei en vormen er een willekeurige, gekke vorm van (een "pseudo-waarheid").
• Vervolgens proberen ze hun economische model (het recept) om die gekke vorm na te bootsen.
• Hoe moeilijk is het voor het model om die gekke vorm te maken?
  • Als het model het makkelijk kan nabootsen, is het flexibel (niet restrictief).
  • Als het model het niet kan, omdat het te strakke regels heeft, is het restrictief.
• Dit geeft een eerlijke score: hoe "strak" is het model echt?

3. De valkuil: Waarom je niet zomaar elke meetlat kunt gebruiken

De auteurs waarschuwen voor het gebruik van standaard meetlatjes uit de wiskunde of machine learning (zoals GMM of Rademacher complexiteit).

• De analogie: Stel je wilt meten hoe "strak" een trui is. Je gebruikt een meetlat die is ontworpen om de sterkte van een touw te meten.
• Als je die meetlat op de trui legt, krijg je een getal, maar het zegt niets over de trui zelf! Het is de verkeerde tool voor de verkeerde taak.
• Ze laten zien dat deze standaard wiskundige tools vaak zeggen: "Alle modellen zijn even strak!" (wat niet waar is). Ze kiezen daarom voor een meetlat die echt meet: Hoe ver zit het voorspelling van het model van de werkelijkheid af?

4. De "Gevangenis" van de Endogeniteit (Het lastige deel)

In de echte wereld zijn dingen vaak met elkaar verbonden op een lastige manier (bijvoorbeeld: prijs en vraag beïnvloeden elkaar). Dit heet "endogeniteit". Om dit op te lossen, gebruiken economen "instrumenten" (zoals een externe factor die alleen de prijs beïnvloedt).

• De analogie: Stel je hebt een gevangene (het model) die in een cel zit.
  • Zonder endogeniteit: De cel heeft dunne muren. De gevangene kan makkelijk naar buiten kijken en zich aanpassen.
  • Met endogeniteit: De gevangene krijgt nu extra, dikke muren (de momentvoorwaarden/instrumenten).
• Het verrassende resultaat: De paper laat zien dat deze extra muren het model veel strakker maken dan de functie zelf.
  • Een model dat in theorie heel flexibel leek (zoals "Mixed Logit"), wordt in de praktijk met endogeniteit juist heel strak. Het kan niet meer zomaar "alles" voorspellen, omdat het ook de regels van de instrumenten moet volgen.

5. Waarom is dit belangrijk? (De balans)

De auteurs zeggen: "Je moet niet alleen kijken naar hoe goed een model past bij de data (completeness), maar ook naar hoeveel het uitsluit (restrictiveness)."

• Te flexibel: Het model past bij alles, maar zegt niets. Het is als een waarzegger die altijd gelijk heeft omdat hij nooit iets specifieks voorspelt.
• Te strak: Het model is mooi en simpel, maar als de realiteit net iets anders is, faalt het volledig.
• De ideale balans: Je wilt een model dat strak genoeg is om interessante theorieën te testen (bijv. "Mensen zijn rationeel"), maar flexibel genoeg om de echte wereld te vangen.

Samenvattend in één zin:

Deze paper geeft economen een nieuwe, scherpere liniaal om te meten hoe "strak" hun theorieën echt zijn, niet alleen op een paar voorbeelden, maar in het hele universum van mogelijke situaties, en laat zien dat de regels die we gebruiken om data te analyseren (zoals instrumenten) vaak veel meer beperkingen opleggen dan we dachten.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Model Restrictiveness in Functional and Structural Settings" van Fudenberg, Gao en You, geschreven in het Nederlands.

Probleemstelling

Economische modellen zijn per definitie restrictief: ze sluit patronen in de data uit die in strijd zijn met theoretische aannames. Hoewel deze restricties essentieel zijn voor interpretatie en beleidsvorming, ontbreekt het onderzoekers vaak aan een kwantitatief maatstaf om te bepalen hoeveel structuur een specifiek model oplegt ten opzichte van plausibele alternatieven. Bestaande methoden, zoals die van Fudenberg, Gao en Liang (2026, hierna FGL), zijn beperkt tot eindige verzamelingen van observaties en "reduced-form" modellen. Dit leidt tot twee hoofdproblemen:

1. Eindige vs. Continue Domeinen: Bestaande maatstaven evalueren modellen op eindige datasets, wat de werkelijke restrictiviteit van modellen die gedefinieerd zijn op continue domeinen (functieruimten) kan onderschatten.
2. Structuur en Endogeniteit: Er ontbreekt een raamwerk om de restrictiviteit te meten van complexe structurele economische modellen, zoals die met endogeniteit, instrumentele variabelen, meerdere evenwichten of semiparametrische componenten.

Daarnaast wordt er kritiek geleverd op het gebruik van bestaande complexiteitsmaten (zoals Rademacher-complexiteit) of schattingscriteria (zoals GMM) als maatstaf voor restrictiviteit, omdat deze vaak leiden tot degeneratieproblemen of niet-interpretabele eenheden.

Methodologie

De auteurs breiden het bestaande raamwerk voor het meten van restrictiviteit uit naar functionele en structurele settings door gebruik te maken van Bayesische niet-parametrische priors, specifiek Gaussian Processes (GP).

1. Definitie van Restrictiviteit in Functionele Ruimtes:

• Situatie: De covariaten $X$ vormen een compacte deelverzameling van $\mathbb{R}^d$ (een continuüm), en de voorspellingsregels $f$ behoren tot een oneindig-dimensionale functieruimte $\mathcal{F}$.
• Aanpak: In plaats van een uniforme verdeling over een eindige set, wordt een evaluatieverdeling $\lambda_{\mathcal{F}}$ gedefinieerd over de ruimte van "toelaatbare" (eligible) regels. Dit wordt gedaan via een Gaussian Process prior (vaak met een Matérn-kern), soms met shape-restricties (bijv. monotonie).
• Discrepantiefunctie ($d$): De auteurs benadrukken dat de keuze van de discrepantiefunctie een substantiële modelkeuze is. Ze gebruiken doorgaans de verwachte kwadratische afstand ($L_2$-norm) of KL-divergentie, afhankelijk van de uitkomstvariabele. Ze wijzen expliciet af dat Rademacher-complexiteit of GMM-criteria als discrepantiefunctie gebruikt moeten worden (zie onderstaande bijdragen).
• Formule: Restrictiviteit $r$ is de verwachte discrepantie tussen het model $\mathcal{F}_\Theta$ en een willekeurig getrokken "pseudo-waarheid" $f \sim \lambda_{\mathcal{F}}$, genormaliseerd door de discrepantie van een basismodel:
  $$r(\mathcal{F}_\Theta; \mathcal{F}, d) = \frac{\mathbb{E}_{\lambda_{\mathcal{F}}}[d(\mathcal{F}_\Theta, f)]}{\mathbb{E}_{\lambda_{\mathcal{F}}}[d(\mathcal{F}_{base}, f)]}$$
  Waar $d(\mathcal{F}_\Theta, f) = \inf_{f_\theta \in \mathcal{F}_\Theta} d(f_\theta, f)$.

2. Uitbreiding naar Structurele Modellen:
Het raamwerk wordt toegepast op drie complexe scenario's:

• Endogeniteit: Voor modellen met endogene covariaten wordt restrictiviteit gedefinieerd via de geïnduceerde reduced-form verdelingen. Bij lineaire modellen met additieve fouten kan de oneindig-dimensionale optimalisatie worden gereduceerd tot een eindig-dimensionale optimalisatie over de structurele parameters.
• Meerdere Evenwichten: Voor modellen zonder uniek evenwicht (waar de reduced form een correspondentie is in plaats van een functie), wordt restrictiviteit gedefinieerd door het infimum te nemen over alle mogelijke selectieregels van evenwichten.
• Semiparametrische Modellen: Voor modellen met niet-parametrische "nuisance" componenten (zoals in het BLP-model), wordt de restrictiviteit gemeten door de optimale benadering te zoeken over zowel de parametrische parameters als de niet-parametrische functieruimte.

3. Theoretische Connecties:

• De auteurs tonen aan dat restrictiviteit equivalent is aan de genormaliseerde limiet van de gemiddelde-geval leercurve (average-case learning curve) in een ruisvrije setting.
• Ze tonen aan dat Rademacher-complexiteit en VC-dimensie leiden tot degeneratie (alle modellen lijken maximaal restrictief) omdat ze gebaseerd zijn op een discrepantiefunctie die is ontworpen voor worst-case generalisatie, niet voor economische interpretatie.
• Ze verklaren waarom GMM-criteria ongeschikt zijn: deze meten schendingen van momentvoorwaarden en hangen af van de keuze van instrumenten, niet van de voorspellende afstand tot de waarheid.

Belangrijkste Resultaten

1. Continue Domeinen vs. Eindige Sets:
In een toepassing op Cumulatieve Prospect Theory (CPT) en Disappointment Aversion (DA) wordt aangetoond dat modellen uniformer restrictiever worden wanneer ze worden geëvalueerd over het volledige continue domein van loterijen, in plaats van een eindige set van 25 loterijen. Hoewel de relatieve rangschikking van parameters behouden blijft, worden de absolute restrictiviteitswaarden aanzienlijk hoger. Dit suggereert dat eerdere studies de mate van structuur die deze theorieën opleggen systematisch hebben onderschat.

2. Multinomial Choice Modellen (Industriële Organisatie):
Bij het evalueren van Multinomial Logit (MNL), Nested Logit (NL) en Mixed Logit (MXL) op een dataset van graanproducten:

• Zonder Endogeniteit: De restrictiviteit wordt voornamelijk gedreven door de functionaliteit van de gemiddelde nutfunctie. Hoewel MXL theoretisch zeer flexibel is, zijn de in de praktijk gebruikte parametrische vormen (normaal verdeelde random coefficients) bijna even restrictief als NL. MNL is het meest restrictief.
• Met Endogeniteit: Wanneer prijzen endogeen worden behandeld (via instrumentele variabelen zoals in het BLP-model), stijgt de restrictiviteit voor alle modellen drastisch. De momentvoorwaarden (IV-voorwaarden) voegen aanzienlijke extra restricties toe.
• Rangschikking: In de endogene setting wordt MXL het minst restrictief, terwijl NL en MNL bijna identiek worden. De "nesting" parameter in NL lost de restrictiviteit niet op zodra de endogeniteitsvoorwaarden worden opgelegd.

3. Impact van Momentvoorwaarden:
De analyse toont aan dat momentrestricties (afkomstig van endogeniteit) de restrictiviteit substantieel verhogen en de rangschikking van modellen kunnen veranderen. Een model dat theoretisch flexibel lijkt (zoals MXL), kan in een structurele setting met IV's aanzienlijk restrictiever zijn dan gedacht.

Bijdragen en Betekenis

1. Methodologische Uitbreiding: Het artikel biedt een robuust raamwerk om restrictiviteit te meten in oneindig-dimensionale functieruimtes en complexe structurele modellen, gebruikmakend van Gaussian Processes voor sampling.
2. Conceptuele Correctie: Het stelt een fundamentele verschuiving voor in hoe we complexiteit meten. De keuze van de discrepantiefunctie moet leiden door economische interpretatie (bijv. voorspellingsfout) en niet door wiskundige eigenschappen van bestaande machine-learning maten (zoals Rademacher) of schattingscriteria (zoals GMM).
3. Praktische Toepasbaarheid: De auteurs tonen aan dat restrictiviteit praktisch berekenbaar is voor bestaande empirische studies. Zolang er een replicatiepakket bestaat, kan dezelfde pijplijn worden gebruikt om restrictiviteit te berekenen door simpelweg een prior, een discrepantiefunctie en een eligible set te specificeren.
4. Nieuwe Inzichten: De resultaten tonen aan dat eindige datasets de restrictiviteit van economische theorieën kunnen maskeren. Bovendien benadrukken ze dat endogeniteit niet alleen een schattingsprobleem is, maar de fundamentele "structuur" en restrictiviteit van een model drastisch verandert.
5. Toekomstperspectief: Het artikel suggereert dat restrictiviteit kan dienen als een regularisatiepenalty in plaats van het tellen van parameters (AIC/BIC). Dit zou modellen belonen die economisch onwaarschijnlijke patronen uitsluiten, ongeacht het aantal parameters.

Samenvattend biedt dit papier een kwantitatieve taal voor economen om de afweging te maken tussen empirische nauwkeurigheid (completeness) en theoretische discipline (restrictiveness), en toont aan dat deze afweging fundamenteel anders is wanneer men kijkt naar continue domeinen en structurele causaliteit.