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

Dit artikel ontwikkelt een verenigd raamwerk voor identificatie en contrafactuele analyse in incomplete modellen met steun- en momentrestricties, waarbij wordt aangetoond dat het uitbreiden van de steunfunctie-methode naar momentsluitingen een scherp en statistisch onderscheidbaar resultaat biedt zonder de noodzaak van traditionele schatting-volgt-simulatie-workflows.

De kern

De Onvolledige Kaart en de Toekomstvoorspelling: Een Simpele Uitleg van Li's Onderzoek

Stel je voor dat je een econoom bent die probeert de toekomst te voorspellen. Je wilt weten wat er gebeurt als je een nieuwe belasting invoert, of wat er gebeurt als twee grote bedrijven fuseren. Dit noemen we een tegenwerkelijkheid (counterfactual): "Wat zou er gebeurd zijn als...?"

Normaal gesproken bouw je een model, bereken je de beste schattingen, en simuleer je de toekomst. Maar er is een groot probleem: veel economische modellen zijn onvolledig. Ze geven geen één duidelijk antwoord, maar een hele reeks mogelijke uitkomsten.

Stel je voor dat je een spelletje schaken speelt, maar je weet niet welke zet de tegenstander precies gaat doen. Je weet alleen dat hij een willekeurige legale zet zal doen. Je kunt niet zeggen: "Hij gaat naar veld E4." Je kunt alleen zeggen: "Hij gaat naar E4, E5 of E2."

Dit is het probleem waar Lixiong Li in zijn paper mee worstelt. Hij heeft een nieuwe manier bedacht om met deze onzekerheid om te gaan, zodat we toch betrouwbare voorspellingen kunnen doen. Hier is de uitleg, vertaald naar alledaagse taal.

1. Het Probleem: De "Estimate-then-Simulate" Valstrik

De oude manier van werken was als volgt:

1. Schatting: Je kijkt naar de data en probeert de "ware" regels van het spel te raden.
2. Simulatie: Je neemt die regels en probeert de toekomst te simuleren.

Het probleem is dat als het spel onvolledig is (meerdere mogelijke uitkomsten), je niet weet welke uitkomst je moet simuleren. Het is alsof je probeert het weer te voorspellen, maar je weet niet of de wind uit het noorden, oosten of zuiden waait. Als je probeert te simuleren, moet je vaak willekeurige aannames doen over welke "uitkomst" er uit de reeks komt. Dat is riskant en vaak onmogelijk te berekenen.

2. De Oplossing: Alles in één Pot Gooien

Li's grote inzicht is dat je niet eerst hoeft te schatten en daarna te simuleren. In plaats daarvan kun je de toekomstvraag direct in je model stoppen.

De Analogie van de Bouwtekening:
Stel je voor dat je een huis wilt bouwen (het basismodel). Je hebt een lijst met eisen:

• De muren moeten recht staan (ondersteuningsrestrictie).
• De ramen moeten op een bepaalde hoogte zitten (momentrestrictie).

Nu wil je weten: "Hoeveel zonlicht krijgt de kamer als we het dak een stukje verplaatsen?" (de tegenwerkelijkheid).

De oude methode was: "Laten we eerst het huidige huis bouwen, en dan proberen we het dak te verplaatsen en kijken wat er gebeurt."
Li zegt: "Nee, laten we de tekening van het nieuwe dak direct in de basisplannen stoppen."

Je maakt een vergrode tekening (een "augmented model"). In deze ene grote tekening staan nu zowel de regels voor het huidige huis als de regels voor het nieuwe dak. Je behandelt de vraag "hoeveel zonlicht?" niet als een apart experiment, maar als een onderdeel van de bouwregels zelf. Hierdoor kun je direct kijken welke huizen (en dakverplaatsingen) voldoen aan alle regels, zonder eerst een willekeurige simulatie te draaien.

3. De Wiskundige Uitdaging: De "Oneindige" Lijst

Er is echter een wiskundig struikelblok. Om te bewijzen dat je model goed werkt, gebruiken economen vaak een techniek die "integrable boundedness" heet. Klinkt ingewikkeld? Stel je voor dat je een lijst maakt van alle mogelijke uitkomsten.

• De oude regel: Deze lijst moet eindig zijn of op een bepaalde manier "beperkt" blijven. Je mag geen uitkomsten hebben die naar oneindig gaan.
• Het probleem: In de echte wereld (bijvoorbeeld bij winstberekeningen of welvaart) kunnen de getallen soms enorm groot worden of zelfs naar oneindig gaan. De lijst is dan niet "beperkt". De oude wiskundige regels zeggen dan: "Stop, dit werkt niet meer!"

Li zegt: "Wacht even. Als de lijst oneindig groot is, betekent dat niet dat we niets kunnen leren. Het betekent alleen dat we de lijst anders moeten bekijken."

4. De Nieuwe Regel: De "Moment Sluiting"

Li introduceert een nieuw concept: de moment sluiting (moment closure).

De Metafoor van de Schat:
Stel je voor dat je een schat zoekt in een groot bos.

• De Identificeerbare Set is de exacte plek waar de schat ligt.
• De Moment Sluiting is een gebied dat bijna exact hetzelfde is als de plek van de schat, maar misschien een heel klein beetje ruimer.

Li bewijst twee dingen:

1. Zelfs als de lijst van uitkomsten oneindig groot is (de oude regels falen), geeft zijn methode je precies de Moment Sluiting.
2. In de praktijk, met een eindige hoeveelheid data (zoals we die in het echt hebben), is het onmogelijk om te zeggen of je in de exacte schatplek zit of in de iets ruimere Moment Sluiting. Ze zijn statistisch ononderscheidbaar.

Het is alsof je een schat zoekt met een metaaldetector. Als je detector een piep geeft, weet je dat de schat ergens in dat gebied ligt. Of de schat nu precies in het midden zit of net aan de rand, met je huidige detector (je data) kun je dat niet zien. Dus, voor alle praktische doeleinden, is het antwoord hetzelfde.

5. De "Onreduceerbare" Regel

Li geeft ook een belangrijke waarschuwing: je moet je model goed opstellen.
Soms verstop je een regel in de wiskunde die eigenlijk een harde grens is (bijvoorbeeld: "de prijs kan niet negatief zijn"). Als je die regel verbergt in een complexe formule in plaats van hem duidelijk als een grens te stellen, werkt je detector niet goed.

Hij noemt dit irreducibility (onreduceerbaarheid).

• Reduceerbaar: Je hebt een model dat je kunt "ontleden" en waarbij je ziet dat je een harde grens hebt vermomd als een zachte formule. Dit leidt tot verwarring.
• Irreduceerbaar: Je hebt je model zo opgesteld dat alle harde grenzen (support restrictions) duidelijk en expliciet zijn.

Als je je model "irreduceerbaar" maakt (alle grenzen duidelijk zichtbaar), dan werkt zijn methode perfect, zelfs als de getallen naar oneindig gaan.

Conclusie: Waarom is dit belangrijk?

Dit paper is een game-changer voor economen en beleidsmakers.

• Vroeger: Als een model onvolledig was of als de uitkomsten te groot werden, konden we vaak geen betrouwbare voorspellingen doen over beleid (zoals belastingen of fusies).
• Nu: Dankzij Li's methode kunnen we die onvolledige modellen toch gebruiken. We hoeven geen willekeurige aannames te doen over welke uitkomst er uitkomt. We kunnen direct kijken naar de reeks van mogelijke uitkomsten en zeggen: "Zelfs in het slechtste en beste geval, ligt het antwoord hier."

Het is alsof je van een kaart die alleen "misschien" zegt, een kaart maakt die je vertelt: "Je kunt hier niet naartoe, en daar ook niet, maar ergens in dit gebied zit het antwoord." En dat is vaak precies genoeg om slimme beslissingen te nemen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Identification and Counterfactual Analysis in Incomplete Models with Support and Moment Restrictions" van Lixiong Li, in het Nederlands.

1. Probleemstelling en Context

Het artikel adresseert de uitdagingen bij het uitvoeren van contrasterende analyses (counterfactual analysis) binnen onvolledige structurele economische modellen.

• Onvolledige Modellen: In veel empirische toepassingen (zoals speltheoretische modellen met meerdere evenwichten, modellen met beperkte aandacht, of veilingmodellen) genereert het structurele model geen unieke voorspelling voor het uitkomstvariabele, maar een set van mogelijke uitkomsten. Deze worden "onvolledige modellen" genoemd.
• De "Estimate-then-Simulate" Valkuil: De traditionele aanpak voor contrasterende analyses bestaat uit het schatten van structurele parameters en vervolgens het simuleren van uitkomsten onder nieuwe beleidsscenario's. Bij onvolledige modellen is dit vaak computationally onmogelijk of statistisch problematisch omdat de uitkomsten niet uniek bepaald zijn door de parameters.
• Beperkingen van Bestaande Methoden: Bestaande methoden voor scherpe identificatie (sharp identification) in onvolledige modellen, zoals de support-function approach (gebaseerd op willekeurige settheorie), vereisen vaak de voorwaarde van integreerbare begrensdheid (integrable boundedness) van de relevante willekeurige sets. Deze voorwaarde wordt echter vaak geschonden in economisch relevante contrasterende scenario's (bijv. wanneer winst of welvaart onbegrensd kan zijn door eenzijdige restricties op latente variabelen).

2. Methodologie en Raamwerk

De auteur ontwikkelt een unificerend raamwerk dat contrasterende analyses en structurele identificatie behandelt als isomorfische taken binnen een model dat wordt gekenmerkt door:

1. Support-restricties: Beperkingen op de gezamenlijke steun (joint support) van latente en geobserveerde variabelen, afgeleid van economische theorie (bijv. evenwichtsvoorwaarden).
2. Momentrestricties: Restricties op momenten (zoals gemiddelden of correlaties) die zowel geobserveerde als latente variabelen betreffen, zonder dat de volledige verdeling van de latente variabelen gespecificeerd hoeft te worden.

De Kernbenadering: Het Augmentatiemodel
In plaats van een tweestapsproces (schatten $\to$ simuleren), stelt Li voor om de contrasterende restricties direct te integreren in het structurele model:

• De contrasterende uitkomsten ($\tilde{Y}$) en eventuele nieuwe latente variabelen ($\tilde{U}$) worden toegevoegd aan het bestaande model.
• De contrasterende parameter van belang ($\tilde{\theta}$) wordt behandeld als een structurele parameter.
• Dit resulteert in een augmented support-and-moments model waarin de identificatie van $\tilde{\theta}$ plaatsvindt via dezelfde partial-identification technieken als voor de oorspronkelijke parameters $\theta$. Dit elimineert de noodzaak voor simulatie van uitkomsten uit een set-voorspellend model.

3. Belangrijkste Bijdragen

Het artikel levert twee fundamentele theoretische bijdragen:

A. Unificatie van Identificatie en Contrasterende Analyse
De auteur toont aan dat het identificeren van contrasterende parameters isomorf is met het identificeren van structurele parameters. Door de contrasterende restricties (support en momenten) te "stapelen" met de basisrestricties, kan men bestaande methoden voor partiële identificatie direct toepassen op de geaggregeerde parameter $\theta' = (\theta, \tilde{\theta})$. Dit vereenvoudigt de inferentie aanzienlijk en vermijdt de complexiteit van het simuleren van evenwichtsselectie.

B. Uitbreiding van de Support-Function Approach
De meest significante theoretische bijdrage is het uitbreiden van de scherpe identificatieresultaten van de support-function approach buiten de beperkende voorwaarde van integreerbare begrensdheid.

• Moment Closure: De auteur definieert de moment closure van de geïdentificeerde set ($\Theta_I$), genoteerd als $\bar{\Theta}_I$. Dit is de verzameling parameters waarvoor de momentrestricties willekeurig dicht bij nul kunnen worden gebracht (niet noodzakelijk exact nul).
• Scherpte voor de Moment Closure: Het wordt bewezen dat de support-function inequalities scherp zijn voor de moment closure, zelfs wanneer de integreerbare begrensdheid niet geldt.
• Irreducibiliteit en Indistinguishability: De auteur introduceert een irreducibiliteitsvoorwaarde. Een model is irreducibel als er geen impliciete support-restricties verborgen zitten in de momentrestricties (d.w.z. support en momenten spelen fundamenteel verschillende rollen).
  • Resultaat: Voor irreducibele modellen zijn de geïdentificeerde set en zijn moment closure statistisch ononderscheidbaar in eindige steekproeven. Dit betekent dat geen enkele test met een gecontroleerde grootte (size-controlled test) het onderscheid kan maken tussen een parameter die in de exacte geïdentificeerde set zit en een parameter die alleen in de moment closure zit.

4. Belangrijkste Resultaten

1. Isomorfisme: Identificatie en contrasterende analyse kunnen worden samengevoegd in één geaggregeerd model, wat de "estimate-then-simulate" workflow overbodig maakt.
2. Robuustheid van Support-Function: Zelfs als de klassieke voorwaarde van integreerbare begrensdheid faalt (wat vaak gebeurt bij winst- of welvaartsmetingen), blijft de support-function methode geldig voor de moment closure.
3. Praktische Justificatie: Omdat de geïdentificeerde set en de moment closure in eindige steekproeven ononderscheidbaar zijn voor irreducibele modellen, biedt de support-function methode een praktisch geldige en scherpe karakterisering van wat er uit de data geleerd kan worden, zelfs in scenario's waar traditionele scherpe identificatie faalt.
4. Rol van Modelspecificatie: Het artikel benadrukt dat de validiteit van de support-function methode afhangt van hoe het model wordt gespecificeerd. Het expliciet maken van support-restricties (in plaats van ze te verbergen in momenten) is cruciaal om de "irreducibiliteit" te garanderen en misleidende resultaten te voorkomen.

5. Significantie en Implicaties

• Empirische Toepasbaarheid: De resultaten bieden een sterke theoretische onderbouwing voor economen om de support-function methode toe te passen in complexe structurele modellen (zoals oligopolie-spellen of productie-functies) waar traditionele methoden faalden vanwege onbegrensde uitkomsten.
• Nieuw Perspectief op Identificatie: De auteur stelt voor dat het doel van identificatie niet altijd moet zijn het vinden van de exacte "sharp identified set" (wat vaak onmogelijk is zonder sterke aannames), maar het karakteriseren van de set die ononderscheidbaar is in eindige steekproeven. Dit verschuift de focus naar meer haalbare en robuuste identificatiecriteria.
• Oplossing voor "Set Prediction": De methode lost het probleem op van het simuleren uit modellen met set-voorspellingen door de contrasterende parameters direct in het identificatieprobleem te embedden.

Kortom, dit artikel biedt een wiskundig onderbouwd en praktisch bruikbaar raamwerk voor het uitvoeren van contrasterende analyses in onvolledige economische modellen, door de beperkingen van bestaande theorieën te overwinnen en een nieuw inzicht te geven in de relatie tussen support- en momentrestricties.