📈 economics

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

Dit artikel introduceert een framework voor constraint programming om de verklarende en welvaart-relevante inhoud van computationeel complexe modellen van gebonden rationaliteit te distilleren, waarbij wordt aangetoond dat modellen met beperkte aandacht menselijk gedrag effectief verklaren terwijl nieuwe selectiecriteria hun voorspellende onbepaaldheid aanzienlijk verminderen.

Oorspronkelijke auteurs: Özgür Akgün, Georgios Gerasimou

Gepubliceerd 2026-07-07

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Özgür Akgün, Georgios Gerasimou

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Waarom hebben we dit artikel nodig?

Stel je voor dat je iemand ziet een maaltijd kiezen uit een menu. Als die persoon een "perfect rationele" persoon is, heeft hij één duidelijke lijst met favorieten (bijv. Pizza > Burgers > Salade) en kiest hij altijd het beste item op die lijst. Dit is het standaardmodel van de "Rationele Keuze" dat economen meestal gebruiken.

Maar in het echte leven zijn mensen niet perfect. Soms kiezen ze de salade boven de pizza, ook al houden ze normaal gesproken van pizza. Waarom?

Shortlisting (Lijst maken): Misschien besloten ze eerst: "Ik eet niets met kaas," waardoor ze de pizza en de burgers direct elimineerden, en vervolgens de salade kozen uit wat er overbleef.
Beperkte Aandacht (Limited Attention): Misschien was het menu zo groot dat ze alleen naar de eerste drie items keken, de pizza misten en de salade kozen.

Decennialang hebben economen complexe wiskundige modellen gebouwd om deze "imperfecte" gedragingen (genaamd Shortlisting en Beperkte Aandacht) te beschrijven. Het probleem? Deze modellen zijn zo flexibel dat ze bijna alles kunnen verklaren. Als je een vreemde keuze ziet, kun je meestal een verhaal verzinnen (een specifieke set regels of een specifieke "blinde vlek") dat het passend maakt.

Omdat deze modellen zo flexibel zijn, zijn ze moeilijk te testen. Het is als een detective die elk misdrijf kan oplossen door voor elke zaak een nieuwe verdachte te verzinnen. Je kunt niet weten of de detective slim is of gewoon dingen verzint.

Dit artikel introduceert een nieuw hulpmiddel om dat probleem op te lossen. De auteurs gebruiken een vorm van informatica genaamd Constraint Programming (beperkingsprogrammering) om te fungeren als een superefficiënt filter. Ze vragen niet alleen: "Kan dit model de data verklaren?" Ze vragen: "Wat is de beste verklaring, en hoeveel verschillende verklaringen zijn er?"

De Hulpmiddelen: De "Slimme Zoekmachine"

De auteurs gebruiken twee belangrijke computationele trucs om deze rommelige modellen te temmen:

Constraint Programming (CP): Stel je voor dat je een specifieke sleutel probeert te vinden in een enorme, donkere kamer vol met miljoenen sleutels. Een normale zoektocht zou elke sleutel één voor één controleren (brute force). CP is als een robot die de vorm van het sleutelgat kent. Het elimineert onmiddellijk elke sleutel die te groot, te klein of de verkeerde vorm heeft, waardoor de zoektocht wordt teruggebracht tot slechts een paar kandidaten. Hierdoor kan de computer de enorme complexiteit van deze modellen aan zonder vast te lopen.
Constraint Dominance Programming (CDP): Dit is de "kwaliteitscontrole"-stap. Stel je voor dat je 1.000 sleutels vindt die op het slot passen. Dat zijn er te veel om uit te kiezen. CDP helpt je om de "slechtere" sleutels weg te gooien.
- De Regel: Als Sleutel A op het slot past en meer lijkt op een "perfecte" sleutel dan Sleutel B, dan gooien we Sleutel B weg.
- Het Doel: Ze willen de verklaringen vinden die het dichtst bij "perfecte rationaliteit" liggen. Als een persoon grotendeels rationeel is maar een kleine fout maakte, willen we dat verhaal vinden, en niet een verhaal waarbij die persoon totaal chaotisch is.

Het Experiment: De "Breiwerk Jurk" Test

Om hun nieuwe instrumenten te testen, keken de auteurs naar data uit twee echte experimenten waarbij mensen gekozen hebben uit gebreide artikelen (jurken en poncho's).

De Opzet: Mensen kregen groepen artikelen (menu's) te zien en werd gevraagd er één te kiezen.
De Bevindingen:
- De meeste mensen waren eigenlijk vrij rationeel. Ongeveer 70-90% van de keuzes kon worden verklaard door een simpele "Ik vind dit het leukst"-lijst.
- Voor de rest: De "Beperkte Aandacht"-modellen (waarbij mensen sommige items negeren) verklaarden de vreemde keuzes beter dan de "Shortlisting"-modellen (waarbij mensen items elimineren op basis van regels).
- De Catch: De "Beperkte Aandacht"-modellen waren te goed. Ze waren zo flexibel dat ze willekeurig gokken net zo goed konden verklaren als echte keuzes. Het was als een detective die zelfs een misdrijf kon oplossen als de verdachte onschuldig was.

Het "Indeterminacy" Probleem: Te Veel Antwoorden

Hier is het meest verrassende deel van het artikel. Zelfs nadat ze hun "kwaliteitscontrole"-filters gebruikten om de beste verklaringen te vinden, waren er nog steeds te veel.

De Analogie: Stel je voor dat je het geheime wachtwoord van een vriend probeert te raden.
- Rationale Keuze: Er is meestal slechts één wachtwoord dat bij de aanwijzingen past.
- Bounded Rationality (Shortlisting/Aandacht): Zelfs na het wegfilteren van de slechte gokken, heb je mogelijk nog steeds duizenden wachtwoorden die perfect bij de aanwijzingen passen.

De auteurs ontdekten dat voor de "Beperkte Aandacht"-modellen er vaak duizenden verschillende "verhalen" (combinaties van regels en blinde vlekken) waren die een enkele menselijke keuze konden verklaren. Dit wordt indeterminacy (onbepaaldheid) genoemd. Dit betekent dat zelfs als het model de data perfect verklaart, we nog steeds niet weten waarom die persoon die keuze maakte. We weten dat hun aandacht beperkt was, maar we weten niet precies welke items ze hebben genegeerd.

De "Randomness" Check

Om te zien welke modellen daadwerkelijk nuttig waren, lieten de auteurs een "leugendetector"-test uitvoeren. Ze vroegen: "Zou een persoon die gewoon willekeurig gokt (zoals het gooien van een muntje) deze keuzes kunnen hebben gemaakt?"

De Resultaten: De "Beperkte Aandacht"-modellen waren zo flexibel dat ze willekeurig gokken bijna net zo goed konden verklaren als echte menselijke keuzes. Dit maakt ze minder betrouwbaar voor het voorspellen van gedrag.
De Winnaar: Het "Shortlisting"-model, specifelijk de versie waarbij de regels logisch en consistent (transitief) zijn, was het enige dat de data kon verklaren zonder ook willekeurige ruis te verklaren. Het was het meest "eerlijke" model.

De Kernboodschap

Het artikel concludeert met een afweging:

Complexiteit vs. Helderheid: De complexere modellen (Beperkte Aandacht) verklaren meer van de vreemde keuzes die we in het echte leven zien.
De Kosten: Omdat ze zoveel verklaren, zijn ze ook erg vaag. Ze laten ons achter met duizenden mogelijke redenen voor een keuze, wat het moeilijk maakt om te weten wat de beslissing werkelijk drijft.
De Aanbeveling: Als je de werkelijke voorkeuren van een persoon (hun "welfare") wilt begrijpen, zijn de simpelere, meer gestructureerde modellen (zoals Rationele Keuze of logische Shortlisting) vaak beter. Zelfs als ze de data niet perfect verklaren, zijn de weinige antwoorden die ze geven veel betrouwbaarder dan de duizenden vage antwoorden die de complexe modellen bieden.

Kortom: De auteurs hebben een superintelligent computfilter gebouwd om te testen hoe goed we imperfecte menselijke keuzes kunnen begrijpen. Ze kwamen tot de conclusie dat hoewel we bijna alles kunnen verklaren met complexe regels, de "beste" verklaring vaak de simpelste is die ook niet de willekeurige ruis verklaart.

Technische Samenvatting: Het destilleren van modellen van gebonden rationele keuze: Een Constraint Programming-benadering

1. Probleemstelling
Het artikel adresseert een kritische lacune in de literatuur over de theorie van gebonden rationele keuze (bounded-rational choice). Hoewel invloedrijke modellen zoals de "Rational Shortlist Method" (RS) door Manzini en Mariotti (2007) en "Choice with Limited Attention" (CLA) en "Overwhelming Choice" (OC) door Masatlioglu et al. (2012) en Lleras et al. (2017) uitgebreid theoretisch zijn bestudeerd, blijven ze empirisch ondergetest in hun volledige algemeenheid. De primaire obstakels zijn:

Computationele onhandelbaarheid: De ruimte van gedragsprimitieven (voorkeuren en aandachtsfilters) groeit exponentieel met het aantal alternatieven, waardoor brute-force enumeratie van compatibele modellen onmogelijk is voor standaard datasets.
Niet-identificatie: Deze modellen zijn over het algemeen niet geïdentificeerd; één enkele dataset kan door duizenden verschillende modelinstanties worden verklaard (verschillende voorkeursordeningen en filters), wat de welvaarsinferentie (het bepalen van de onderliggende voorkeuren van de beslisser) onbepaald maakt.
Gebrek aan welvaart-relevante distillatie: Bestaande empirische tests vertrouwen vaak op "pass-of-fail" axiomatische controles. Er is een gebrek aan instrumenten om de volledige verklarende en welvaart-relevante inhoud van deze modellen te distilleren, specifiek om te identificeren welke compatibele primitieven het meest plausibel zijn voor welvaartsanalyse.

2. Methodologie
De auteurs introduceren een computationeel kader dat gebruikmaakt van Constraint Programming (CP) en Constraint Dominance Programming (CDP) om de computationele en identificatieproblemen te overwinnen.

Constraint Programming (CP): In plaats van standaard optimalisatie modelleren de auteurs het probleem met behulp van beslissingsvariabelen (die relaties vertegenwoordigen zoals voorkeuren en filters), hun domeinen en logische restricties afgeleid van de keuzedata. Ze maken gebruik van de Essence taal, Conjure, en Savile Row om hoogwaardige economische modellen te vertalen naar solver-optimale inputs voor de Minion solver.
- Mechanisme: CP gebruikt inferentie (constraint propagation) om de zoekruimte te beperken door variabelen uit te sluiten die niet aan de restricties kunnen voldoen, waardoor brute-force enumeratie wordt vermeden.
- Toepassing: Dit maakt de berekening van "afstandsscores" (analoog aan de Houtman-Maks score) voor modellen mogelijk, die de minimale hoeveelheid keuzes vertegenwoordigen die moeten worden gedropt voor een model om perfect te passen. Het maakt ook de enumeratie van alle primitieven die een specifieke score bereiken mogelijk.
Constraint Dominance Programming (CDP): Om de niet-identificatie aan te pakken, introduceren de auteurs dominantie-gebaseerde verfijningen.
- Dominantie-criteria:
  - Voor RS: Een instantie $(\succ^a_1, \succ^a_2)$ domineert $(\succ^b_1, \succ^b_2)$ als de relaties in $a$ superverzamelingen zijn van die in $b$ (d.w.z. vollediger/rationeler).
  - Voor CLA/OC: Een instantie $(\Gamma^a, \succ^a)$ domineert $(\Gamma^b, \succ^b)$ als ze dezelfde voorkeursordening delen maar $\Gamma^a$ ten minste evenveel alternatieven overweegt als $\Gamma^b$ in elk menu (minder restrictieve aandacht).
- Mechanisme: CDP integreert deze dominantierelaties direct in het zoekproces. Wanneer een oplossing wordt gevonden, voegt de solver een "blocking constraint" toe om elke toekomstige oplossing uit te sluiten die wordt gedomineerd door de huidige. Dit voorkomt de inefficiënte "generate-and-test" benadering van het enumereren van alle oplossingen en het achteraf filteren.
Voorspellende Succesmaten: De auteurs gebruiken de maten van Selten (1991) (verschil en ratio) om de prestaties van het model te vergelijken met willekeurig keuzegedrag (Bronars, 1987), waarbij zowel de verklarende kracht als de permissiviteit worden beoordeeld.

3. Belangrijkste Bijdragen

Methodologische Innovatie: Dit artikel is de eerste die CP en CDP toepast op de volledige algemeenheid van de RS, CLA en OC modellen. Het biedt een toolchain die de enumeratie van alle compatibele primitieven en de distillatie van ongedomineerde (welvaart-relevante) primitieven mogelijk maakt.
Welvaarsverfijning: Het stelt normatieve verfijningen voor die modelinstanties selecteren die het "dichtst" bij Rationele Keuze (RC) liggen. Voor RS betekent dit het bevoordelen van meer volledige voorkeursrelaties; voor CLA/OC betekent dit het bevoordelen van grotere overwegingssets.
Empirisch Kader: De auteurs demonstreren hoe men verder kan gaan dan binaire pass/fail tests om de nabijheid van een model tot de data te kwantificeren, de oplossingsets te enumereren en de voorspellende successen tegenover willekeurig gedrag te beoordelen.

4. Empirische Resultaten
Het kader wordt toegepast op twee datasets van Manzini (2023): "Four Dresses" (4 alternatieven, 11 menu's) en "Five Ponchos" (5 alternatieven, 16 menu's).

Verklarende Kracht:
- CLA en OC (modellen met beperkte aandacht) verklaren een significant hoger aandeel van de keuzes van subjecten perfect vergeleken met RS (shortlisting). In de "Five Ponchos" dataset verklaart CLA 100% van de subjecten perfect.
- Echter, modellen met beperkte aandacht zijn ook permissiever, wat betekent dat ze eerder geneigd zijn willekeurige keuzedata te verklaren (hoge "oppervlakte" in de ratio van Selten).
- RS (met name de transitieve subclass, $RS_{order}$ ) verklaart minder subjecten perfect, maar is minder permissief.
Onbepaaldheid en Parsimonie:
- Niet-identificatie: Zonder verfijning is het aantal compatibele primitieven enorm (bijv. duizenden voor CLA in de 4D-dataset).
- Effect van Verfijning: De dominantiecriteria reduceren de verzameling primitieven drastisch. In de 4D-dataset werd 83,3% tot 99,6% van de compatibele instanties als gedomineerd verworpen.
- Parsimonie-trade-off: Ondanks verfijning leveren gebonden rationele modellen over het algemeen meer compatibele primitieven (hogere onbepaaldheid) dan Rationele Keuze (RC). Voor subjecten die RC slechts benaderen, is het aantal compatibele voorkeursordeningen doorgaans uniek of zeer klein (mediaan 1), terwijl gebonden rationele modellen vaak meerdere ongedomineerde primitieven achterlaten.
Robuustheid tegen Willekeur:
- Gebruikmakend van de test van Bronars, stellen de auteurs vast dat de meeste benaderende fits van RC en de perfecte fits van $RS_{order}$ de "niet-willekeur" check overleven.
- Daarentegen falen de perfecte fits van CLA en OC vaak voor deze check, wat suggereert dat hun hoge verklarende kracht voortkomt uit overmatige permissiviteit in plaats van het vangen van een werkelijke gedragsstructuur.

5. Betekenis en Claims
De auteurs positioneren dit werk als een methodologische bijdrage aan de analyse van onthulde voorkeuren (revealed preference analysis). Zij stellen dat:

Computationele Haalbaarheid: CP/CDP maakt het mogelijk om complexe, niet-parametrische gebonden rationele modellen in hun volle algemeenheid te analyseren, een taak die voorheen als computationeel onhaalbaar werd beschouwd.
Distillatie van Welvaartsinhoud: Het framework stelt onderzoekers in staat om de welvaart-relevante inhoud van deze modellen te "distilleren" door gedomineerde primitieven te filteren, waardoor de onbepaaldheid wordt verlicht.
Identificatie van de Trade-off: De analyse benadrukt een fundamentele trade-off in het modelleren van imperfect rationeel gedrag: modellen met een hogere verklarende kracht (zoals CLA) lijden vaak onder grotere onbepaaldheid en lagere parsimonie vergeleken met het standaard rationele keuzemodel.
Toekomstige Richting: Het artikel claimt niet definitief het identificatieprobleem op te lossen, maar voert aan dat deze instrumenten een nieuwe generatie modelselectie mogelijk maken die expliciet de trade-offs tussen verklarende kracht, onbepaaldheid en computationele complexiteit evalueert. De auteurs benadrukken dat hoewel hun methoden diepere onderzoek faciliteren, de uiteindelijke selectie van een model voor welvaartsanalyse nog steeds de discretie van de analist vereist.