A Frequentist Approach to Revealed Preference Analysis

Título: Uma Abordagem Frequentista para Análise de Preferência Revelada

Autores: Charles Gauthier, Raghav Malhotra e Agustín Troccoli Moretti
Data: 7 de fevereiro de 2026

---

1. O Problema

A análise de preferência revelada (RP) é o padrão-ouro para verificar se as escolhas de um agente são consistentes com a maximização de utilidade. No entanto, a literatura tradicional enfrenta um desafio fundamental ao lidar com dados finitos:

• O Dilema da Potência Estatística: Os testes de RP tradicionais (como o Axioma Generalizado de Preferência Revelada - GARP) são testes de "tamanho zero" (size zero). Se os dados passam no teste, o analista não pode distinguir entre um agente verdadeiramente racional e um agente irracional cujos desvios foram simplesmente muito pequenos para serem detectados com a amostra disponível.
• Falta de Hipóteses Alternativas: Para realizar uma análise de poder (probabilidade de rejeitar a hipótese nula quando ela é falsa), é necessário definir uma hipótese alternativa parcimoniosa. A literatura anterior (ex: Bronars, 1987) propôs alternativas como "escolhas aleatórias", mas não há um benchmark óbvio ou geral para desvios irracionais economicamente significativos.
• Incerteza sobre o Tamanho da Amostra: Não existe uma resposta clara na teoria RP tradicional sobre quantas observações ($n$) são necessárias para detectar um desvio de racionalidade de magnitude $\epsilon$ com alta probabilidade.

O artigo busca preencher essa lacuna, transformando a análise de RP de uma verificação determinística de consistência em um framework de inferência estatística frequentista com garantias de potência e intervalos de confiança.

---

2. Metodologia

Os autores desenvolvem um framework que integra a Teoria do Aprendizado Estatístico (PAC Learning) com a teoria de preferência revelada.

A. Premissas Fundamentais

• Dados Estocásticos: Embora a função de demanda verdadeira ($g$) seja determinística, os preços e rendas são amostrados aleatoriamente de uma distribuição $\mu$. Isso permite tratar o conjunto de dados como uma realização estocástica.
• Regularidade (Lipschitz): Assume-se que a classe de funções de demanda $G$ satisfaz uma condição de Lipschitz (suavidade). Isso implica que, se uma função se ajusta bem aos pontos amostrados, ela deve estar próxima da função verdadeira em todo o domínio, desde que a amostra seja suficientemente grande.

B. Estrutura do Teste

O objetivo é testar:

• $H_0$: A função de demanda $g$ pertence a uma classe de modelos $F$ (ex: preferências racionais).
• $H_1$: $g$ está a uma distância $\epsilon$ de $F$ (ou seja, $g \in G \setminus F(\epsilon)$).

O artigo estabelece três tipos de limites de potência baseados na complexidade da amostra necessária para aprender a classe $G$:

1. Limite Direto: Dado um erro tolerado $\epsilon$ e um nível de confiança $1-\delta$, qual o tamanho de amostra $n(\epsilon, \delta)$ necessário para garantir potência $\ge 1-\delta$?
2. Limite Inverso: Dado um tamanho de amostra $n$ e tolerância $\epsilon$, qual o nível de confiança $1-\delta$ alcançável?
3. Limite de Detecção: Dado $n$ e $1-\delta$, qual a menor separação $\epsilon(n, \delta)$ que o teste pode detectar com alta probabilidade?

C. Extensão para Restrições Funcionais

Para classes de preferências onde os testes de RP exatos são computacionalmente intratáveis (NP-difíceis, como separabilidade fraca) ou desconhecidos, os autores propõem o uso de Restrições Funcionais ($R: G \to \mathbb{R}$).

• Uma restrição $R$ define $F$ tal que $R(g) = 0 \iff g \in F$.
• Ao impor condições de continuidade uniforme e regularidade sobre $R$, é possível construir testes com tamanho e potência controlados, mesmo sem uma caracterização exata de RP.

D. Inferência para Estimandos Suaves

O framework permite construir intervalos de confiança para funcionais suaves da demanda (ex: variação equivalente, índices de custo de vida). A precisão do intervalo depende diretamente da complexidade da amostra necessária para aprender a classe de preferências subjacente.

---

3. Principais Contribuições

1. Fundamentação Teórica para Análise de Potência:
   O artigo fornece a primeira base teórica rigorosa para calcular a potência de testes de preferência revelada. Utilizando resultados de aprendizado PAC para demandas Lipschitz, os autores derivam limites explícitos de tamanho de amostra necessários para detectar desvios de racionalidade.

2. Testes Baseados em Restrições Funcionais:
   Desenvolve uma metodologia para testar classes de preferências (como preferências homotéticas, separabilidade fraca, escolhas sob risco) usando restrições funcionais (derivadas, matrizes de Slutsky) em vez de desigualdades algébricas exatas. Isso contorna problemas de complexidade computacional (NP-difícil) e permite testes com tamanho não nulo controlado.

3. Intervalos de Confiança para Bem-Estar:
   Demonstra como derivar intervalos de confiança para medidas de bem-estar (como Variação Equivalente) a partir de dados finitos, ligando a precisão da inferência diretamente à riqueza dos dados e à complexidade do modelo.

4. Análise de Simulação e Sensibilidade:
   Realiza simulações que mostram como a potência dos testes varia drasticamente entre diferentes modelos (Maximização de Utilidade Estática, Homoteticidade, Separabilidade Fraca, Utilidade Esperada) para o mesmo tamanho de amostra.

---

4. Resultados Chave

• Garantias de Potência: O Teorema 3.1 prova que, se a classe de demanda é aprendível (PAC), existe um tamanho de amostra $n$ tal que qualquer teste de RP característico rejeitará qualquer demanda que esteja a uma distância $\epsilon$ da classe racional com probabilidade $\ge 1-\delta$.
• Relação Tamanho de Amostra vs. Desvio: A simulação (Seção 3.3) revela que:
  • Testes para Utilidade Esperada (EU) e Homoteticidade (H) requerem tamanhos de amostra modestos para detectar desvios.
  • Testes para Maximização de Utilidade Estática (SUM) e Separabilidade Fraca (WS) requerem amostras muito maiores para detectar desvios pequenos.
  • Isso sugere que a alta taxa de "não rejeição" do GARP em dados empíricos pode ser devido à baixa potência estatística para detectar pequenos desvios, e não necessariamente à racionalidade dos agentes.
• Regressões Log-Log: As regressões mostram que o tamanho de amostra necessário ($n$) escala com o desvio de racionalidade ($\epsilon$) de forma não linear. A elasticidade varia entre os modelos, indicando que alguns modelos são muito mais "sensíveis" (exigem menos dados para rejeitar) do que outros.
• Robustez a Erros de Medição: O framework mantém sua validade na presença de erros de medição aditivos de média zero, desde que a classe de demandas permaneça aprendível.

---

5. Significância e Implicações

• Mudança de Paradigma: O artigo muda o foco de "testar o conjunto de dados" (o conjunto de dados passa ou falha no teste?) para "testar o tomador de decisão" (qual a probabilidade de detectar um agente irracional com estes dados?).
• Interpretação de Resultados Empíricos: Fornece uma lente crítica para interpretar a literatura empírica. O fato de o GARP raramente rejeitar dados reais pode ser uma artefato estatístico (baixa potência) e não uma confirmação de racionalidade. Por outro lado, a rejeição frequente da Utilidade Esperada em experimentos pode refletir sua alta sensibilidade a desvios mínimos.
• Viabilidade Computacional: Ao permitir testes baseados em restrições funcionais com tamanho não nulo, o método torna viável testar modelos complexos (como separabilidade fraca) que eram anteriormente computacionalmente proibitivos de testar de forma exata.
• Guia para Coleta de Dados: Oferece aos pesquisadores uma ferramenta para planejar experimentos, calculando quantas observações são necessárias para atingir um nível desejado de confiança na detecção de desvios específicos.

Em resumo, este trabalho estabelece uma ponte rigorosa entre a teoria econômica de preferência revelada e a estatística de aprendizado de máquina, fornecendo as ferramentas necessárias para quantificar o que é possível aprender sobre preferências a partir de dados finitos e ruidosos.