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

Este artigo desenvolve um quadro unificado para análise contrafactual em modelos incompletos com restrições de suporte e momentos, demonstrando que a identificação de parâmetros estruturais e a análise contrafactual são tarefas isomórficas e provando que a abordagem da função de suporte permanece nítida para o fechamento de momentos sob condições mínimas, permitindo assim a realização de análises contrafactuais sem a necessidade de simular resultados de modelos com previsões conjuntas.

O essencial

Imagine que você é um detetive tentando reconstruir o que aconteceu em um crime, mas as testemunhas não dão uma única versão dos fatos. Em vez disso, cada uma diz: "O suspeito estava em algum lugar entre a praça e o parque". Você não sabe exatamente onde ele estava, apenas que ele estava dentro desse intervalo.

Na economia, isso acontece o tempo todo. Modelos econômicos muitas vezes não conseguem prever um único resultado (como o preço exato de um carro ou se uma empresa vai entrar no mercado), mas sim um conjunto de possibilidades. Isso é o que o autor, Lixiong Li, chama de "modelos incompletos".

O problema é: como usar esses modelos para responder a perguntas do tipo "E se?" (análise contrafactual)? Por exemplo: "E se o governo aumentar o imposto? O que acontece com os lucros das empresas?"

Aqui está a explicação do que este artigo faz, usando analogias simples:

1. O Problema: A "Fórmula Mágica" Quebra

Normalmente, os economistas fazem duas coisas em sequência:

1. Estimam: Eles olham os dados passados para descobrir os parâmetros do modelo (como a "fórmula" do crime).
2. Simulam: Eles pegam essa fórmula e tentam rodar uma simulação para ver o que aconteceria no futuro sob novas regras.

O problema é que, quando o modelo original já é "incompleto" (dá vários resultados possíveis), a simulação vira um pesadelo. É como tentar prever o tempo para amanhã, mas sua fórmula diz que pode chover, nevar ou fazer sol ao mesmo tempo. Você não sabe qual cenário simular. Além disso, para perguntas complexas (como "qual será o lucro total?"), as regras matemáticas tradicionais que garantem que a resposta seja precisa muitas vezes quebram porque os números podem ficar infinitos (como lucros que podem crescer sem limite).

2. A Solução: Misturar Tudo em Uma Só "Sopa"

A grande ideia deste artigo é: Pare de tentar adivinhar o futuro antes de entender o presente.

Em vez de fazer "Estimativa -> Simulação", o autor propõe tratar a pergunta "E se?" como se fosse parte da própria investigação do crime.

• A Analogia: Imagine que você tem um quebra-cabeça incompleto (o modelo atual). Em vez de tentar montar uma segunda peça separada (o futuro), você cola a peça do futuro diretamente no quebra-cabeça original, criando um modelo aumentado.
• Agora, tanto os dados de hoje quanto a pergunta sobre o futuro são tratados da mesma maneira. Você não precisa simular o resultado; você apenas pergunta: "Quais são todos os cenários possíveis que são consistentes tanto com o que vimos no passado quanto com as regras do futuro que imaginamos?"

Isso elimina a necessidade de simulações complicadas e permite que o economista use ferramentas matemáticas mais robustas para encontrar os limites do que é possível.

3. O Obstáculo Matemático: A "Caixa Infinita"

Existe uma regra matemática antiga que diz: "Para que nossa resposta seja precisa, as possibilidades devem estar contidas em uma caixa finita".

• O Problema: Em muitos cenários econômicos reais (como lucros ou bem-estar), essa "caixa" não tem teto. Os lucros podem ser infinitamente altos. Quando isso acontece, a matemática tradicional diz: "Não podemos dar uma resposta precisa".

O autor mostra que, mesmo quando a "caixa" é infinita, a matemática ainda funciona, mas precisa ser ajustada. Ele introduz um conceito chamado "Fechamento de Momentos".

• A Analogia: Pense que você está tentando adivinhar o peso de um elefante. Se você não consegue pesar o elefante inteiro, você pode pesar partes dele e somar. Às vezes, a soma teórica pode ser infinita, mas o que você realmente consegue aprender com os dados é limitado. O autor prova que, na prática, a resposta que a matemática dá (mesmo com a caixa infinita) é tão boa quanto a resposta perfeita que gostaríamos de ter.

4. O Segredo Final: A "Irredutibilidade"

O artigo descobre um truque importante sobre como escrever as regras do jogo.

• Às vezes, os economistas misturam as regras de "onde o suspeito pode estar" (suporte) com as regras de "como os números devem se comportar" (momentos). Isso é como misturar o mapa com a bússola.
• O autor diz: "Se você separar claramente onde o suspeito pode estar (regras de suporte) de como os números devem se comportar (regras de momentos), você descobre que, em qualquer amostra de dados real (não infinita), é impossível distinguir entre a resposta perfeita e a resposta que sua nova matemática dá."

Em resumo:
O artigo diz: "Não se preocupe se o modelo não der uma única resposta ou se os números parecerem infinitos. Se você reformular sua pergunta de 'E se?' como parte do modelo original e separar claramente as regras de localização das regras de comportamento, você pode usar métodos matemáticos poderosos para encontrar os limites exatos do que é possível saber, mesmo sem simular o futuro."

É como dizer a um detetive: "Não tente adivinhar o final do filme antes de terminar de assistir. Apenas liste todas as cenas possíveis que combinam com o roteiro que temos, e você terá a resposta exata que precisa."

Resumo técnico

Resumo Técnico: Identificação e Análise Contrafactual em Modelos Incompletos

1. O Problema

A análise contrafactual é central na econometria estrutural aplicada (ex: avaliação de políticas, fusões, mudanças de mercado). O fluxo de trabalho convencional envolve estimar parâmetros estruturais e, em seguida, simular resultados sob cenários não observados. No entanto, em modelos incompletos (onde o modelo gera um conjunto de previsões em vez de um único resultado, como em jogos com múltiplos equilíbrios), essa abordagem enfrenta dois desafios principais:

1. Desafio Computacional: A simulação de resultados contrafactuais é frequentemente inviável ou computacionalmente proibitiva, pois os resultados não são unicamente determinados mesmo condicionados aos parâmetros e variáveis latentes.
2. Desafio Estatístico: A identificação "sharp" (nítida) de regiões de identificação em modelos incompletos, baseada na teoria de conjuntos aleatórios (random sets), frequentemente falha em cenários contrafactuais economicamente relevantes. Especificamente, a condição de limitação integrável (integrable boundedness) — necessária para que o método da função de suporte caracterize exatamente o conjunto identificado — é violada quando os objetos de interesse (como lucros, bem-estar ou excedente) são ilimitados ou quando as restrições de suporte são unilaterais.

O artigo investiga como realizar análise contrafactual e identificação em uma classe ampla de modelos caracterizados por restrições de suporte (derivadas da teoria econômica, como equilíbrios) e restrições de momento (que restringem variáveis latentes sem especificar sua distribuição completa).

2. Metodologia e Estrutura Teórica

O autor propõe uma estrutura unificada que trata a identificação de parâmetros estruturais e contrafactuais como tarefas isomórficas.

• Modelo Estrutural Base: O modelo é definido por uma restrição de suporte $P((U, Z) \in \Gamma(\theta)) = 1$ e restrições de momento $E[r(U, Z; \theta)] = 0$, onde $U$ são variáveis latentes, $Z$ são observáveis e $\theta$ são parâmetros.
• Abordagem de Modelo Aumentado: Em vez de estimar $\theta$ e depois simular, o autor incorpora as restrições contrafactuais diretamente no modelo estrutural.
  • Define-se um vetor latente aumentado $U' = (U, \tilde{Y}, \tilde{U})$, onde $\tilde{Y}$ são os resultados contrafactuais e $\tilde{U}$ são primitivas latentes contrafactuais.
  • As restrições de suporte contrafactuais e as definições de parâmetros contrafactuais (via momentos) são empilhadas com as restrições originais.
  • Isso cria um modelo aumentado onde o parâmetro contrafactual $\tilde{\theta}$ é tratado da mesma forma que o parâmetro estrutural $\theta$. A inferência pode então ser feita usando procedimentos padrão de subvetor para modelos parcialmente identificados, sem simulação de equilíbrios.

3. Contribuições Principais

O artigo faz duas contribuições teóricas fundamentais:

A. Unificação da Análise Contrafactual:
Demonstra que a identificação de parâmetros contrafactuais em modelos incompletos pode ser reduzida à caracterização do conjunto de valores de parâmetros consistentes com um conjunto único de restrições de suporte e momento aumentadas. Isso elimina a necessidade de simular distribuições de resultados contrafactuais a partir de um modelo que prevê conjuntos, contornando a necessidade de regras de seleção de equilíbrio adicionais.

B. Extensão da Teoria de Identificação Sharp (Função de Suporte):
O autor estende os resultados de identificação sharp para além da condição de limitação integrável, que frequentemente falha em aplicações contrafactuais.

• O Problema da Limitação Integrável: Em muitos cenários (ex: jogos de entrada), as restrições de suporte limitam as variáveis latentes apenas de um lado (ex: $U \geq c$), enquanto os momentos dependem de $U$ em níveis ou quadrados. Isso faz com que o conjunto aleatório $R(z; \theta)$ não seja limitado integravelmente, violando as premissas de teoremas clássicos (como Beresteanu, Molchanov e Molinari, 2011).
• Fechamento de Momento (Moment Closure): O autor define o fechamento de momento do conjunto identificado ($\Theta_I^c$) como o conjunto de parâmetros para os quais a violação de momento pode ser feita arbitrariamente pequena (em vez de exatamente zero).
• Teorema 2: Demonstra que, sob condições mínimas de regularidade (sem necessidade de limitação integrável), a abordagem da função de suporte é sharp para o fechamento de momento do conjunto identificado. Ou seja, a desigualdade da função de suporte caracteriza exatamente o fechamento de momento.

4. Resultados Chave e Indistinguibilidade

O artigo resolve a questão de quando o fechamento de momento difere do conjunto identificado real e qual a implicação prática disso.

• Condição de Irredutibilidade: O autor introduz uma condição chamada irredutibilidade. Um modelo é redutível se uma restrição de suporte pode ser implicitamente codificada dentro das restrições de momento (misturando os dois tipos de restrições). Um modelo é irredutível se todas as implicações de suporte forem explícitas.
• Teorema 3 (Indistinguibilidade em Amostra Finita): O resultado central é que, para modelos irredutíveis, o conjunto identificado e seu fechamento de momento são estatisticamente indistinguíveis em amostras finitas.
  • Isso significa que nenhum teste de hipótese com controle de tamanho pode distinguir se um parâmetro pertence ao conjunto identificado exato ou apenas ao seu fechamento de momento.
  • Consequentemente, o fechamento de momento representa o limite efetivo do que pode ser aprendido dos dados em qualquer tamanho de amostra finito.

Implicação Prática: Mesmo que a condição de limitação integrável falhe (tornando o conjunto identificado exato potencialmente diferente do conjunto da função de suporte), se o modelo for formulado de forma irredutível, a abordagem da função de suporte fornece uma caracterização válida e útil para a inferência empírica.

5. Significado e Contribuição para a Prática Empírica

1. Justificativa para o Uso de Função de Suporte: O artigo fornece uma justificativa teórica robusta para o uso de métodos de função de suporte em análises contrafactuais complexas onde a identificação sharp clássica falharia devido à falta de limitação integrável.
2. Mudança de Paradigma na Identificação: Sugere uma mudança de foco da "identificação sharp exata" (que exige condições fortes e muitas vezes irrealistas) para a "indistinguibilidade em amostra finita". Isso permite que economistas utilizem modelos mais flexíveis e economicamente relevantes sem perder rigor inferencial.
3. Reformulação de Modelos: Destaca a importância crucial de como o modelo é especificado. Restrições de suporte devem ser impostas explicitamente e não "escondidas" dentro de condições de momento. Ao reformular um modelo para torná-lo irredutível, o pesquisador garante que a abordagem da função de suporte capture o limite efetivo da informação disponível.
4. Aplicabilidade Geral: A metodologia se aplica a uma vasta gama de modelos estruturais, incluindo jogos de entrada, estimação de funções de produção com custos de ajuste, e modelos de escolha discreta com endogeneidade, facilitando a análise de políticas públicas e cenários contrafactuais sem a necessidade de simulações computacionais intensivas.

Em suma, o paper oferece uma estrutura unificada e teoricamente fundamentada para realizar análise contrafactual em modelos incompletos, superando limitações técnicas anteriores e fornecendo ferramentas práticas para economistas aplicados lidarem com a incerteza inerente a previsões de conjuntos.