Resumo Técnico: Equilíbrio de Validação Cruzada (Cross-Validation Equilibrium)

1. Definição do Problema

Este artigo aborda as implicações estratégicas da integração de aprendizado de máquina (ML) preditivo em jogos bayesianos estáticos com informação incompleta. Em muitos contextos econômicos (ex: pontuação de crédito, avaliação de risco judicial), tomadores de decisão humanos delegam a formação de crenças preditivas a algoritmos de ML. Esses algoritmos constroem modelos baseados em amostras de treinamento aleatórias extraídas da própria distribuição de equilíbrio do jogo.

O problema central é caracterizar os resultados de equilíbrio quando:

1. Os jogadores delegam a formação de crenças a um "agente de ML".
2. O agente de ML seleciona um modelo preditivo (mapeamento de tipos de jogadores para resultados relevantes para o payoff) baseado em uma amostra de treinamento endógena e ruidosa.
3. O critério de seleção do modelo mimetiza a validação cruzada (cross-validation): o agente escolhe o modelo que minimiza o erro quadrático médio de predição fora da amostra esperado.
4. Os jogadores então respondem de forma ótima às crenças geradas pelo modelo selecionado.

Os autores buscam entender como o elo endógeno entre o comportamento dos jogadores e os modelos preditivos gerados por ML altera conceitos de equilíbrio padrão, como o Equilíbrio de Nash (NE).

2. Metodologia e Estrutura do Modelo

A Estrutura do Jogo

Os autores formulam um jogo bayesiano ligeiramente não convencional:

• Jogadores: $N = \{1, \dots, n\}$.
• Estados e Tipos: Um conjunto de estados $\Theta$ e conjuntos de tipos $T_i$.
• Payoffs: A utilidade do jogador $i$, $u_i(a_i, t_i, x_i)$, é contínua e linear em um resultado escalar relevante para o payoff $x_i$. O resultado $x_i$ é uma função do estado e das ações dos oponentes, $x_i = f_i(\theta, a_{-i})$.
• Amostra de Treinamento: Para um perfil de estratégia $\sigma_{-i}$ fixo, o verdadeiro resultado esperado para o jogador $i$ dado o tipo $t_i$ é $\bar{x}^\sigma_i(t_i)$. O agente de ML observa uma amostra de treinamento ruidosa:
  $$y_{t_i} = \bar{x}^\sigma_i(t_i) + \varepsilon_{t_i}$$
  onde $\varepsilon_{t_i}$ são termos de ruído i.i.d. simétricos em torno de zero.

A Tarefa do Agente de ML

O agente de ML seleciona uma partição $\Pi_i$ do espaço de tipos $T_i$ a partir de um conjunto viável $\mathcal{P}_i$.

• Predição: Dentro de cada célula da partição $\pi(t_i)$, o agente prevê o resultado usando a média ponderada da amostra de treinamento naquela célula.
• Critério de Seleção: O agente seleciona a partição que minimiza o erro quadrático médio de predição fora da amostra esperado. Isso envolve uma amostra de validação com ruído independente $\eta$. O agente avalia o desempenho da partição através de muitas potenciais amostras de validação.
• Trade-off Viés-Variância: O processo de seleção naturalmente equilibra o viés (partições grosseiras) e a variância (partições finas). Uma partição grosseira pode ser selecionada se o ruído da amostra de treinamento for alto, pois isso reduz a variância do estimador.

Definição: Equilíbrio de Validação Cruzada (CVE)

Um perfil de estratégia $\sigma$ é um Equilíbrio de Validação Cruzada (CVE) se, para cada jogador $i$ e para cada realização da amostra de treinamento $\varepsilon_i$:

1. O agente de ML seleciona uma partição $\Pi_i$ que minimiza o erro de predição fora da amostra esperado, dado $\varepsilon_i$ e as estratégias dos oponentes.
2. O jogador escolhe uma estratégia pura $g_i(t_i)$ que é uma melhor resposta à crença induzida pela partição selecionada $\Pi_i$.
3. A estratégia mista do jogador $\sigma_i$ é a mistura de todos esses pares (partição, estratégia) compatíveis, ponderada pela probabilidade da realização da amostra de treinamento.

3. Principais Resultados Teóricos

Existência e Convergência

• Existência: Os autores provam que um CVE existe em todo jogo finito usando um argumento de ponto fixo sobre uma correspondência que mapeia perfis de estratégia e distribuições de partição para si mesmos.
• Convergência para ABEE: À medida que o ruído da amostra de treinamento desaparece ($\text{Var}(\varepsilon) \to 0$), qualquer ponto limite de uma sequência de CVEs converge para um Equilíbrio de Expectativa Baseado em Analogia (ABEE) (Jehiel, 2005) em relação à partição mais fina viável.
• Convergência para NE: Se a partição mais fina viável for a partição unitária (distinguindo cada tipo), o CVE converge para o Equilíbrio de Nash conforme o ruído desaparece.

Propriedades da Seleção de Modelos

• Ausência de Viés nos Modelos Selecionados: Um resultado técnico crucial (Proposição 4) é que o ruído esperado da amostra de treinamento condicional à partição selecionada é zero. Isso ocorre porque o critério de seleção (minimizar o erro quadrático fora da amostra esperado com perda quadrática) e a simetria da distribuição do ruído garantem que o processo de seleção não enviese sistematicamente o ruído.
• Evitação de Over-fitting: Se a estatística suficiente for mensurável em relação a uma partição grosseira, o agente de ML quase nunca selecionará uma partição estritamente mais fina, pois a partição mais fina apenas aumentaria a variância sem reduzir o viés (Proposição 3).
• Regra de Seleção de Partição: Em cenários binários (partições finas vs. grosseiras), a partição fina é selecionada se, e somente se, a variância do ruído realizado da amostra de treinamento for menor que a variância da estatística suficiente (Proposição 5).

4. Aplicações e Implicações Econômicas

O artigo aplica o CVE a vários jogos específicos para ilustrar diferenças qualitativas em relação ao Equilíbrio de Nash:

A. Jogos de Payoff Quadrático (Cournot e Esforço de Equipe)

• Substitutibilidade Estratégica (Cournot): Em uma competição de Cournot, a volatilidade das quantidades e preços de equilíbrio em um CVE simétrico aumenta com a variância do ruído da amostra de treinamento. Isso ocorre porque amostras mais ruidosas tornam partições grosseiras mais prováveis; sob substitutibilidade estratégica, crenças grosseiras (que reagem insuficientemente às flutuações do estado) levam a reações amplificadas pelo jogador.
• Complementaridade Estratégica (Esforço de Equipe): Em um jogo de esforço de equipe, o CVE pode exibir múltiplos equilíbrios, mesmo quando o jogo subjacente possui um equilíbrio de Nash único. A multiplicidade surge porque a probabilidade de selecionar uma partição fina é crescente na volatilidade das crenças, que por sua vez depende da seleção da partição.
• Descontinuidade: Mesmo com ruído arbitrariamente pequeno, o CVE no jogo de esforço de equipe pode ser descontinuamente diferente do equilíbrio de Nash, resultando em menores payoffs esperados.

B. Votação por Unanimidade (Modelo de Júri)

Em um modelo de júri de dois jogadores, a seleção endógena de modelos pode levar a probabilidades mais altas de votar a favor de uma reforma em comparação ao equilíbrio de Nash eficiente. O ruído na amostra de treinamento pode induzir a seleção de uma partição grosseira, que agrega informações de uma forma que torna os jogadores mais propensos a votar "Sim" do que seriam sob crenças racionais e detalhadas.

C. Apostas Especulativas

Em um jogo de apostas de soma zero, um jogador restrito à partição fina "correta" pode sofrer menores payoffs esperados do que um oponente que tem acesso tanto à partição fina quanto à grosseira. O oponente pode selecionar estrategicamente uma partição grosseira quando as realizações do ruído são opostas, efetivamente suavizando o ruído para formar uma crença correta e explorar o jogador restrito. Isso desafia a intuição de que mais informação (ou o modelo correto) é sempre superior.

D. Ilusão de Controle

Os autores estendem o framework para permitir partições do espaço conjunto de estados e ações. Eles demonstram um cenário onde os jogadores escolhem uma ação estritamente dominada com probabilidade positiva. Essa "ilusão de controle" surge porque o agente de ML ocasionalmente seleciona um modelo que atribui falsamente o sucesso de um resultado à própria ação do jogador, levando o jogador a acreditar que a ação é causal.

5. Significância e Contribuição

O artigo afirma contribuir para a literatura sobre:

1. ML Estratégico: Diferente da literatura de aprendizado por reforço (ex: Calvano et al., 2020), que foca na dinâmica de aprendizado de longo prazo, este artigo foca em jogos estáticos onde agentes de ML constroem modelos preditivos para jogadores humanos.
2. Formação de Crenças Não-Racionais: Ele estende a literatura sobre conceitos de equilíbrio subjetivo (ex: Jehiel, 2005; Eyster e Rabin, 2005) ao introduzir a seleção de modelo endógena e aleatória. Ao contrário de modelos anteriores onde as partições são fixas ou dadas exogenamente, o CVE apresenta partições selecionadas endogenamente com base em um critério de validação cruzada.
3. Dados Endógenos: O trabalho destaca que, quando os dados de treinamento são endógenos ao equilíbrio, o "trade-off viés-variância" inerente à seleção de modelos de ML torna-se uma variável estratégica, potencialmente levando a múltiplos equilíbrios, maior volatilidade e resultados que se desviam significativamente de benchmarks racionais, mesmo com pequenas quantidades de ruído.

Os autores enfatizam que seus resultados dependem do critério específico de minimizar o erro quadrático médio fora da amostra esperado e da simetria do ruído. Eles observam que a linearidade dos payoffs é uma suposição simplificadora que permite que a estatística suficiente seja um escalar, facilitando a ligação com o ABEE.