Optimización heurística en economía y Econometría

Manfred Gilli, Peter Winker

11 October 2008
Muchos problemas de optimización en economía no pueden resolverse con métodos
estándar debido a discontinuidades y la existencia de múltiples óptima. Esta columna
presenta optimización heurística, que ofrece una solución en tales casos.
Economía tiene una larga tradición de confiar en modelos cuantitativos para presentar su
teoría y prueba empírica. De hecho, Joseph Schumpeter, en la primera edición de
Econometrica en 1933, describió economía como la más cuantitativa de todas las ciencias.
Optimización es una parte inherente de esta metodología. En modelos teóricos, los
agentes se presentan como maximizarse la utilidad y las empresas tratan de maximizar
beneficios o minimizar costos. Selección y estimación de modelos para que cantidades de
conjuntos de datos de optimización – sumas de cuadrados se reducen al mínimo y
probabilidades son maximizados así rutinariamente hoy que a menudo los investigadores
ni siquiera ser consciente de que un modelo es optimizarlo.

Al construir los modelos, los economistas a menudo están limitados por el hecho de que el
modelo más tarde tiene que resolverse, idealmente en forma cerrada. Algunos
investigadores han abandonado confiando en "agentes representativos" y optaron por
modelos más complejos, apoyándose en simulaciones de computadora para obtener
resultados. Estos modelos basados en agentes, si pretenden ser una alternativa a
enfoques más estándar, deban estar "sintonizados" tal que los resultados de estos
modelos coinciden con hechos empíricos. Una vez más, se trata de una estimación – y por
ende optimización – problema. En esta columna hablaremos principalmente de problemas
de estimación en Econometría, pero el problema es mucho más general y se aplica a
muchas áreas en la economía Ver Winker (2001), capítulo 2).

Más formalmente, problemas de optimización en estimación y modelado por lo general se

expresan como max f(x) donde f puede ser una función de probabilidad y parámetros del modelo
(por supuesto numéricamente, max f (x) es igual a min-f. Curiosamente, la f de máximo problema
(x) a menudo se considera sinónimo de la solución X optima que tácitamente asume que una
solución existe y es única. McCullough y Vinod (1999, p. 635) del estado, "muchos libros de texto
transmiten la impresión de que todo lo que se tiene que hacer es utilizar un ordenador para
resolver el problema, los supuestos implícitos e injustificables que solución del ordenador es
correcta y que paquete de un software es tan bueno como cualquier otro".Goffe et al (1994)
fueron los primeros en reconocer que muchos problemas de optimización en Econometría no
pueden resolverse con métodos estándar debido a la existencia de múltiples optima y
discontinuidades. Estos no son ejemplos patológicos. Estos problemas aún se presentan modelos
ampliamente utilizados como regresiones de heterocedasticidad condicional (GARCH)
autorregresiva generalizada (véase Doornik y Ooms, 2008)). Otro ejemplo viene de fuerte
regresión ('resistente'). La figura 1 muestra la función objetivo para la estimación de una regresión
lineal minimizando el menos mediana de Squares (LMS), en lugar de las menos plazas (media de).
La función tiene muchos grados óptimos locales y no se ve muy suave.

Figura 1. Median menos de función objetivo de plazas

Estos dos ejemplos ilustran diferentes problemas de optimización. El modelo GARCH

muestra que aun ampliamente aplicados los modelos no son necesariamente fáciles de
estimar, y los investigadores no son a veces incluso conscientes de las dificultades
computacionales. El modelo LMS sirve como un ejemplo donde no se usan los modelos
posiblemente superiores porque parecen difíciles de estimar.
Métodos estándar, por ejemplo, para la estimación de máxima verosimilitud, son
esencialmente-subir la colina algoritmos. Comienzan con una solución dada y luego
proceder determinista en la dirección donde aumenta la probabilidad, por ejemplo,
siguiendo la dirección del gradiente. Es fácil ver que tal un algoritmo es probable que falle
en una situación con muchos grados óptimos locales, ya que se detiene en el primer pico.
Algunos métodos requieren también el paisaje, es decir, la función objetivo, para tener
ciertas propiedades como ser continua. Si faltan estas propiedades, el algoritmo no
funciona. Lo que es peor, el software empleado puede no reportar un error pero sólo
devolver algún valor.

Métodos heurísticos