Skip to content

Puente Empírico LP Distribucional ↔ Incidencia de Hogares HANK de un Activo

🇬🇧 English · 🇪🇸 Español

El módulo puremacro.models.hank_distributional_bridge (puremacro/models/hank_distributional_bridge.py) conecta las respuestas al impulso transversales por grupo de hogares de los solucionadores HANK de un activo (puremacro.models.hank_fiscal y puremacro.models.hank_sequence_space) con las proyecciones locales distribucionales y cuantílicas empíricas (puremacro.lp.distributional).


1. Propósito y arquitectura contable

Evaluar modelos de agentes heterogéneos únicamente con el consumo agregado \(dC_t\) deja sin verificar la transmisión distributiva entre hogares. Este puente:

  1. Extrae trayectorias transversales por grupo (\(T \times G\)) por cuantiles de riqueza líquida, hogares restringidos hand-to-mouth (HtM) frente a no restringidos, estados de productividad o particiones personalizadas \((a, s)\) bajo cierres balanced_budget, debt_rule, impuestos proportional o lump_sum, choques monetarios o transferencias directas de liquidez.
  2. Audita la conservación contable exacta (fail-closed): Comprueba que la suma ponderada por población de las IRF grupales reproduce con exactitud las sendas agregadas del modelo (< 1e-10) sin reescalamiento silencioso: $\(\sum_{g=1}^{G} p_g \, dc_{t,g} = dC_t, \qquad \sum_{g=1}^{G} ds_{t,g}^C = 0, \qquad \sum_{g=1}^{G} p_g \, da_{t,g} = dA_t, \qquad \sum_{g=1}^{G} ds_{t,g}^A = 0.\)$ Los modelos no convergidos o con violaciones de conservación lanzan ValueError, salvo inspección explícita con allow_unconverged=True o strict_conservation=False.
  3. Alinea y califica frente a LP empíricas: Contrasta las respuestas grupales del modelo HANK contra DistributionalLPResult (procedente de estimate_distributional_lp o estimate_quantile_lp) u objetivos EmpiricalGroupTargets / DataFrame / diccionarios suministrados por el usuario, reportando:
  4. RMSE, MAE, sesgo, concordancia de signo, estadísticos \(t\) puntuales, prueba diagonal \(\chi^2\) de Wald y cobertura dentro de bandas de confianza globales y por grupo.
  5. Contraste de gradiente de desigualdad y dispersión: diferencia y cocientes entre el grupo de menor y mayor riqueza (low_group - high_group en impacto y acumulado, RMSE del gradiente y razón de dispersión transversal).
  6. Metadatos de calibración estacionaria (aggregate_mpc, htm_constrained_share, wealth_gini, MPC por grupo, top_grid_mass) y registro estándar SolverDiagnosticRecord (PASS, CONVERGED_INACCURATE, UNSUPPORTED_REGIME, FAILED).
  7. Salida bilingüe: Soporta lang="en" | "es" en .summary(), .to_markdown() y .to_dict(), además de .to_frame(), .to_latex(), .to_typst() y .plot().

2. Esquemas de partición y modos de seguimiento dinámico

Partición groups= Grupos generados
"quintiles", "deciles", "quartiles", "terciles" Quintiles, deciles, cuartiles o terciles estacionarios de riqueza líquida (Q1..Q5, D1..D10, etc.)
"htm_vs_unconstrained" "HtM" frente a "Unconstrained" (htm_definition="constrained" en \(a_{ss} \le a_{\min}\) o "bottom_quartile")
"income", "wealth_x_income" Estados de productividad o cruce riqueza × ingreso
Entero G >= 2 o bordes [0.0, ..., 1.0] Partición cuantílica arbitraria definida por el usuario
Mapping[str, np.ndarray] Pesos de partición personalizados sobre (n_a,) o (n_a, n_s) con suma unitaria

El seguimiento dinámico sobre \(t = 0, \dots, T-1\) se controla mediante tracking: - "cohort" (por defecto): Sigue hacia adelante las cohortes iniciales del estado estacionario con masas fijas \(p_g\); consistente tanto en transiciones no lineales (FiscalHANKResult, NonlinearHANKResult) como en perturbaciones lineales Fake News (SequenceSpaceHANKResult). - "cross_section": Recalcula los umbrales cuantílicos transversales en cada periodo sobre \(D_t\) (solo modelos no lineales con partición por cuantiles). - "fixed_bins": Mantiene fijos los intervalos iniciales sobre la malla mientras la masa poblacional evoluciona con \(D_t\).


3. Ejemplo ejecutable

import numpy as np
import pandas as pd

from puremacro.lp.distributional import estimate_distributional_lp
from puremacro.models.hank_distributional_bridge import (
    bridge_hank_distributional,
    solve_hank_group_irf,
)

# 1. Resolver un recorte tributario de suma alzada financiado en HANK (G negativo)
T = 60
shock_seq = -0.02 * (0.7 ** np.arange(T))
hank_girf = solve_hank_group_irf(
    shock_seq=shock_seq,
    closure="balanced_budget",
    tax_type="lump_sum",
    horizon=T,
    groups="quintiles",
    n_a=100,
    a_max=100.0,
)
print(hank_girf.summary(lang="es"))

# 2. Construir muestra sintética ilustrativa y estimar LP distribucionales
rng = np.random.default_rng(7)
n_obs, H_dgp = 300, 10
eps = rng.normal(0.0, 1.0, size=n_obs)
noise = rng.normal(0.0, 0.00025, size=(n_obs, 5))
noise -= noise.mean(axis=1, keepdims=True)
shares = np.empty((n_obs, 5), dtype=np.float64)
for t in range(n_obs):
    sig = np.zeros(5)
    for k in range(H_dgp):
        if t - k >= 0:
            sig += hank_girf.consumption_share_irf[k] * eps[t - k]
    shares[t] = hank_girf.steady_state_group_consumption_shares + sig + noise[t]

df_emp = pd.DataFrame(shares, columns=["Q1", "Q2", "Q3", "Q4", "Q5"])
df_emp["eps"] = eps
lp_res = estimate_distributional_lp(
    df_emp,
    shock="eps",
    bin_cols=["Q1", "Q2", "Q3", "Q4", "Q5"],
    horizons=range(0, 10),
    n_lags=1,
    distribution_type="shares",
)

# 3. Alinear y calificar el modelo HANK frente a la evidencia empírica
bridge = bridge_hank_distributional(hank_girf, lp_res)
print(bridge.summary(lang="es"))
print(bridge.to_frame("per_group")[["rmse", "sign_concordance", "band_coverage", "steady_state_mpc"]])

4. Alcance explícito de validación y límites metodológicos

  • Alcance estacionario / transición MIT determinista y perturbación lineal: Tanto FiscalHANKResult / NonlinearHANKResult (deterministic_mit_transition) como SequenceSpaceHANKResult (linearized_sequence_space) evalúan sendas deterministas con previsión perfecta o perturbaciones de primer orden alrededor de la distribución estacionaria de un activo. No resuelven equilibrios no lineales con riesgo agregado estocástico, primas de riesgo endógenas ni ahorro precautorio dependiente de volatilidad agregada.
  • Un solo activo líquido: Los hogares acumulan únicamente un activo líquido (\(a \ge 0\)); el puente no incorpora recomposición entre activos líquidos e ilíquidos ni hogares wealthy hand-to-mouth de dos activos.
  • Compatibilidad de unidades con LP cuantílicas: Dado que estimate_quantile_lp (distribution_type="quantiles") estima respuestas condicionales por cuantil \(dQ_\tau(y_{t+h} - y_{t-1})\) y no cuotas entre estratos, response_type="auto" alinea frente a niveles de consumo grupal ("level") y emite una advertencia explícita; utilice response_type="percent" si los cuantiles empíricos están expresados en puntos logarítmicos/porcentuales.
  • Soporte superior de la malla de activos: Mantenga un límite superior amplio (a_max >= 100.0). Un tope estrecho (top_grid_mass > 1e-6) trunca a los hogares más ricos y activa el estado UNSUPPORTED_REGIME en solver_diagnostics.