Auditar un resultado calculado

puremacro.validation.audit_result inspecciona un resultado ya resuelto. Presenta la convergencia del algoritmo por separado de los residuos del presupuesto, Euler/KKT, distribución y aproximación. No produce una etiqueta universal de “económicamente correcto”.

from puremacro.validation import audit_result

informe = audit_result(sol)         # solución estacionaria dp, método EGM
print(informe.to_markdown())
tabla = informe.to_dataframe()
texto_json = informe.to_json()
errores = informe.maps["budget_residual"]

Cada fila conserva category, check, value, tolerance, units, status, evidence_source, location y details. Los estados posibles son passed, failed, not_checked y unsupported. La falta de evidencia nunca se convierte en aprobación. Los informes incluyen metadatos y mapas de residuos; JSON y Markdown son deterministas. JSON identifica los valores no finitos mediante cadenas ("NaN", "Infinity").

Por defecto se evalúan solver, equations y distribution. Se recalculan ecuaciones y un paso de la distribución suministrada; no se resuelve de nuevo, no se refina, no se deriva, no se normaliza la masa, no se modifican los datos y no se accede a la red. Las categorías derivatives y refinement requieren selección explícita. Las funciones del usuario deben respetar el mismo contrato.

Resultados admitidos

Resultado	Alcance
`dp.DPSolution` estacionaria, EGM, un activo	Presupuesto y factibilidad declarados, Euler/KKT en políticas continuas, masa, estacionariedad y extremos de la malla. No se incluyen ciclo de vida, elección discreta, HJB o riesgo agregado. Las pruebas numéricas del presupuesto de un activo se identifican como tales; no demuestran identidad simbólica para funciones arbitrarias.
`dp.DPSolution` estacionaria, dos activos	Restricciones de ambos activos, presupuesto, valores marginales, costo de ajuste, fecha del depósito, mapas Euler/KKT, percentiles ponderados y diagnósticos de distribución separados. El contexto está en el resultado; `model=otro_modelo_dp` lo contrasta con otra declaración.
`dsge.LinearModel` o `KleinSolution` de primer orden	Ecuaciones reconstruidas de las reglas de decisión y cargas de choques, y residuos del estado estacionario. Una solución Klein aislada necesita `model=modelo_lineal`. Un bloque de estados vacío se marca `not_checked`. Las derivadas opcionales mantienen fijo el operador de estado estacionario. No se certifica precisión no lineal global.
Estado estacionario o transición de comercio dinámico	Conserva los valores, tolerancias y procedencia del certificado original de 17 pruebas. `model=economia_dinamica` permite reconstruir el certificado estacionario en el `z` suministrado. Los certificados de transición registrados describen el resultado al resolverlo; no verifican automáticamente trayectorias modificadas.
`HorizonComparisonResult` de comercio dinámico	Con `checks=("refinement",)`, conserva el alcance de ventana, bienestar y prueba terminal elegida, incluido el modo más débil de riqueza descontada.

Las declaraciones de estados Dynare se contrastan con todas las columnas de rezagos originales. unrepresented_lag_terms falla si un control tiene algún coeficiente rezagado distinto de cero, aunque la regla truncada tenga residuo cero. El mapa conserva los coeficientes e identifica los controles afectados; esta comprobación estructural usa tolerancia cero, independiente de equations.

Los certificados de comercio conservan max(1e-8, result.tol); la tolerancia equations general no cambia la afirmación de un certificado heredado. Otros métodos se identifican como no admitidos. Una función explícita permite agregar un residuo no lineal o una restricción de cartera:

from puremacro.validation import ResidualCheck

informe = audit_result(
    resultado_no_lineal, model=mi_modelo,
    residuals=[ResidualCheck("equilibrio_no_lineal", recalcular_residuos,
                             tolerance=1e-8, units="bienes")],
)

recalcular_residuos(resultado, modelo) devuelve residuos de igualdad o violaciones no negativas de desigualdades. Si falla, queda una prueba fallida identificada; no se sustituye por la bandera de convergencia.

Precisión del hogar

En dos activos se reconstruyen los valores marginales de envolvente a partir del consumo y del costo convexo reconocido; se interpolan en las políticas continuas reales usando la lotería bilineal y probabilidades del modelo. Las derivadas son

\[ g_b=\beta E[V_b(a',b',s')]-u'(c),\qquad g_a=\beta E[V_a(a',b',s')]-(1+\chi_d)u'(c). \]

Se dividen por la utilidad marginal actual. En el interior deben ser cero; en el límite inferior se exige g <= 0 y en el superior g >= 0. Se informa la parte que viola estas condiciones. Los límites superiores son truncamientos artificiales. La clasificación usa la separación local entre nodos, también en celdas estrechas.

Los arreglos siguen (activo ilíquido, activo líquido, productividad) aunque se invierta el orden de declaración. Se muestran índices y coordenadas del peor error, y percentiles 50/95/99 ponderados por masa usando rango más próximo. Sin una distribución válida, los percentiles quedan not_checked. Masa total, probabilidad mínima, estacionariedad y masa en ambos extremos superiores se comprueban por separado. No se corrige ni normaliza la distribución suministrada.

Las tolerancias de evaluación inicial son Euler/KKT 0.01, ecuaciones 1e-8, estacionariedad 1e-10, error de masa total 1e-12, masa negativa 1e-14 y masa en el extremo superior 0.001. Son decisiones de la aplicación, independientes del criterio de parada de EGM:

informe = audit_result(sol, tolerances={"euler": 0.002, "boundary_mass": 1e-4})

El caso sintético fijo de malla 30×20 en tests/test_result_audit.py presenta errores máximos normalizados de aproximadamente 0.001965 y 0.003831, con percentiles 99 ponderados de 0.001641 y 0.002088. La tolerancia iterativa 1e-9 no implica precisión Euler de 1e-9. Las pruebas comparan expectativas con interpolación de SciPy, derivadas con un esquema independiente de cinco puntos y dos políticas con optimización independiente de Bellman. Las diferencias de objetivo son aproximadamente 0.001745 y 0.000322: interpolar valores y valores marginales son aproximaciones distintas. Es evidencia numérica sintética, no validación externa ni empírica.

Experimentos explícitos

from puremacro.validation import DerivativeCheck, RefinementCheck

informe = audit_result(
    sol,
    checks=("solver", "equations", "distribution", "derivatives", "refinement"),
    derivatives=[DerivativeCheck("gradiente_posterior", log_posterior, theta, gradiente)],
    refinements=[
        RefinementCheck("refinar_ambas_mallas", resolver_mallas_finas),
        RefinementCheck("ampliar_limite_iliquido", resolver_limite_iliquido_mayor),
        RefinementCheck("ampliar_limite_liquido", resolver_limite_liquido_mayor),
    ],
)

Las derivadas se comparan con diferencias centrales de cinco puntos sobre copias del vector. Cada función de refinamiento, sin argumentos, devuelve otro resultado. Los indicadores predeterminados incluyen consumo, activos actuales, máximos y percentiles Euler/KKT y masas superiores. Se aplica abs(nuevo-anterior) <= atol + rtol*abs(nuevo), con atol=1e-8 y rtol=0.005. Cerca de cero se usa el umbral absoluto sin presentar porcentajes engañosos. Algunos momentos del caso grueso no cumplen el objetivo de 0.5%; converger no certifica refinamiento.

Para horizontes o entradas seleccionadas del Jacobiano, se proporciona RefinementCheck(..., metrics=extraer_indicadores, units={...}). El extractor debe devolver el mismo mapa no vacío de escalares para ambos resultados; puede incluir consumo en la ventana económica, diferencias terminales y J_C_w[0,0]. Resolver nuevamente y calcular Jacobianos pertenece siempre a funciones suministradas explícitamente; nunca se ejecuta por inferencia.