O tipo de explicação cientifica associada à modelagem baseada em agentes é definida por Epstein (2006) como “generativa”. Esse conceito de explicação generativa ajuda a entender como os ABMs contribuem para entendimento dos fenômenos de interesse. Como aponta com Epstein (2006):
[...] What is to be the accepted standard of explanation in the social science? In this book, I define and argue for a generative standard and highlight a tool – the agent-based computational models, or artificial society – that facilitates the construction of scientific models satisfying that standard. The notion of a generative explanation […] is encapsulated nicely in the motto: “If you didn’t grow it, you didn’t explain it.” (EPSTEIN, 2006, p. xii)
Nessa visão de Epstein, ABMs seriam uma ferramenta ou instrumento na construção de uma explicação generativa em ciências sociais. Mais especificamente, os ABMs seriam uma forma adequada de se explicar a emergência de macroestruturas sociais a partir de uma micro-especificação dos elementos que as compõem. Para esclarecer essa noção de explicação generativa, Epstein (2006, p. 5) aponta que ela significa responder a seguinte questão: “How could the descentralized local interactions of heterogeneous autonomous agentes generate the given regularity?”; e aponta que a resposta generativa seria:
Situate an initial population of autonomous heterogeneous agents in a relevant spatial environment; allow them to interact according to simple local rules and thereby generate – or “grow” – the macroscopic regularity from the bottom up. (EPSTEIN, 2006, p. 7)
Assim, a explicação generativa apresentaria justamente as características comumente associadas aos ABMs, apontadas acima, quais sejam: agentes heterogêneos e autônomos; espaço e tempo bem determinados; regras de interação entre os agentes. Adicionalmente, ela salienta alguns pontos usualmente não explícitos nas discussões dos ABMs, como a possibilidade de “realizabilidade
múltipla” (conceito abordado no capítulo anterior), e a sua relação com indução e dedução.
Com relação à “realizabilidade múltipla”, Epstein (2006, pp. pp. 8-9), embora não utilize esse termo, aponta ser uma característica importante da explicação generativa a possibilidade de diferentes micro-especificação gerarem a mesma macroestrutura. Devido a isso, ele argumenta, uma micro-especificação que gere a macroestrutura de interesse seria apenas uma candidata a explicação. Sendo assim, seria necessário avaliar também se a micro-especificação apresenta sustentação empírica (e qual apresentaria maior sustentação). Nas suas palavras:
It may happen that there are distinct microspecifications having equivalent generative power (their generated macrostructures fit the macro-data equally well). Then, as in any other science, one must do more work, figuring out which of the microspecifications is most tenable empirically. In the context of social science, this may dictate that competing microspecifications with equal generative power be adjudicated experimentally – perhaps in the psychology lab. In summary, if the microspecification m does not generate the macrostructure x, then m is not a candidate explanation. If m does generate x, it is a candidate. If there is more than one candidate, further work is required at the micro-level to determine which m is the most tenable explanation empirically. (EPSTEIN, 2006, p. 9)
Sobre a relação entre explicação generativa e indução e dedução, Epstein afirma que aquela possui um pouco de cada uma dessas, porém de forma diferente de como essas geralmente são aplicadas nas ciências sociais. Uma simulação de um modelo baseado em agentes constitui-se, estritamente falando, em deduções, mesmo quando utiliza processos estocásticos. Entretanto, como o objetivo do modelo é construir um processo gerador de dados que se aproxime do processo gerador de dados da realidade, e esse último só apresenta uma realização, costuma-se rodar várias simulações do modelo, a fim de construir-se um retrato estatístico robusto dos resultados do modelo. Nesse sentido, a explicação generativa também se baseia em um processo indutivo. Sobre esse aspecto tanto dedutivo quanto indutivo da explicação generativa, Epstein escreve:
[...] one powerful mode of agent-based modeling is to run large numbers of stochastic realizations (each with its own random seed), collect clean data, and build up a robust statistical portrait of model output. […] as emphasized earlier, each realization is a strict deduction. So, while I have no objection to calling such activity inductive, it is induction over a sample distribution of
theorems, in fact. And it has quite a different flavor from “inductive” survey research, where one collects real-world data and estimates it by techniques of aggregate regression. (EPSTEIN, 2006, pp. 66-67)
Explicando melhor o porquê de cada realização do modelo ser uma dedução, Epstein escreve:
The point here is that for every computation, there is a corresponding logical deduction. (and this holds even when the computation involves “stochastic” features, since, on a computer, these as produced by deterministic pseudo- random number generation (see Knuth 1969). Even if one conducts a statistical analysis over some distribution of runs – using different random seeds – each run is itself a deduction. Indeed, it would be quite legitimate to speak, in that case, of a distribution of theorems. In any case, from a technical standpoint, generative implies deductive […]. (EPSTEIN, 2006, p. 11)
Por fim, é importante apontar, aqui, que para alguns autores, a explicação generativa, muito embora envolva uma ideia de geração necessária para o entendimento explanatório, não seria suficiente para um entendimento completo, pois não impõem um detalhamento de todo os mecanismos por trás da geração do objeto em estudo. De acordo com Marchionni e Ylikoski (2013):
[...] J. M. Epstein’s claim points toward an important feature of ABS [ABMs]: if we are interested in the bottom-up explanations of social phenomena, ABS provides a much-needed tool. However, J. M Epstein’s claim is overstated […]. simply “growing” the phenomenon of interest is not sufficient for a proper understanding of it. Merely having a simulation that – after a lot of tinkering – produces the right kind of results does not yet yield understanding as it does not enable the making of what-if inferences beyond that particular simulation configuration. The further challenge is to understand how the specified microconfiguration produces the phenomenon and what the background conditions of its production are. […] the idea of generation is necessary for explanatory understanding, but it is not sufficient. We also need to understand the working of the simulation and the systematic dependencies that the experimental component aims to uncover. The idea of mechanism aims to capture precisely these elements of ABS. (MARCHIONI E YLIKOSKI, 2013, pp. 329-330)
Esses autores defendem um tipo de explicação, denominado explicação baseada em mecanismos, que, de acordo com eles, seria um tipo adequado para prover entendimento em ciências sociais, e seria compatível com modelos baseados em agentes. Tal explicação baseada em mecanismos será analisada com maior profundidade no item 3.5. Antes, porém, serão discutidos os ABMs em macroeconomia, assim como alguns modos como esses podem ser microfundamentados.