Der doppelte Abstieg zeigt, dass die Lucas-Kritik nur lokal anwendbar ist. Das heißt, der Modellfehler steigt mit mehr Parametern bis zu einem Punkt ("Überanpassung"), fällt dann aber mit weiteren Parametern. Es war ein Fehler in der Wirtschaftswissenschaft, Modelle für angebliche Out-of-Sample-Anpassungen zu vereinfachen – einfach weitermachen!

Ein weiteres interessantes ML-Thema ist "Grokking", bei dem Modelle ziemlich abrupt von Überanpassung zu Verallgemeinerung wechseln. Wenn du @alz_zyd_ bist, denke ich, sagst du, das ist das Zeichen, dass das Modell einfach ein denkendes Wesen ist und anfängt zu grokken.