Il doppio abbassamento mostra che la Critica di Lucas si applica solo localmente. Cioè, l'errore del modello aumenta con un numero maggiore di parametri fino a un certo punto ("overfitting"), ma poi diminuisce con un numero maggiore di parametri. È stato un errore per l'economia semplificare i modelli per un presunto adattamento fuori campione — continua così!

Un altro argomento divertente di ML è "grokking", in cui i modelli passano dall'overfitting alla generalizzazione in modo piuttosto brusco. Se sei @alz_zyd_, immagino che tu dica che questo è il segno che il modello è solo un essere pensante e inizia a grok.