专家分歧所导致的最大最小期望效用
《Games and Economic Behavior》:Maxmin expected utility as resulting from disagreement among experts
【字体:
大
中
小
】
时间:2026年10月01日
来源:Games and Economic Behavior 1.1
编辑推荐:
# 摘要
本文在一类萨维奇式的环境中,依据专家评估这一信息形式,刻画了Gilboa和Schmeidler(1989)的最大最小期望效用(MEU)模型。决策者被假定会咨询一些专家,这些专家的偏好遵循萨维奇的主观期望效用理论。尽管专家们的偏好与决策者一致,但其先验概率可能不同,
# 摘要
本文在一类萨维奇式的环境中,依据专家评估这一信息形式,刻画了Gilboa和Schmeidler(1989)的最大最小期望效用(MEU)模型。决策者被假定会咨询一些专家,这些专家的偏好遵循萨维奇的主观期望效用理论。尽管专家们的偏好与决策者一致,但其先验概率可能不同,从而在该框架中引入了歧义性。决策者所推导出的先验集合包含于专家主观概率(或模型)的凸包中。因此,当所有专家对概率的判断一致时,便不存在歧义性。最后,我们刻画了当某一专家的评估被舍弃时,更新决策者信念的方法。
# 引言
Gilboa和Schmeidler(1989)在一篇奠基性论文中提出了一个关于不确定条件下决策的公理化模型。该模型通过允许决策者考虑一组先验概率而非单一的确定的先验,从而推广了期望效用范式。放宽单一先验假设的理由在于认识到,当环境不确定时,决策者可能不愿依赖精确的先验估计。借助一组先验,他们可以表达对事件可能性的歧义性。Gilboa和Schmeidler模型中的决策者被假定以厌恶的方式应对这种歧义性,即通过所有所考虑先验下的最小期望效用来评估每一个备选方案。该模型因此被称为最大最小期望效用(MEU)。
大多数不确定条件下的决策模型仅仅专注于利用选择数据来推断决策者的信念,MEU模型也不例外。在MEU框架中,决策者可获取的信息并未被显式建模,因此,它无法区分作为认知状态的歧义性与作为偏好特征的歧义性,也无法解释歧义性是如何产生的以及决策者可能会持有哪些信念。为解决这些问题,几篇论文将决策者可获取的信息纳入模型,展示了信息如何产生歧义性。Jaffray(1991)和Gonzales和Jaffray(1998)研究了由不精确统计数据产生的歧义性,Gajdos等人(2008a)考虑了以一组概率形式给出的信息,而Mukerji(1997)描述了一个基于未来不完全或有状态的信念形成过程。
在本文中,决策者向专家寻求指导。这些专家具备专业知识,能够针对所考虑的问题制定精确而有根据的概率。然而,鉴于效用本质上具有主观性,专家在概率评估方面的熟练程度并不能延伸至效用评估;在这方面,专家并不比决策者更擅长。此外,假定专家们会表达其真实的概率评估而不考虑策略性因素。这一假设适用于决策者直接咨询专家的情形,其中专家本身不受所做出决策的影响。但它也适用于决策者接触公开预测(例如报纸上发表的预测),或从被动观察专家选择(例如对事件打赌之间的选择)中推断信念的情形。专家也可能代表一些机构(如统计部门),这些机构几乎没有动机歪曲其报告。在任何情况下,从专家那里收集的信息都是基于其概率评估的期望效用,其中的效用是决策者的效用。
当所有专家对某一事件的概率看法一致时,决策者不会遇到任何歧义性。然而,专家们在某些事件的概率上存在分歧是常见现象,这会在决策过程中引入歧义性。另一种解释是将专家视为代表数据生成过程的不同概率模型。在这种解释下,专家之间的分歧反映了模型不确定性。决策者的歧义性则源于不知道哪个模型是正确的。我们提供了一种MEU决策者的公理化刻画,该决策者对专家/模型之间的分歧持厌恶态度。
我们的刻画在一个纯粹主观的萨维奇式设置中进行,不依赖外部概率。相反,它依赖于这样一个事实:决策者将任何在所有专家看来都产生相同结果分布的行动视为无歧义的。也就是说,那些诱导出一致结果分布的行动被视为客观抽签一样。行动的混合被类似地定义为使用被一致认可的事件,原始MEU模型的公理也是使用这些概念来表述的。由此产生的表示描述了一位决策者,当面对专家之间的冲突意见时,会对其"正确"的先验产生不确定性,因而构造出一组先验作为其信念。这组先验仅由专家主观概率的凸组合构成,从而确保专家之间对概率的任何共识都会被决策者采纳。然后,各种行动通过MEU规则相对于该组概率进行评估,体现了对由此产生的不确定性采取的谨慎态度。
在最近的一篇论文中,Borie(2023)在萨维奇式框架中刻画了MEU规则,使用了以显示偏好定义的无歧义事件,以及利用这类显式无歧义事件的混合。在Borie的工作中,感知到的歧义性是纯粹主观的,MEU决策者对源于偏好的歧义性持厌恶态度。而我们的目标则是要将歧义性与决策者可获取的、以专家评估形式出现的信息联系起来,并展示MEU决策规则是如何作为对该信息型歧义性持厌恶态度的简单结果的。在我们的框架中,分歧是歧义性唯一的来源,当所有专家对某一行动的概率评估达成一致时,决策者不会对该行动经历任何歧义性。
其他不需要外部概率的MEU规则的推导还包括Casadesus-Masanell等人(2000)、Ghirardato等人(2003)以及Alon和Schmeidler(2014)。这些刻画并未将MEU规则与原始信息联系起来,而是依赖于一个先验丰富的后果集合(连通拓扑空间),而非萨维奇式的公理化丰富状态空间。
鉴于专家期望效用评估的可获得性,我们可以研究如果舍弃其中一项评估,决策者会如何反应。在本文最后一节中,我们刻画了当某一专家的评估不再可用时更新行动评估的不同方法:一般贝叶斯方法,其中分配给专家评估的更新权重是通过重新归一化先前允许的权重得到的,以及贝叶斯更新的两个极端特例——完全贝叶斯方法和最大似然方法。我们认为,当专家评估的缺失与该专家的可靠性无关时,完全贝叶斯方法是合适的,而当缺失与对专家可靠性的担忧有关时,最大似然方法则更为合适。
## 意见汇集
关于意见汇集有大量的文献提出不同的方法,使决策者能够基于专家的概率形成概率。贝叶斯方法结合专家意见的做法是将它们视为"观测值",使用贝叶斯规则更新决策者的先验。Winkler(1968)提出了一个相对简单的情形,即决策者在给定专家意见的情况下形成后验信念。
## 设置与假设
设S表示一个赋予事件σ-代数Σ的非空自然状态集合。可能结果的集合为X,行动的集合为F={f∈X^S | f取有限个值且关于Σ可测},也称为简单行动。对于行动f和g以及事件E,f_E g表示这样一个行动:对s∈E赋予结果f(s),对s?E赋予结果g(s)。决策者的偏好用行动上的二元关系?表示,相应的非对称和对称分量分别为?和~。
## 结果
现在我们可以陈述MEU刻画定理,确立所陈述公理与MEU决策规则之间的等价性,当信息以专家排名的形式作为设置的一部分给出时。
**定理1** 假设假设1-3成立。那么以下两个陈述等价:(i)?满足假设A1-A5。(ii)存在定义在结果上的基数效用函数u以及一个唯一的非空、闭凸的σ可加概率集合C……
## 对专家信息的更新
假设决策者更新其偏好关系以忽略专家n的评估,同时仍满足A1-A5。根据定理1,更新后的偏好关系记作?_{-n},由使用包含于P_1,…,P_{n-1}的凸包中的一组先验所构造的MEU泛函表示。我们询问这个更新后的先验集合与原始先验集合之间的关系。
## 证明
为证明定理,我们首先将半混合的定义推广为包括f和g任意比例α:(1-α)的混合。
**定义3** 设f=[x_1,E_1;…;x_m,E_m]和g=[y_1,E_1;…;y_m,E_m]为两个行动。对于0≤α≤1,f和g的α:(1-α)混合是一个行动[x_1,G_1;y_1,E_1\G_1;…;x_m,G_m;y_m,E_m\G_m],其中事件G_k满足G_k?E_k且P_i(G_k)=αP_i(E_k)对每个P_i成立。
根据Lyapunov定理,这样的事件G_k存在,因此所定义的α:(1-α)混合也存在。此外,若…
## 利益冲突声明
我们声明我们没有任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
Shiri Alon | Gabrielle Gayer
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号