📈 economics

The Wisdom of the Crowd and Higher-Order Beliefs

Das Papier stellt die populationsmittelwertbasierte Aggregation (PMBA) vor, ein neuartiges Verfahren, das es einem Prinzipal ermöglicht, den wahren Zustand der Welt aus den Überzeugungen der Agenten und deren Erwartungen bezüglich des Populationsdurchschnitts präzise zu inferieren, ohne die zugrunde liegende Informationsstruktur verstehen zu müssen, eine Methode, die unter schwachen Annahmen theoretisch robust ist und empirisch bestehende Ansätze übertrifft.

Ursprüngliche Autoren: Yi-Chun Chen, Manuel Mueller-Frank, Mallesh M Pai

Veröffentlicht 2026-04-29

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yi-Chun Chen, Manuel Mueller-Frank, Mallesh M Pai

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die große Idee: Warum die Menge manchmal falsch liegt

Stellen Sie sich vor, Sie versuchen, das Gewicht eines riesigen Kürbisses auf einem Bezirksfest zu erraten. Sie bitten 100 Personen um eine Schätzung.

Der alte Weg (Standard-Weisheit der Menge): Sie nehmen alle 100 Schätzungen, addieren sie und teilen durch 100. Die Theorie besagt, dass dieser Durchschnitt sehr nahe am tatsächlichen Gewicht liegen wird.
Das Problem: Was, wenn alle dasselbe schlechte Foto des Kürbisses betrachten? Oder was, wenn alle dieselbe falsche Faustregel anwenden? In diesem Fall wird der „Durchschnitt" ihrer Schätzungen selbstbewusst falsch sein. Die Menge ist nur dann weise, wenn sich ihre individuellen Fehler gegenseitig aufheben. Wenn sie alle denselben blinden Fleck teilen, ist die Menge nur eine große Gruppe von Menschen, die denselben Fehler macht.

Die Autoren dieses Papiers fragen: Können wir die Weisheit der Menge korrigieren, selbst wenn wir nicht wissen, warum sie Fehler macht oder wie sie zu ihren Informationen gelangt?

Die Lösung: Fragen „Was glauben Sie, was andere denken?"

Die Autoren schlagen eine neue Methode vor, die PMBA (Population-Mean-Based Aggregation) genannt wird. Es ist, als würden Sie die Frage, die Sie der Menge stellen, verbessern.

Anstatt nur zu fragen: „Wie schwer ist der Kürbis?" (Erstordnungs-Glaube), fragen sie auch eine bestimmte Teilmenge von Personen: „Was glauben Sie, wird die durchschnittliche Person in der Menge raten?" (Zweitordnungs-Glaube).

Die magische Analogie: Der Detektiv und die Karte

Stellen Sie sich einen Detektiv vor, der einen versteckten Schatz (den „wahren Zustand") finden will.

Die Hinweise (Erstordnungs-Gläube): Der Detektiv fragt 100 Einheimische: „Wo ist der Schatz?" Alle zeigen in verschiedene Richtungen. Der Detektiv nimmt die durchschnittliche Richtung. Aber der Detektiv kennt die Karte nicht, also weiß er nicht, ob der Durchschnitt zum Schatz oder zu einem Sumpf zeigt.
Die Wendung (Zweitordnungs-Gläube): Dann fragt der Detektiv einige dieser Einheimischen: „Wenn Sie in der Mitte der Menge stehen und schauen, wohin alle zeigen, wohin würde dieser Durchschnitt zeigen?"
Der Durchbruch: Indem der Detektiv vergleicht, was die Leute glauben, der Durchschnitt sei, im Gegensatz zu dem, was der tatsächliche Durchschnitt ist, kann er mathematisch die Karte rekonstruieren. Er kann den wahren Standort des Schatzes herausfinden, ohne jemals selbst die Karte gesehen zu haben.

Wie es funktioniert (Der Trick der „Linearen Regression")

Das Papier erklärt, dass dieser Prozess eigentlich eine ausgefeilte Version der Linearen Regression ist (ein gängiges mathematisches Werkzeug zur Mustererkennung).

Die Eingaben:
- X (Der Glaube): „Ich denke, es gibt eine 70%ige Chance, dass der Kürbis schwer ist."
- Y (Die Erwartung): „Ich denke, die durchschnittliche Person wird sagen, es gibt eine 60%ige Chance, dass er schwer ist."
Die Verbindung: Die Mathematik zeigt, dass Ihre Erwartung bezüglich der Menge (Y) nur eine gewichtete Kombination dessen ist, was die Menge in verschiedenen Szenarien (Schwer vs. Leicht) tatsächlich denkt.
Das Ergebnis: Indem diese Mathematik auf die Daten angewendet wird, kann das System die versteckten Szenarien „lösen". Es stellt fest: „Aha, wenn der Kürbis tatsächlich schwer ist, liegt der Durchschnitt der Menge bei 80%. Wenn er leicht ist, liegt er bei 40%." Sobald das System diese „wahren Durchschnitte" kennt, kann es den aktuellen Durchschnitt der Menge betrachten und sofort wissen, welches Szenario real ist.

Warum dies besser ist als alte Methoden

Das Papier vergleicht ihre Methode mit zwei anderen beliebten Wegen der Informationsaggregation:

Mehrheitsabstimmung: Einfach fragen „Ist er schwer oder leicht?" und die populärste Antwort nehmen. (Versagt, wenn die Menge verwirrt ist).
„Überraschend beliebt" (SP): Die Leute fragen, was sie glauben, die Mehrheit sagen wird, und die Antwort wählen, die beliebter ist, als die Leute erwartet haben. (Dies funktioniert gut für einfache Ja/Nein-Fragen, hat aber Schwierigkeiten, wenn es viele Optionen gibt, wie z. B. 4 verschiedene Preisklassen).

Der PMBA-Vorteil:

Bewältigt Komplexität: Es funktioniert auch, wenn es viele mögliche Antworten gibt (nicht nur Ja/Nein).
Robustheit: Es funktioniert auch, wenn die Leute verwirrt darüber sind, wie die Welt funktioniert. Das Papier zeigt, dass selbst wenn Individuen „falsch spezifizierte" Überzeugungen haben (sie irren sich darüber, wie andere denken), die Mathematik die Fehler immer noch ausgleicht und die Wahrheit findet, solange die Fehler nicht massiv sind.
Realwelt-Beweis: Die Autoren führten ein Experiment durch, bei dem die Leute die Preisklassen von NFTs (digitale Kunst) schätzten.
- Das Ergebnis: PMBA war genauer als einfache Mehrheitsabstimmung und genauer als die Methode „Überraschend beliebt". Es sagte die wahren Preisklassen erfolgreicher voraus als die anderen Methoden.

Das Sicherheitsnetz der „Falschspezifikation"

Ein wesentlicher Teil des Papiers ist, dass es nicht verlangt, dass die Leute perfekte Genies sind.

Die Angst: Was, wenn die Leute das Spiel nicht verstehen? Was, wenn sie denken, alle anderen seien intelligenter oder dümmer, als sie wirklich sind?
Die Lösung: Die Mathematik ist so konzipiert, dass sie „robust" ist. Sie geht davon aus, dass zwar einzelne Personen verwirrt über die Denkweise der Menge sein mögen, aber der durchschnittliche Verwirrtheitsgrad sich ausgleicht. Solange das „Rauschen" in ihrem Denken nicht lauter ist als das eigentliche Signal, findet die Methode dennoch den wahren Zustand.

Zusammenfassung

Das Papier schlägt einen einfachen, aber mächtigen Trick vor: Fragen Sie die Leute nicht nur, was sie denken; fragen Sie sie, was sie glauben, dass andere denken werden.

Durch die Kombination dieser beiden Informationsebenen kann ein Auftraggeber (wie ein Forscher oder ein Marktmacher) den wahren Zustand der Welt aufdecken – selbst wenn er die Regeln des Spiels nicht kennt, selbst wenn die Menge verwirrt ist und selbst wenn es viele mögliche Ergebnisse gibt. Es verwandelt die „Weisheit der Menge" von einem fragilen Konzept in ein robustes, mathematisch garantiertes Werkzeug.

1. Problemstellung

Das Papier adressiert die fundamentale Herausforderung der Informationsaggregation: Wie ein Prinzipal (ein Aggregator) den wahren Zustand der Welt ( $\omega$ ) aus einer Population von Agenten ableiten kann, die jeweils private, verrauschte Signale besitzen, ohne die zugrunde liegende Informationsstruktur zu kennen (d. h. die Verteilung der Signale, die Korrelationsstruktur oder die gemeinsame Prior-Verteilung).

Die Einschränkung erster Ordnung: Die bestehende Literatur (z. B. Arieli, Babichenko & Smorodinsky, 2017) zeigt, dass allein das Wissen über die ersten Ordnung-Überzeugungen (die posterior-Wahrscheinlichkeiten der Agenten bezüglich des Zustands) im Allgemeinen nicht ausreicht, um den wahren Zustand zu identifizieren, selbst bei einer unendlichen Population. Dies ist ein Identifikationsproblem: Mehrere Zustände können dieselbe Verteilung von ersten Ordnung-Überzeugungen erzeugen.
Die Lücke: Die meisten bestehenden Methoden (wie Vorhersagemärkte oder „Surprisingly Popular") erfordern entweder starke Annahmen (z. B. binäre Zustände, unabhängige Signale) oder fragen komplexe, oft nicht durchführbare Daten ab (z. B. zustandskontingente Überzeugungen oder bedingte Wahrscheinlichkeiten von Signalen).
Das Ziel: Entwicklung eines robusten Verfahrens, das Informationen aggregiert, um den wahren Zustand unter Verwendung nur folgender Elemente zu identifizieren:
1. Die ersten Ordnung-Überzeugungen der Agenten ( $\mu_i$ ).
2. Die Erwartungen der Agenten bezüglich des populationsweiten Mittelwerts der Überzeugungen (Überzeugungen höherer Ordnung).
3. Minimales Wissen über die Informationsstruktur (kein Bedarf, die Prior-Verteilung oder die Signalverteilung zu kennen).

2. Methodik: Populationsmittelwert-basierte Aggregation (PMBA)

Die Autoren schlagen ein neues Verfahren namens Populationsmittelwert-basierte Aggregation (PMBA) vor. Die Kernintuition stützt sich auf das Gesetz der iterierten Erwartungen.

A. Der Kernmechanismus

Sei $\Omega = \{\omega_1, \dots, \omega_L\}$ die Menge der $L$ möglichen Zustände.

Elicitation erster Ordnung: Der Prinzipal sammelt den Überzeugungsvektor $\mu_i$ von jedem Agenten $i$ . Der empirische Mittelwert $\hat{\mu} = \frac{1}{n}\sum \mu_i$ konvergiert gegen den zustandsabhängigen populationsweiten Mittelwert $\bar{\mu}(\omega)$ .
Das Identifikationsproblem: Der Prinzipal beobachtet $\hat{\mu}$ , kennt aber die Abbildung von Zuständen $\omega$ zu den erwarteten populationsweiten Mittelwerten $\bar{\mu}(\omega)$ nicht.
Elicitation höherer Ordnung: Der Prinzipal wählt $L$ $L$ Agenten (oder $L$ $L$ Gruppen von Agenten) aus und fragt sie nach ihrer Erwartung des populationsweiten Durchschnitts der Überzeugungen.
- Sei $\alpha_i = E[\bar{\mu} | s_i]$ die Erwartung des Agenten $i$ bezüglich des populationsweiten Durchschnitts.
- Nach dem Gesetz der iterierten Erwartungen ist $\alpha_i$ ein gewichteter Durchschnitt der zustandsabhängigen populationsweiten Mittelwerte, wobei die Gewichte die eigenen ersten Ordnung-Überzeugungen des Agenten sind:
  $\alpha_i = \sum_{\omega \in \Omega} \mu_i(\omega) \cdot \bar{\mu}(\omega)$
System von Gleichungen: Sammelt der Prinzipal diese Berichte von $L$ Agenten mit linear unabhängigen Überzeugungsvektoren, bilden diese ein System linearer Gleichungen:
$\mathbf{\alpha} = \mathbf{M} \cdot \mathbf{\bar{\mu}}$
Dabei ist $\mathbf{M}$ die Matrix der ersten Ordnung-Überzeugungen und $\mathbf{\bar{\mu}}$ der Vektor der unbekannten zustandsabhängigen populationsweiten Mittelwerte.
Inversion: Da $\mathbf{M}$ invertierbar ist (unter spezifischen Rangbedingungen), kann der Prinzipal nach $\mathbf{\bar{\mu}} = \mathbf{M}^{-1}\mathbf{\alpha}$ auflösen.
Zustandsidentifikation: Der Prinzipal vergleicht den beobachteten empirischen Mittelwert $\hat{\mu}$ mit den rekonstruierten zustandsabhängigen Mittelwerten $\bar{\mu}(\omega)$ . Der wahre Zustand ist jenes $\omega$ , für das $\bar{\mu}(\omega)$ am nächsten an $\hat{\mu}$ liegt.

B. Robustheit und Fehlspezifikation

Das Papier erweitert das Modell, um Fehlspezifikation zu behandeln, bei der Agenten möglicherweise falsche Überzeugungen über die Informationsstruktur haben (z. B. missverstehen sie, wie andere Überzeugungen bilden).

Approximative PMBA: Das Verfahren wird als lineare Regression neu interpretiert.
- Abhängige Variable: Die zweite Ordnung-Überzeugung des Agenten ( $\alpha_i$ ).
- Unabhängige Variablen: Die ersten Ordnung-Überzeugungen des Agenten ( $\mu_i$ ).
- Koeffizienten: Die unbekannten zustandsabhängigen populationsweiten Mittelwerte.
Umgang mit Fehlspezifikation: Selbst wenn Agenten verzerrte Ansichten des populationsweiten Durchschnitts haben (additives Rauschen $\zeta$ ), bleibt das Verfahren gültig, sofern die Verzerrung klein im Verhältnis zur Trennung der wahren zustandsabhängigen Mittelwerte ist. Das Gesetz der großen Zahlen stellt sicher, dass die Mittelwertbildung über große Gruppen individuelle Fehlspezifikationsfehler ausgleicht.

3. Hauptbeiträge

Allgemeine Identifikation ohne Struktur: PMBA ist das erste Verfahren, das die Zustandsidentifikation für endliche $L > 2$ Zustände garantiert, ohne Kenntnis der Signalstruktur, Korrelation oder gemeinsamen Prior-Verteilung zu erfordern. Es überwindet das Versagen der Identifikation durch erste Ordnung-Überzeugungen allein.
Robustheit gegenüber Fehlspezifikation: Die Autoren beweisen, dass das Verfahren funktioniert, selbst wenn Agenten „falsch" bezüglich der aggregierten Informationsstruktur sind, solange der aggregierte Fehler nicht zu groß ist. Dies macht die Methode auf reale Szenarien anwendbar, in denen Agenten nur begrenzte kognitive Modelle der Crowd besitzen.
Interpretation als lineare Regression: Indem sie PMBA als lineare Regression rahmen, erschließen die Autoren ein Jahrhundert statistischer Werkzeuge (Konfidenzintervalle, Hypothesentests, Schranken für endliche Stichproben). Dies verwandelt eine theoretische Matrixinversion in ein praktisches, handlungsorientiertes statistisches Werkzeug.
Garantien für endliche Stichproben: Das Papier leitet nicht-asymptotische Fehlerschranken her und zeigt, dass der Schätzfehler mit der Standardrate $O(1/\sqrt{n})$ abnimmt, abhängig von der Vielfalt der Überzeugungen und dem Rauschpegel.
Experimentelle Validierung: Die Autoren führen ein neues Experiment zur Vorhersage von NFT-Preisen durch (ein komplexer, unsicherer Markt).
- Ergebnis: PMBA schneidet signifikant besser ab als Mehrheitsvoting (basierend auf ersten Ordnung-Überzeugungen) und die Methode Surprisingly Popular (SP).
- Bedeutung: SP hat Schwierigkeiten mit mehr als zwei Zuständen (binäre Einschränkung), während PMBA erfolgreich Mehrzustands-Vorhersagen (4-Bereiche) mit höherer Genauigkeit bewältigt.

4. Ergebnisse

Theoretisch:
- Satz 1: Unter schwachen Regularitätsbedingungen (begrenzte Korrelation, voller Rang der Überzeugungen) rekonstruiert PMBA den wahren Zustand mit Wahrscheinlichkeit 1, wenn $n \to \infty$ .
- Satz 3: PMBA rekonstruiert den wahren Zustand fast sicher, selbst unter fehlspezifizierten Überzeugungen, sofern die Verzerrung in den Erwartungen der Agenten kleiner ist als der Abstand zwischen den wahren zustandsabhängigen populationsweiten Mittelwerten.
- Proposition 1: Liefert Garantien für endliche Stichproben und legt die erforderliche Stichprobengröße $n$ fest, um den Zustand mit Wahrscheinlichkeit $1-\delta$ zu identifizieren.
Empirisch (NFT-Experiment):
- Aufbau: 199 Teilnehmer sagten NFT-Preisklassen (4 Zustände) voraus und berichteten ihre Erwartungen bezüglich des durchschnittlichen Vorhersageergebnisses der Gruppe.
- Leistung:
  - PMBA Mittlerer absoluter Fehler (MAE): 1,25
  - Mehrheitsvoting (Erste Ordnung) MAE: 1,50
  - Mehrheitsvoting (Zweite Ordnung) MAE: 1,40
  - Surprisingly Popular (SP): Hatte Schwierigkeiten, Zustände im 4-Zustands-Szenario effektiv zu unterscheiden; reduzierte sich oft auf binäre Unterscheidungen.
- Statistische Signifikanz: Die Überlegenheit von PMBA gegenüber dem Mehrheitsvoting erster Ordnung ist statistisch signifikant ( $p < 0,05$ ).

5. Bedeutung und Implikationen

Praktische Anwendbarkeit: Im Gegensatz zu theoretischen Modellen, die komplexe zustandskontingente Berichte erfordern (die für Menschen schwer zu berechnen sind), fragt PMBA nur nach Überzeugungen und „Was denken Sie, dass der Durchschnittsmensch denkt?" – Fragen, die in Umfragen leicht erhoben werden können.
Über binäre Zustände hinaus: Viele bestehende „Weisheit der Menge"-Mechanismen (wie SP) sind auf binäre Entscheidungen beschränkt. PMBA verallgemeinert dies auf jede endliche Anzahl von Zuständen, was es für komplexe wirtschaftliche, politische und wissenschaftliche Vorhersagen anwendbar macht.
Robustheit gegenüber menschlichen Fehlern: Die Abhängigkeit des Verfahrens von Überzeugungen höherer Ordnung ermöglicht es, individuelle kognitive Verzerrungen und Fehlspezifikationen zu korrigieren und das Rauschen im menschlichen Denken effektiv „herauszumitteln".
Anreizkompatibilität: Das Papier diskutiert, wie ehrliches Berichten durch Bayesian Truth Serum-Mechanismen incentiviert werden kann, wobei das Aggregationsverfahren mit Zahlungsregeln verknüpft wird, die auf dem rekonstruierten Zustand und den populationsweiten Durchschnittswerten basieren.

Zusammenfassend zeigen Chen, Mueller-Frank und Pai, dass ein Prinzipal durch die Nutzung von Überzeugungen höherer Ordnung (Erwartungen des Durchschnitts der Crowd) verstreute Informationen vollständig aggregieren und den wahren Zustand der Welt identifizieren kann, selbst ohne Kenntnis der zugrunde liegenden Informationsstruktur und selbst dann, wenn Agenten unvollkommen über das Verhalten der Crowd informiert sind.