The Wisdom of the Crowd and Higher-Order Beliefs

Aquí se presenta un resumen técnico detallado del artículo "La sabiduría de la multitud y las creencias de orden superior" de Chen, Mueller-Frank y Pai.

1. Planteamiento del Problema

El artículo aborda el desafío fundamental de la agregación de información: cómo un principal (un agregador) puede inferir el estado verdadero del mundo ($\omega$) a partir de una población de agentes, cada uno con señales privadas y ruidosas, sin conocer la estructura de información subyacente (es decir, la distribución de las señales, la estructura de correlación o el prior común).

• La Limitación de las Creencias de Primer Orden: La literatura existente (por ejemplo, Arieli, Babichenko y Smorodinsky, 2017) establece que conocer únicamente las creencias de primer orden (probabilidades posteriores de los agentes sobre el estado) es generalmente insuficiente para identificar el estado verdadero, incluso con una población infinita. Este es un problema de identificación: múltiples estados pueden generar la misma distribución de creencias de primer orden.
• La Brecha: La mayoría de los métodos existentes (como los Mercados de Predicción o el Método "Surprisingly Popular") requieren o bien suposiciones fuertes (por ejemplo, estados binarios, señales independientes) o solicitan datos complejos, a menudo inviables (por ejemplo, creencias contingentes al estado o probabilidades condicionales de las señales).
• El Objetivo: Desarrollar un procedimiento robusto que agregue información para identificar el estado verdadero utilizando únicamente:
  1. Las creencias de primer orden de los agentes ($\mu_i$).
  2. Las expectativas de los agentes sobre la media de la población (creencias de orden superior).
  3. Un conocimiento mínimo de la estructura de información (sin necesidad de conocer el prior ni la distribución de las señales).

2. Metodología: Agregación Basada en la Media de la Población (PMBA)

Los autores proponen un procedimiento novedoso llamado Agregación Basada en la Media de la Población (PMBA). La intuición central se basa en la Ley de las Expectativas Iteradas.

A. El Mecanismo Central

Sea $\Omega = \{\omega_1, \dots, \omega_L\}$ el conjunto de $L$ estados posibles.

1. Elicitación de Primer Orden: El principal recopila el vector de creencias $\mu_i$ de cada agente $i$. La media empírica $\hat{\mu} = \frac{1}{n}\sum \mu_i$ converge hacia la media poblacional dependiente del estado verdadero $\bar{\mu}(\omega)$.
2. El Problema de Identificación: El principal observa $\hat{\mu}$ pero no conoce la aplicación desde los estados $\omega$ hacia las medias poblacionales esperadas $\bar{\mu}(\omega)$.
3. Elicitación de Orden Superior: El principal selecciona $L$ agentes (o $L$ grupos de agentes) y les pide su expectativa sobre el promedio de creencias de la población.
   • Sea $\alpha_i = E[\bar{\mu} | s_i]$ la expectativa del agente $i$ sobre el promedio poblacional.
   • Por la Ley de las Expectativas Iteradas, $\alpha_i$ es un promedio ponderado de las medias poblacionales dependientes del estado, donde los pesos son las propias creencias de primer orden del agente:
     $$\alpha_i = \sum_{\omega \in \Omega} \mu_i(\omega) \cdot \bar{\mu}(\omega)$$
4. Sistema de Ecuaciones: Si el principal recopila estos informes de $L$ agentes con vectores de creencias linealmente independientes, forman un sistema de ecuaciones lineales:
   $$\mathbf{\alpha} = \mathbf{M} \cdot \mathbf{\bar{\mu}}$$
   Donde $\mathbf{M}$ es la matriz de creencias de primer orden y $\mathbf{\bar{\mu}}$ es el vector de medias poblacionales dependientes del estado desconocidas.
5. Inversión: Dado que $\mathbf{M}$ es invertible (bajo condiciones específicas de rango), el principal puede resolver para $\mathbf{\bar{\mu}} = \mathbf{M}^{-1}\mathbf{\alpha}$.
6. Identificación del Estado: El principal compara la media empírica observada $\hat{\mu}$ con las medias poblacionales recuperadas dependientes del estado $\bar{\mu}(\omega)$. El estado verdadero es el $\omega$ para el cual $\bar{\mu}(\omega)$ está más cerca de $\hat{\mu}$.

B. Robustez y Especificación Incorrecta

El artículo extiende el modelo para manejar la especificación incorrecta, donde los agentes pueden tener creencias incorrectas sobre la estructura de información (por ejemplo, malinterpretan cómo otros forman creencias).

• PMBA Aproximada: El procedimiento se reinterpreta como un problema de regresión lineal.
  • Variable Dependiente: Creencia de segundo orden del agente ($\alpha_i$).
  • Variables Independientes: Creencias de primer orden del agente ($\mu_i$).
  • Coeficientes: Las medias poblacionales dependientes del estado desconocidas.
• Manejo de Especificación Incorrecta: Incluso si los agentes tienen visiones sesgadas del promedio poblacional (ruido aditivo $\zeta$), el procedimiento sigue siendo válido siempre que el sesgo sea pequeño en relación con la separación entre las medias de los estados verdaderos. La Ley de los Grandes Números asegura que promediar sobre grandes grupos cancele los errores individuales de especificación incorrecta.

3. Contribuciones Clave

1. Identificación General sin Estructura: PMBA es el primer procedimiento que garantiza la identificación del estado para $L > 2$ estados finitos sin requerir conocimiento de la estructura de señales, la correlación o el prior común. Supera el fallo de identificación de las creencias de primer orden por sí solas.
2. Robustez ante Especificación Incorrecta: Los autores demuestran que el procedimiento funciona incluso cuando los agentes están "equivocados" sobre la estructura de información agregada, siempre que el error agregado no sea demasiado grande. Esto hace que el método sea aplicable a escenarios del mundo real donde los agentes tienen modelos cognitivos limitados de la multitud.
3. Interpretación de Regresión Lineal: Al enmarcar PMBA como una regresión lineal, los autores desbloquean un siglo de herramientas estadísticas (intervalos de confianza, pruebas de hipótesis, límites de error en muestras finitas). Esto transforma una inversión matricial teórica en una herramienta estadística práctica y accionable.
4. Garantías de Muestra Finita: El artículo deriva límites de error no asintóticos, mostrando que el error de estimación disminuye a la tasa estándar $O(1/\sqrt{n})$, dependiendo de la diversidad de creencias y del nivel de ruido.
5. Validación Experimental: Los autores realizan un experimento novedoso que involucra la predicción de precios de NFT (un mercado complejo e incierto).
   • Resultado: PMBA supera significativamente al Voto Mayoritario (basado en creencias de primer orden) y al método Surprisingly Popular (SP).
   • Significado: SP lucha por distinguirse en más de dos estados (limitación binaria), mientras que PMBA maneja con éxito predicciones de múltiples estados (rango de 4) con mayor precisión.

4. Resultados

• Teóricos:

  • Teorema 1: Bajo condiciones de regularidad débiles (correlación limitada, rango completo de creencias), PMBA recupera el estado verdadero en probabilidad cuando $n \to \infty$.
  • Teorema 3: PMBA recupera el estado verdadero casi seguramente incluso bajo creencias con especificación incorrecta, siempre que el sesgo en las expectativas de los agentes sea menor que la distancia entre las medias poblacionales dependientes del estado verdadero.
  • Proposición 1: Proporciona garantías de muestra finita, estableciendo el tamaño de muestra $n$ requerido para identificar el estado con probabilidad $1-\delta$.

• Empíricos (Experimento de NFT):

  • Configuración: 199 participantes predijeron rangos de precios de NFT (4 estados) e informaron sus expectativas sobre el promedio de predicción del grupo.
  • Rendimiento:
    • Error Absoluto Medio (MAE) de PMBA: 1.25
    • MAE de Voto Mayoritario (Primer Orden): 1.50
    • MAE de Voto Mayoritario (Segundo Orden): 1.40
    • Surprisingly Popular (SP): Luchó por distinguir estados efectivamente en el escenario de 4 estados; a menudo se redujo a distinciones binarias.
  • Significancia Estadística: La superioridad de PMBA sobre el voto mayoritario de primer orden es estadísticamente significativa ($p < 0.05$).

5. Significado e Implicaciones

• Aplicabilidad Práctica: A diferencia de los modelos teóricos que requieren informes complejos contingentes al estado (que los humanos encuentran difíciles de calcular), PMBA solo pide creencias y "¿qué crees que piensa el promedio de las personas?", preguntas que se elicitan fácilmente en encuestas.
• Más Allá de Estados Binarios: Muchos mecanismos existentes de "sabiduría de la multitud" (como SP) están limitados a elecciones binarias. PMBA generaliza esto a cualquier número finito de estados, haciéndolo aplicable a pronósticos económicos, políticos y científicos complejos.
• Robustez ante Errores Humanos: La dependencia del procedimiento de las creencias de orden superior le permite corregir sesgos cognitivos individuales y especificaciones incorrectas, "promediando" efectivamente el ruido en el razonamiento humano.
• Compatibilidad de Incentivos: El artículo discute cómo incentivar la declaración veraz utilizando mecanismos de Soro de Verdad Bayesiano, vinculando el procedimiento de agregación con reglas de pago basadas en el estado recuperado y las medias poblacionales.

En resumen, Chen, Mueller-Frank y Pai demuestran que al aprovechar las creencias de orden superior (expectativas del promedio de la multitud), un principal puede agregar completamente la información dispersa e identificar el estado verdadero del mundo, incluso sin conocer la estructura de información subyacente y aún cuando los agentes estén imperfectamente informados sobre el comportamiento de la multitud.