📈 economics

Revealed Bayesian Persuasion

Este artículo proporciona condiciones necesarias y suficientes para que un analista verifique empíricamente si las elecciones observadas de un tomador de decisiones, que dependen del estado, son consistentes con estar influenciadas por un emisor no observado que optimiza su pago esperado mediante persuasión bayesiana.

Autores originales: Jeffrey Mensch

Publicado 2026-05-13

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jeffrey Mensch

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás observando a una persona tomar una serie de decisiones. A veces eligen la opción A, a veces la opción B. Sabes exactamente cuánto les gusta cada opción en diferentes situaciones (sus "pagos") y conoces las probabilidades generales de que esas situaciones ocurran (el "prior").

La gran pregunta que plantea este artículo es: ¿Está esta persona tomando decisiones basándose únicamente en lo que sabe, o hay alguien más alimentándola secretamente con información para inclinarla hacia un resultado específico?

En el mundo de la economía, este "alguien más" se llama Emisor, y la persona que toma la decisión es el Receptor. El Emisor quiere que el Receptor elija una acción específica que beneficie al Emisor, por lo que el Emisor diseña una forma ingeniosa de compartir información (como un titular de noticias, una reseña de producto o el argumento de un abogado) para cambiar la opinión del Receptor. Esto se llama Persuasión Bayesiana.

El problema para los investigadores es que a menudo no pueden ver al Emisor. Solo ven las decisiones del Receptor. Este artículo proporciona un "kit de herramientas de detective" para determinar si un Emisor está realmente trabajando, incluso si es invisible.

Así es como el artículo resuelve este misterio, explicado mediante analogías simples:

El Misterio Central: El "Titiritero Oculto"

Imagina a un mago (el Emisor) y a un voluntario (el Receptor). El voluntario debe elegir una carta. El mago sabe cuál es la carta favorita del voluntario, pero el voluntario no sabe qué carta hay en el mazo todavía. El mago puede susurrar pistas al voluntario.

Si el voluntario elige una carta que parece aleatoria, ¿es solo suerte? ¿O el mago susurró una pista que hizo que esa carta fuera la mejor opción en ese momento específico?

El autor, Jeffrey Mensch, dice: "No podemos simplemente adivinar. Necesitamos una prueba matemática para demostrar si un mago oculto está tirando de las cuerdas".

Las Dos Reglas del Juego del Detective

Para probar que un Emisor está persuadiendo al Receptor, los datos deben pasar dos pruebas específicas (llamadas "axiomas" en el artículo).

Prueba 1: La Regla de "Sin Arrepentimiento" (NIAS)

El Concepto: Si el Receptor elige una carta después de escuchar una pista, esa carta debe ser la mejor opción posible dada esa pista específica.
La Analogía: Imagina que estás en un buffet. Ves un letrero que dice: "La sopa es picante". Basado en ese letrero, eliges la sopa. Si realmente odias la comida picante, no la habrías elegido. Si sí la elegiste, el letrero debe haberte convencido de que la sopa era en realidad suave, o de que tenías tanta hambre que valía la pena el riesgo.
La Afirmación del Artículo: Si los datos muestran que el Receptor elige una opción que sería una elección terrible dada la información que supuestamente recibió, entonces toda la historia se desmorona. El Receptor debe actuar racionalmente basándose en la información que tiene.

Prueba 2: La Regla de "Sin Almuerzo Gratis" (NBPS)

Esta es la gran nueva idea del artículo. Es la parte más importante.

El Concepto: Si un Emisor está haciendo su trabajo, solo envía información si eso le ayuda a obtener un mejor resultado que no hacer nada. Si no hacen nada, el Receptor simplemente se basa en la "apuesta promedio" (el prior).
La Analogía: Imagina a un vendedor de autos (Emisor) tratando de venderte un auto (Receptor).
- Si el vendedor te da ningún folleto, compras basándote en tu conocimiento general (el "prior").
- Si el vendedor te da un folleto, es porque cree que mostrarte detalles específicos te hará comprar su auto, lo cual es mejor para él que si simplemente adivinas.
- La Prueba: El artículo pregunta: "¿Podría el vendedor haber logrado los mismos resultados de ventas exactos dándote un folleto que incluyera una 'página en blanco' (representando ninguna información nueva)?".
- Si la respuesta es SÍ, entonces el vendedor está mintiendo. ¿Por qué molestarse en darte un folleto si podrían haberte dado una página en blanco y obtenido el mismo resultado? Un vendedor racional solo da un folleto si estrictamente mejora sus posibilidades. Si puedes intercambiar su folleto complejo por una opción de "no hacer nada" y obtener el mismo resultado, el folleto no era realmente necesario. Por lo tanto, los datos no encajan con la historia de un Emisor estratégico.

La Analogía del "Menú"

El artículo examina muchos "menús" diferentes de opciones (diferentes situaciones que enfrenta el Receptor).

El Truco: El autor muestra que no puedes mirar solo un menú. Tienes que observar cómo se comporta el Receptor a través de todos los menús.
La Metáfora: Imagina a un jugador de ajedrez. No puedes juzgar si está jugando perfectamente mirando un solo movimiento. Tienes que mirar todo su juego. El artículo dice: "Si podemos reorganizar los movimientos a través de diferentes juegos de una manera que mantenga la puntuación final igual, pero que de alguna manera incluya un 'pase' (sin información) donde antes no había uno, entonces el jugador en realidad no estaba jugando óptimamente".

¿Qué pasa con los "Motivos Transparentes"?

A veces, el objetivo del Emisor es obvio. Por ejemplo, un fiscal quiere una condena independientemente de si el acusado es realmente culpable o inocente; solo quiere el resultado de una condena.

El artículo dice: Si el objetivo del Emisor no cambia basándose en los detalles específicos de la situación (independiente del estado), la prueba se vuelve aún más estricta.
La Analogía: Si un político quiere ser elegido, no le importa qué política específica apoyas, solo le importa que votes por él. Si su estrategia parece que podría ser reemplazada por una estrategia de "apuesta aleatoria" que le dé los mismos votos, no es una estrategia inteligente. El artículo proporciona una prueba específica para este escenario "transparente".

El Giro de la "Media Posterior"

El artículo también examina un caso especial donde al Receptor solo le importa el promedio de la información (como el precio promedio de una acción, en lugar de cada fluctuación individual).

La Analogía: En lugar de mirar cada lectura individual de temperatura de un día, solo te importa la "temperatura promedio".
El artículo muestra que incluso en este mundo simplificado, la misma lógica aplica: Si el Emisor está haciendo su trabajo, no puede estar logrando su objetivo simplemente dándote la "apuesta promedio". Debe estar dándote algo más específico para facilitar su trabajo.

Por Qué Esto Importa (Según el Artículo)

El artículo no afirma resolver problemas del mundo real como "arreglar la atención médica" o "detener las noticias falsas" directamente. En cambio, proporciona una herramienta matemática.

Dice: "Si tienes un conjunto de datos donde sabes qué eligieron las personas, cuáles eran las opciones y cuáles eran las probabilidades, ahora puedes ejecutar un cálculo específico (usando programación lineal) para decir: 'Sí, estos datos son consistentes con un persuasor oculto', o 'No, estos datos son imposibles bajo la teoría de la persuasión'".

Convierte una pregunta filosófica ("¿Alguien nos está manipulando?") en un problema matemático resoluble.

Resumen

La Configuración: Vemos a una persona tomando decisiones. Conocemos sus preferencias. Sospechamos que un "Emisor" oculto les está dando información.
La Prueba:
- Regla 1: ¿Eligieron la mejor opción para la información que recibieron? (Si no, la teoría falla).
- Regla 2: ¿Podría el Emisor haber logrado el mismo resultado sin enviar ninguna información? (Si sí, el Emisor no está realmente persuadiendo; la teoría falla).
El Resultado: Si los datos pasan ambas reglas, podemos decir: "Sí, es posible que un Emisor oculto esté persuadiendo óptimamente a esta persona". Si falla, sabemos que la historia del Emisor oculto no encaja con los hechos.

El artículo es esencialmente una "prueba de detector de mentiras" para el diseño de información, asegurando que si afirmamos que alguien está siendo manipulado por una mano oculta, las matemáticas realmente lo respalden.

Resumen Técnico: Persuasión Bayesiana Revelada

Enunciado del Problema
El artículo aborda el desafío empírico de verificar si las elecciones estocásticas de un Tomador de Decisiones (TD), observadas en diversos menús y condicionadas al estado del mundo, son consistentes con la hipótesis de que el TD está siendo influenciado por un "remitente" mediante persuasión bayesiana. A diferencia de las pruebas estándar de preferencias reveladas donde las preferencias del TD son el único foco, este marco asume que el analista conoce las preferencias dependientes del estado del TD ( $v$ ) y la creencia previa ( $p_0$ ), pero no observa las preferencias del remitente ( $u$ ) ni la existencia del remitente directamente. La pregunta central es si los datos observados pueden racionalizarse como el resultado de un problema óptimo de diseño de información donde un remitente optimiza ex-ante su pago esperado diseñando una estructura de señales, sujeto a la restricción de que el TD actúa óptimamente dadas sus creencias posteriores.

Se impone una condición crítica de no trivialidad: se asume que el remitente utiliza una estrategia de persuasión no trivial (es decir, proporcionar información distinta de la creencia previa) si y solo si hacerlo aumenta estrictamente su pago esperado en comparación con no revelar información. Esto descarta casos degenerados donde el remitente es indiferente entre todas las acciones.

Metodología y Marco
El autor adopta un enfoque de preferencias reveladas, análogo a la caracterización de la maximización de utilidad de Afriat (1967). El conjunto de datos consiste en datos de Elección Estocástica Dependiente del Estado (EEDD): una colección de pares $\{(A, \sigma_A)\}$ , donde $A$ es un menú de acciones y $\sigma_A$ es la distribución condicional de las elecciones dado el estado $\omega$ .

La metodología procede en tres pasos:

Posteriores Revelados: El analista infiere los "posteriores revelados" ( $p_{A,a}$ ) asociados a cada acción elegida $a$ en el menú $A$ utilizando la regla de Bayes y las probabilidades de elección observadas.
Condiciones de Optimalidad: El artículo utiliza el resultado de concavificación de Kamenica y Gentzkow (2011), que caracteriza las estrategias de persuasión óptimas como distribuciones de posteriores que yacen en el cierre cóncavo de la función de utilidad indirecta del remitente.
Caracterización Finita: Basándose en Lipnowski y Mathevet (2017), el autor restringe el conjunto de posteriores que deben considerarse para la optimalidad a los "puntos exteriores" (puntos extremos de las regiones convexas donde acciones específicas son óptimas para el TD). Esto reduce el problema de dimensión infinita de verificar todas las posibles estructuras de señales a un conjunto finito de desviaciones potenciales.

Axiomas Clave y Resultados
El resultado principal, el Teorema 1, establece que un conjunto de datos es consistente con la persuasión bayesiana no trivial si y solo si satisface dos axiomas:

No Cambio de Acción Mejorable (NIAS): Un axioma estándar de la literatura de elección basada en información (Caplin y Martin, 2015). Requiere que para cada acción $a$ elegida con probabilidad positiva en el menú $A$ , $a$ debe ser óptima para el TD dado el posterior revelado $p_{A,a}$ . Formalmente, el TD no puede cambiar a otra acción $b$ en el mismo menú y lograr un pago esperado mayor en ese posterior específico.
No Señales Equilibradas de Previa/Punto Exterior (NBPS): Esta es la contribución novedosa del artículo. Verifica si la distribución observada de posteriores es óptima para alguna preferencia del remitente. El axioma establece que no debería existir ninguna secuencia alternativa de señales "Previa/Punto Exterior (POP)" que:
- Preserve la probabilidad promedio dependiente del estado de elegir cada acción a través de los menús (manteniendo la misma distribución conjunta de acciones y estados).
- Sea plausible de Bayes para cada menú.
- Asigne probabilidad positiva a la creencia previa $p_0$ para al menos un menú donde los datos originales no lo hacían.
La intuición es que si el remitente se beneficia de la persuasión, la creencia previa debe ser subóptima. Si se puede construir una estructura de señales alternativa que genere los mismos pagos promedio (y por tanto la misma utilidad del remitente para cualquier preferencia) pero incluya la creencia previa en su soporte, la señal original no podría haber sido óptima. La prueba utiliza el Lema de Farkas para demostrar que la no existencia de tal señal "equilibrada" es necesaria y suficiente para la existencia de una función de utilidad del remitente que racionalice los datos.

Extensiones y Casos Especiales

Motivos Transparentes (Preferencias Independientes del Estado): En el Teorema 2, el artículo adapta la prueba para remitentes cuyas preferencias dependen solo de la probabilidad de las acciones tomadas, no del estado. La condición se fortalece a SI-NBPS, que requiere preservar las probabilidades incondicionales de las acciones en lugar de las dependientes del estado.
Persuasión Bayesiana de Media Posterior: En la Sección 7, el marco se extiende a entornos donde las preferencias dependen solo de la media posterior (Dworczak y Martini, 2019). El Teorema 3 proporciona condiciones necesarias y suficientes (NIAS y NBPS-M) para este escenario, teniendo en cuenta que la optimalidad se caracteriza por una función de precios convexa en lugar de un hiperplano.
Priors Variables: El Teorema 4 extiende los resultados a conjuntos de datos donde la creencia previa cambia entre menús, requiriendo una versión uniforme de los axiomas (UNIAS y UNBPS).

Significado y Afirmaciones
El artículo afirma proporcionar la primera caracterización de preferencias reveladas de la persuasión bayesiana. Su principal significado radica en ofrecer una herramienta para que los investigadores empíricos verifiquen la presencia de diseño de información en los datos sin imponer supuestos paramétricos sobre las preferencias del remitente.

Utilidad Empírica: Las condiciones se formulan como un sistema de desigualdades lineales, permitiendo pruebas computacionales mediante programación lineal. Esto permite a los investigadores aplicados falsar la hipótesis de persuasión bayesiana en conjuntos de datos del mundo real.
Contribución Teórica: Al caracterizar el conjunto de preferencias del remitente consistentes con los datos, el artículo cierra la brecha entre los modelos teóricos de diseño de información y la observación empírica. Aclara la distinción entre persuasión bayesiana e Inatención Racional (IR), demostrando que ambas teorías generan implicaciones contrastables distintas (por ejemplo, el Ejemplo 5 muestra un conjunto de datos racionalizable por persuasión pero no por IR).
Robustez: El marco maneja datos de elección incompletos y no requiere reglas explícitas de desempate para el receptor, ya que la no existencia de señales POP equilibradas maneja implícitamente la indiferencia.

El autor señala que, aunque las condiciones teóricas son necesarias y suficientes, la aplicación práctica enfrenta desafíos relacionados con la disponibilidad de datos (específicamente la necesidad de datos de elección dependientes del estado y previas conocidas) y el potencial de ruido en la toma de decisiones, lo que requeriría adaptaciones a los axiomas.