Joint Identification of Beliefs and Preferences from Point and Density Forecasts

Resumen Técnico: Identificación Conjunta de Creencias y Preferencias a partir de Pronósticos de Punto y de Densidad

1. Planteamiento del Problema

El artículo aborda un problema fundamental de identificación en el análisis de las encuestas de expectativas. Mientras que los pronósticos de punto (por ejemplo, tasas de inflación esperadas) y los pronósticos de densidad (distribuciones de probabilidad sobre los resultados) se recopilan y analizan ampliamente de forma separada, su observación conjunta no ha sido estudiada rigurosamente para determinar qué se puede inferir sobre las creencias y preferencias subyacentes de los pronosticadores.

La literatura existente suele tratar las discrepancias entre los pronósticos de punto y las tendencias centrales (media, mediana, moda) de los pronósticos de densidad como errores de reporte o sesgos. Este artículo argumenta que tales discrepancias pueden reflejar, en cambio, la interacción entre las creencias subjetivas de un pronosticador y sus preferencias de teoría de la decisión. La pregunta central es: ¿Pueden las creencias y las preferencias identificarse por separado a partir de la observación conjunta de un pronóstico de punto y un pronóstico de densidad, y bajo qué condiciones?

Los autores destacan que las elecciones bajo incertidumbre generalmente reflejan tanto creencias como preferencias, lo que dificulta su separación sin una estructura adicional. Si bien los pronósticos de densidad parecen revelar las creencias directamente, los pronósticos de punto son resúmenes funcionales de esas creencias que dependen del objetivo del pronosticador (función de pérdida o utilidad). Sin un análisis conjunto, ninguno de los dos objetos por sí solo permite la identificación separada de creencias y preferencias.

2. Metodología y Marco Teórico

El artículo desarrolla un marco de teoría de la decisión para caracterizar el problema de identificación.

Configuración Formal:

• Observables: Un agente reporta un pronóstico de punto $p \in X$ y un pronóstico de densidad $G \in \Delta(X)$ (una función de distribución acumulativa).
• Objetos Latentes: El agente posee una creencia subjetiva $G$ y una estructura de preferencia definida por una función de utilidad $u$ y una función de ponderación de probabilidad $w$.
• Regla de Reporte: El pronóstico de punto se genera mediante un mapeo $T(G; u, w)$, interpretado como un funcional de la distribución (por ejemplo, un equivalente de certeza).

Análisis de Identificación:
Los autores emplean el lenguaje de la identificación parcial (Manski, 2003; Tamer, 2010) y la racionalizabilidad de la preferencia revelada (Afriat, 1967; Varian, 1982).

• Pronósticos de Densidad por sí solos: Una densidad reportada $G$ identifica la creencia subjetiva exactamente (bajo la interpretación estándar), pero no proporciona información sobre las preferencias. El conjunto de preferencias admisibles es todo el espacio $\mathbb{P}$.
• Pronósticos de Punto por sí solos: Un pronóstico de punto $p$ no identifica ni las creencias ni las preferencias, ya que múltiples pares de creencia-preferencia pueden generar el mismo resumen escalar.
• Observación Conjunta: La observación conjunta $(p, G)$ restringe el conjunto de pares creencia-preferencia admisibles. El pronóstico de densidad fija la creencia, y el pronóstico de punto impone una restricción sobre los parámetros de preferencia consistentes con esa creencia. Sin embargo, el artículo demuestra que un solo par $(p, G)$ es generalmente insuficiente para la identificación puntual de las preferencias porque el espacio de preferencias es infinito-dimensional y el pronóstico de punto proporciona solo un número finito de restricciones.

Marco de Utilidad Dependiente del Rango (RDU):
Para ilustrar los resultados, los autores adoptan el modelo de Utilidad Dependiente del Rango (Quiggin, 1982; Yaari, 1987). En este marco:

• El pronóstico de densidad determina la distribución subjetiva $G$.
• La función de ponderación de probabilidad $w$ distorsiona $G$ en pesos de decisión.
• El pronóstico de punto se interpreta como un equivalente de certeza ($p = u^{-1}(V)$), donde $V$ es el valor RDU.
• Los autores derivan condiciones bajo las cuales las preferencias pueden identificarse a partir de un panel de reportes (variación de creencias a lo largo del tiempo) y establecen condiciones de orden (el número de rondas de pronóstico debe ser $\geq$ la dimensión de los parámetros de preferencia).

Racionalizabilidad vs. Identificación:
Se hace una distincción crucial entre identificación (recuperar parámetros bajo un modelo mantenido) y racionalizabilidad (determinar si existen valores de parámetros admisibles que puedan explicar los datos). El artículo demuestra que la identificación no implica racionalizabilidad; un modelo puede imponer restricciones identificadoras que resulten en estimaciones de parámetros que violen las condiciones de admisibilidad estándar (por ejemplo, aversión al riesgo negativa).

3. Contribuciones Clave

1. Cambio de la Descripción a la Identificación: A diferencia de trabajos previos que comparan descriptivamente los pronósticos de punto con las estadísticas de densidad (por ejemplo, verificar si los puntos son iguales a las medianas), este artículo formaliza el problema de identificación de recuperar creencias y preferencias latentes a partir de pares de pronósticos.
2. Complementariedad Informativa: El artículo establece que los pronósticos de punto y de densidad son complementos informativos. El pronóstico de densidad disciplina las creencias, mientras que el pronóstico de punto disciplina las preferencias. La observación conjunta reduce estrictamente el conjunto identificado de modelos en comparación con la observación de cualquiera de ellos de forma aislada.
3. Distinción entre Identificación y Racionalizabilidad: Los autores distinguen formalmente entre la capacidad de estimar parámetros y la capacidad de un modelo para racionalizar los datos observados. Demuestran que las estimaciones de parámetros "implausibles" (por ejemplo, valores negativos) pueden indicar un fallo en la racionalización de los datos por parte del modelo más que evidencia de preferencias inusuales.
4. Condiciones para la Identificación: El artículo proporciona condiciones necesarias y suficientes para la identificación puntual, incluyendo el requisito de una clase rica de creencias (por ejemplo, un panel de pronósticos con distribuciones variables) y restricciones paramétricas en las funciones de utilidad y de ponderación.

4. Resultados Empíricos

El marco se aplica a los datos de la Encuesta de Pronosticadores Profesionales (SPF), que reporta tanto pronósticos de punto como de densidad para variables macroeconómicas de EE. UU.

• Metodología: Los autores recuperan las distribuciones subjetivas a partir de los pronósticos de densidad de la SPF utilizando densidades beta generalizadas. Estiman las funciones de ponderación de probabilidad y luego resuelven para los parámetros de preferencia (específicamente el coeficiente de aversión relativa al riesgo, $\gamma$, bajo utilidad CRRA) que racionalizan los pronósticos de punto observados como equivalentes de certeza.
• Hallazgos:
  • Inflación del Deflactor del PIB: Los parámetros de preferencia implícitos son positivos, económicamente significativos y estables a través de diferentes especificaciones de referencia. Esto sugiere que los pronósticos conjuntos son racionalizables dentro del marco RDU.
  • Crecimiento del PIB Real: Bajo tres de cuatro especificaciones de referencia, los parámetros de preferencia implícitos son negativos y estadísticamente significativos. De acuerdo con el Teorema 5 del artículo, un $\gamma$ negativo viola las condiciones de admisibilidad para la utilidad CRRA. Esto indica un fallo de racionalizabilidad: los pronósticos de punto y de densidad observados para el crecimiento del PIB real no pueden reconciliarse conjuntamente dentro del modelo RDU mantenido.
  • CPI Básico y Desempleo: Los resultados son mixtos y menos definitivos, produciendo a menudo estimaciones imprecisas o parámetros que varían significativamente con las elecciones de la especificación de referencia.
• Interpretación: Los valores negativos para el crecimiento del PIB real no se interpretan como evidencia de comportamiento de búsqueda de riesgo. En su lugar, señalan que el modelo RDU no logra capturar la relación entre las creencias reportadas y el resumen de punto para esta variable. La discrepancia probablemente surge de que los pronósticos de densidad implican medias distorsionadas que difieren materialmente de los pronósticos de punto reportados.

5. Significado y Reivindicaciones

El artículo sostiene que las encuestas de pronósticos contienen información más rica sobre la formación de expectativas de lo que habitualmente se reconoce. Al analizar conjuntamente los pronósticos de punto y de densidad, los investigadores pueden:

• Evaluar la consistencia interna de los reportes de pronósticos.
• Probar modelos de formación de creencias y toma de decisiones bajo incertidumbre.
• Diagnosticar la especificación errónea del modelo o las convenciones de reporte cuando los modelos estándar de teoría de la decisión no logran racionalizar los datos observados.

Los autores enfatizan que su contribución es metodológica más que empírica. No pretenden haber estimado parámetros de preferencia estructurales como verdades definitivas. En su lugar, demuestran que la observación conjunta de los pronósticos impone restricciones que pueden utilizarse para evaluar la validez de los modelos de teoría de la decisión. La aplicación empírica sirve para ilustrar que, si bien algunos pares de pronósticos son consistentes con modelos estándar, otros implican una ruptura en la capacidad del modelo para explicar los datos, resaltando la necesidad de marcos alternativos (por ejemplo, la aversión a la ambigüedad) en investigaciones futuras.