The Wisdom of the Crowd and Higher-Order Beliefs

1. Énoncé du problème

Le papier aborde le défi fondamental de l'agrégation d'information : comment un principal (un agrégateur) peut inférer l'état vrai du monde ($\omega$) à partir d'une population d'agents, chacun détenant des signaux privés et bruités, sans connaître la structure d'information sous-jacente (c'est-à-dire la distribution des signaux, la structure de corrélation ou l'a priori commun).

• La limitation des croyances du premier ordre : La littérature existante (par exemple, Arieli, Babichenko, & Smorodinsky, 2017) établit que la connaissance des seules croyances du premier ordre (les probabilités a posteriori des agents sur l'état) est généralement insuffisante pour identifier l'état vrai, même avec une population infinie. Il s'agit d'un problème d'identification : plusieurs états peuvent générer la même distribution de croyances du premier ordre.
• Le vide : La plupart des méthodes existantes (comme les marchés de prévision ou la méthode « Surprisingly Popular ») exigent soit des hypothèses fortes (par exemple, des états binaires, des signaux indépendants), soit des données complexes, souvent irréalisables (par exemple, des croyances conditionnelles à l'état ou des probabilités conditionnelles de signaux).
• L'objectif : Développer une procédure robuste qui agrège l'information pour identifier l'état vrai en utilisant uniquement :
  1. Les croyances du premier ordre des agents ($\mu_i$).
  2. Les attentes des agents concernant la moyenne de la croyance de la population (croyances d'ordre supérieur).
  3. Une connaissance minimale de la structure d'information (pas besoin de connaître l'a priori ou la distribution des signaux).

2. Méthodologie : Agrégation basée sur la moyenne de la population (PMBA)

Les auteurs proposent une nouvelle procédure appelée Agrégation basée sur la moyenne de la population (PMBA). L'intuition centrale repose sur la Loi des Espérances Itérées.

A. Le mécanisme central

Soit $\Omega = \{\omega_1, \dots, \omega_L\}$ l'ensemble des $L$ états possibles.

1. Élicitation du premier ordre : Le principal collecte le vecteur de croyance $\mu_i$ de chaque agent $i$. La moyenne empirique $\hat{\mu} = \frac{1}{n}\sum \mu_i$ converge vers la moyenne de population dépendante de l'état $\bar{\mu}(\omega)$.
2. Le problème d'identification : Le principal observe $\hat{\mu}$ mais ne connaît pas la correspondance entre les états $\omega$ et les moyennes de population attendues $\bar{\mu}(\omega)$.
3. Élicitation d'ordre supérieur : Le principal sélectionne $L$ agents (ou $L$ groupes d'agents) et leur demande leur attente de la moyenne de croyance de la population.
   • Soit $\alpha_i = E[\bar{\mu} | s_i]$ l'attente de l'agent $i$ concernant la moyenne de la population.
   • Par la Loi des Espérances Itérées, $\alpha_i$ est une moyenne pondérée des moyennes de population dépendantes de l'état, où les poids sont les propres croyances du premier ordre de l'agent :
     $$\alpha_i = \sum_{\omega \in \Omega} \mu_i(\omega) \cdot \bar{\mu}(\omega)$$
4. Système d'équations : Si le principal collecte ces rapports auprès de $L$ agents possédant des vecteurs de croyance linéairement indépendants, ils forment un système d'équations linéaires :
   $$\mathbf{\alpha} = \mathbf{M} \cdot \mathbf{\bar{\mu}}$$
   Où $\mathbf{M}$ est la matrice des croyances du premier ordre et $\mathbf{\bar{\mu}}$ est le vecteur des moyennes de population dépendantes de l'état inconnues.
5. Inversion : Puisque $\mathbf{M}$ est inversible (sous des conditions de rang spécifiques), le principal peut résoudre pour $\mathbf{\bar{\mu}} = \mathbf{M}^{-1}\mathbf{\alpha}$.
6. Identification de l'état : Le principal compare la moyenne empirique observée $\hat{\mu}$ aux moyennes dépendantes de l'état récupérées $\bar{\mu}(\omega)$. L'état vrai est celui $\omega$ pour lequel $\bar{\mu}(\omega)$ est le plus proche de $\hat{\mu}$.

B. Robustesse et mauvaise spécification

Le papier étend le modèle pour gérer la mauvaise spécification, où les agents peuvent avoir des croyances incorrectes sur la structure d'information (par exemple, ils ne comprennent pas comment les autres forment leurs croyances).

• PMBA approximative : La procédure est réinterprétée comme un problème de régression linéaire.
  • Variable dépendante : Croyance du second ordre de l'agent ($\alpha_i$).
  • Variables indépendantes : Croyances du premier ordre de l'agent ($\mu_i$).
  • Coefficients : Les moyennes de population dépendantes de l'état inconnues.
• Gestion de la mauvaise spécification : Même si les agents ont des vues biaisées de la moyenne de la population (bruit additif $\zeta$), la procédure reste valide à condition que le biais soit faible par rapport à la séparation entre les moyennes des états vrais. La Loi des Grands Nombres garantit que la moyenne sur de grands groupes annule les erreurs individuelles de mauvaise spécification.

3. Contributions clés

1. Identification générale sans structure : La PMBA est la première procédure à garantir l'identification de l'état pour un nombre fini $L > 2$ d'états sans exiger la connaissance de la structure des signaux, de la corrélation ou de l'a priori commun. Elle surmonte l'échec d'identification des seules croyances du premier ordre.
2. Robustesse à la mauvaise spécification : Les auteurs prouvent que la procédure fonctionne même lorsque les agents se trompent sur la structure d'information agrégée, tant que l'erreur agrégée n'est pas trop grande. Cela rend la méthode applicable à des contextes réels où les agents ont des modèles cognitifs limités de la foule.
3. Interprétation par régression linéaire : En présentant la PMBA comme une régression linéaire, les auteurs débloquent un siècle d'outils statistiques (intervalles de confiance, tests d'hypothèses, bornes d'erreur pour échantillons finis). Cela transforme une inversion de matrice théorique en un outil statistique pratique et actionnable.
4. Garanties pour échantillons finis : Le papier dérive des bornes d'erreur non asymptotiques, montrant que l'erreur d'estimation diminue selon le taux standard $O(1/\sqrt{n})$, dépendant de la diversité des croyances et du niveau de bruit.
5. Validation expérimentale : Les auteurs mènent une expérience novatrice impliquant la prévision des prix de NFT (un marché complexe et incertain).
   • Résultat : La PMBA surpasse nettement le vote majoritaire (basé sur les croyances du premier ordre) et la méthode Surprisingly Popular (SP).
   • Signification : La SP peine à distinguer plus de deux états (limitation binaire), tandis que la PMBA gère avec succès des prédictions multi-états (4 plages) avec une plus grande précision.

4. Résultats

• Théoriques :

  • Théorème 1 : Sous de faibles conditions de régularité (corrélation limitée, rang plein des croyances), la PMBA récupère l'état vrai en probabilité lorsque $n \to \infty$.
  • Théorème 3 : La PMBA récupère l'état vrai presque sûrement même sous des croyances mal spécifiées, à condition que le biais dans les attentes des agents soit inférieur à la distance entre les moyennes de population dépendantes de l'état vrai.
  • Proposition 1 : Fournit des garanties pour échantillons finis, établissant la taille d'échantillon $n$ requise pour identifier l'état avec une probabilité $1-\delta$.

• Empiriques (Expérience NFT) :

  • Configuration : 199 participants ont prédit des plages de prix de NFT (4 états) et ont rapporté leurs attentes concernant la prédiction moyenne du groupe.
  • Performance :
    • Erreur Absolue Moyenne (MAE) de la PMBA : 1,25
    • MAE du Vote Majoritaire (Premier ordre) : 1,50
    • MAE du Vote Majoritaire (Second ordre) : 1,40
    • Surprisingly Popular (SP) : A eu du mal à distinguer efficacement les états dans le cadre à 4 états ; souvent réduit à des distinctions binaires.
  • Significativité statistique : La supériorité de la PMBA sur le vote majoritaire du premier ordre est statistiquement significative ($p < 0,05$).

5. Signification et implications

• Applicabilité pratique : Contrairement aux modèles théoriques exigeant des rapports complexes conditionnels à l'état (que les humains trouvent difficiles à calculer), la PMBA ne demande que des croyances et « que pensez-vous que la personne moyenne pense ? » — des questions facilement élicitées dans les enquêtes.
• Au-delà des états binaires : De nombreux mécanismes existants de « sagesse de la foule » (comme la SP) sont limités aux choix binaires. La PMBA généralise cela à n'importe quel nombre fini d'états, la rendant applicable à des prévisions économiques, politiques et scientifiques complexes.
• Robustesse à l'erreur humaine : La dépendance de la procédure aux croyances d'ordre supérieur lui permet de corriger les biais cognitifs individuels et les mauvaises spécifications, annulant efficacement le bruit dans le raisonnement humain.
• Compatibilité incitative : Le papier discute de la manière d'inciter à un rapport véridique en utilisant des mécanismes de Bayesian Truth Serum, reliant la procédure d'agrégation à des règles de paiement basées sur l'état récupéré et les moyennes de population.

En résumé, Chen, Mueller-Frank et Pai démontrent qu'en exploitant les croyances d'ordre supérieur (attentes de la moyenne de la foule), un principal peut agréger pleinement des informations dispersées et identifier l'état vrai du monde, même sans connaître la structure d'information sous-jacente et même lorsque les agents sont imparfaitement informés sur le comportement de la foule.