Forecasting with Feedback

🌤️ Le Prédicteur et le Capitaine : Pourquoi les prévisions sont parfois "fausses" à dessein

Imaginez que vous devez prédire le nombre de nouveaux cas d'une maladie infectieuse pour la semaine prochaine. Vous publiez votre prévision : "Le nombre de cas va être élevé".
À cause de cette prédiction, les gens prennent des précautions immédiates : ils restent à la maison, portent des masques et annulent leurs rassemblements. Résultat : le nombre réel de cas la semaine suivante est plus bas que ce que vous aviez prédit.
Votre prédiction n'a pas seulement décrit l'avenir ; elle l'a modifié, car le résultat réel (le nombre de cas) dépendait des actions que les gens ont prises en réaction à votre prédiction.

C'est ce que les économistes appellent le feedback (la boucle de rétroaction) : la réalisation de la variable que l'on prédit dépend des actions prises en réponse à la prédiction. Une prévision météo pure n'a pas cette propriété : qu'il pleuve ou non demain ne dépend pas du fait que les gens aient des parapluies. Mais de nombreuses variables économiques intéressantes ont cette propriété : l'inflation réagit à la politique de la banque centrale, qui elle-même est façonnée par les prévisions d'inflation ; les cas d'épidémie réagissent aux comportements de santé publique ; les prix des marchés financiers réagissent aux attentes de consensus.

Dans le monde classique, on pense que le prévisionniste doit toujours dire la vérité, même s'il se trompe parfois. Si sa prévision est fausse, c'est soit parce qu'il est incompétent, soit parce qu'il a un intérêt personnel à mentir.

Mais ce papier de recherche (Lieli et Nieto-Barthaburu) raconte une histoire différente. Il dit : "Et si le prévisionniste mentait un peu, non pas parce qu'il est bête ou malhonnête, mais pour protéger le système ?"

Voici comment ça marche, étape par étape.

1. Le problème : La prévision change la réalité (L'Effet Boule de Neige)

Dans la vie de tous les jours, une prévision météo n'affecte pas la météo. Si je dis qu'il va pleuvoir, le ciel ne se met pas à pleuvoir à cause de mes mots. C'est ce qu'on appelle sans feedback (sans retour d'information).

Mais dans l'économie (comme avec l'inflation ou les taux d'intérêt), c'est différent.

L'exemple du Capitaine : Si le météorologue dit "Il va faire très chaud", le capitaine décide d'ouvrir toutes les écluses pour refroidir le moteur.
Le résultat : Parce que le capitaine a ouvert les écluses, il ne fait plus aussi chaud que prévu. La prévision a changé la réalité.

C'est ce qu'on appelle le feedback (la boucle de rétroaction). La prévision influence l'action, et l'action modifie le résultat final.

2. Le dilemme : Le météorologue a peur de l'inconnu

Maintenant, imaginons que le météorologue ne soit pas sûr de la réaction du capitaine.

Parfois, le capitaine est très prudent et ouvre juste un peu les écluses.
Parfois, il panique et ouvre tout grand.
Le météorologue ne sait pas exactement ce que le capitaine va faire, il ne connaît que la probabilité de ses réactions.

C'est ici que la magie opère. Le météorologue se dit :

"Si je donne la température exacte (disons 30°C), le capitaine va réagir violemment. Comme je ne sais pas exactement comment il va réagir, cela va créer une énorme instabilité (du chaos) sur le bateau. Le moteur risque de surchauffer ou de geler."

Pour éviter ce chaos, le météorologue décide de tricher un peu. Il va dire : "Il va faire 28°C" (au lieu de 30°C).
En faisant cela, il "adoucit" la réaction du capitaine. Il rend la situation plus stable, même si sa prévision est techniquement fausse.

La leçon : Dans un monde où la prévision change l'avenir, il est parfois rationnel (intelligent) de faire une prévision biaisée pour réduire les risques.

3. L'analogie du "Tir à l'arc"

Pensez à un archer qui doit tirer une flèche vers une cible.

Sans feedback : La cible est fixe. L'archer vise le centre. S'il rate, c'est qu'il est mauvais.
Avec feedback : La cible est posée sur un chariot qui bouge. Mais le chariot est piloté par un ami qui réagit à la façon dont l'archer vise.
- Si l'archer vise trop fort, son ami fait reculer le chariot trop vite.
- Si l'archer vise trop doucement, son ami avance trop lentement.
- L'archer ne sait pas exactement comment son ami va bouger le chariot (incertitude).

Pour toucher le chariot le plus souvent possible, l'archer ne va pas viser le centre théorique. Il va viser un peu à côté, de manière à ce que le mouvement du chariot (causé par sa visée) l'amène exactement là où il veut. Il accepte de faire une "erreur" de visée initiale pour gagner en stabilité.

4. Ce que cela change pour nous (Les économistes)

Les économistes passent leur temps à tester si les prévisions sont "rationnelles". Ils utilisent des formules mathématiques (comme la régression de Mincer-Zarnowitz) pour vérifier si les prévisions sont justes.

L'ancienne croyance : Si la prévision est biaisée (toujours trop haute ou trop basse) ou si l'erreur est liée à la prévision, c'est que le prévisionniste est irrationnel ou qu'il a des intérêts cachés.
La nouvelle découverte de ce papier : Non ! Ce biais peut être le signe d'une excellente stratégie.

Si vous voyez un prévisionniste faire des erreurs systématiques, ne le jugez pas trop vite. Il est peut-être en train de faire un calcul complexe pour stabiliser le système, parce qu'il ne sait pas exactement comment le décideur va réagir à son rapport.

En résumé

Ce papier nous apprend que :

Les prévisions ne sont pas passives : Elles peuvent changer le monde (comme une prophétie qui s'auto-réalise, mais à l'envers).
L'incertitude crée le biais : Parce que le prévisionniste ne sait pas exactement comment le décideur va réagir, il "tord" sa prévision pour éviter les catastrophes.
Ce n'est pas de la folie : Un prévisionniste qui fait une prévision "fausse" peut en réalité être le plus intelligent de la pièce, car il gère le risque mieux que quiconque.

C'est comme un pilote d'avion qui ne vole pas exactement dans la direction du vent, mais qui compense en déviant un peu, pour arriver à l'heure malgré les turbulences imprévisibles.

Résumé Technique : Prévisions avec Feedback

1. Problématique et Contexte

La littérature économique traditionnelle interprète généralement les prévisions systématiquement biaisées comme la preuve soit de l'irrationalité des prévisionnistes, soit d'une fonction de perte asymétrique (où les coûts des erreurs de sur-estimation diffèrent de ceux des sous-estimations).

Cependant, cet article propose une explication alternative : le biais optimal peut émerger même sous une fonction de perte quadratique (erreur quadratique moyenne) lorsque le processus de prévision est soumis à un feedback. Ce phénomène se produit lorsque les prévisions informent des décisions de politique (prise par un décideur, ou DM), et que ces actions modifient à leur tour la réalisation de la variable cible que la prévision était censée prédire.

L'objectif principal est de modéliser la production de prévisions dans un environnement interactif où le prévisionniste anticipe la réaction du décideur, et d'analyser les propriétés statistiques de ces prévisions « inconditionnelles » (c'est-à-dire intégrant la réponse attendue du décideur).

2. Méthodologie et Modèle

Les auteurs construisent un modèle de jeu stratégique entre un prévisionniste (Sender) et un décideur (Receiver).

A. Structure de l'environnement :

Variable de résultat ( $y_{t+1}$ ) : Elle dépend linéairement de l'état de l'économie ( $\theta_t$ ), de l'action du décideur ( $a_t$ ) et d'un bruit aléatoire ( $\epsilon_{t+1}$ ) :
$y_{t+1} = \theta_t + a_t + \epsilon_{t+1}$
Information : Le prévisionniste observe l'état $\theta_t$ (information privée), tandis que le décideur ne l'observe pas directement et doit se fier à la prévision $f_t$ .
Fonction de perte : Le prévisionniste minimise l'erreur quadratique moyenne (MSE) : $L = (y_{t+1} - f_t)^2$ .

B. La Réaction du Décideur (DM) :
Le décideur suit une règle de type « Taylor » pour ajuster l'action $a_t$ en fonction de l'écart entre une cible $y^T$ et son attente de l'état $\theta_t$ déduite de la prévision :
$a^*(f_t) = x_t \cdot [y^T - E(\theta_t | f_t)]$

Point clé d'incertitude : Le paramètre $x_t$ (l'intensité de la réaction politique) est une information privée du décideur, tirée d'une distribution avec une moyenne $\mu$ et une variance $\tau^2$ . Le prévisionniste connaît la distribution de $x_t$ mais pas sa réalisation exacte. Cette incertitude sur la réaction politique est le moteur central du modèle.

C. Hypothèses de linéarité :
Le décideur conjecture que la prévision est une fonction linéaire de l'état ( $f_t = b + c \cdot \theta_t$ ). Le modèle cherche un équilibre où cette conjecture est auto-confirmée (le prévisionniste utilise effectivement une règle linéaire optimale).

3. Résultats Principaux

A. Le compromis Biais-Variance (Bias-Variance Tradeoff)
Sous une fonction de perte quadratique classique sans feedback, la prévision optimale est la moyenne conditionnelle (non biaisée). Avec le feedback et l'incertitude sur $x_t$ , le problème change :

Le choix de la prévision $f_t$ influence non seulement le biais systématique, mais aussi la variance du résultat final, car l'action du décideur dépend de $f_t$ .
Pour minimiser l'erreur quadratique totale, le prévisionniste doit arbitrer entre réduire le biais et réduire la volatilité induite par la réaction incertaine du décideur.
Résultat : La prévision optimale est biaisée. Le prévisionniste atténue la sensibilité de sa prévision par rapport à l'information privée ( $\theta_t$ ) pour « lisser » l'impact de la réaction politique incertaine, réduisant ainsi la variance globale au prix d'un biais systématique.

B. Propriétés Statistiques (Régression de Mincer-Zarnowitz)
Les auteurs dérivent les propriétés de la régression de Mincer-Zarnowitz (MZ), qui régresse la réalisation $y_{t+1}$ sur la prévision $f_t$ :
$y_{t+1} = \alpha + \beta f_t + \text{erreur}$
Dans un monde rationnel sans feedback, on s'attend à $\alpha=0$ et $\beta=1$ . Dans ce modèle :

Biais : L'ordonnée à l'origine $\alpha$ est non nulle. Le biais change de signe selon que l'état $\theta_t$ est supérieur ou inférieur à la cible $y^T$ .
Pente ( $\beta$ ) : La pente $\beta$ s'écarte de 1. Elle peut être positive, proche de zéro, ou même négative, selon l'intensité moyenne de la réaction ( $\mu$ ) et son incertitude ( $\tau^2$ ).
Corrélation : L'erreur de prévision est corrélée avec l'information du prévisionniste, ce qui violerait les tests standards de rationalité.

C. Équilibre Stratégique
Les auteurs définissent un équilibre de Bayes parfait (PBE) où le décideur connaît correctement la règle de prévision.

Un équilibre linéaire existe si l'incertitude $\tau^2$ est inférieure à un seuil ( $\tau^2 \le 1/4$ ).
Dans cet équilibre, la pente de la régression MZ dépend de manière non linéaire de $\mu$ et $\tau^2$ .
Si l'incertitude sur la réaction politique disparaît ( $\tau^2 \to 0$ ), le biais et la déviation de la pente MZ disparaissent, et l'on retrouve les propriétés classiques de rationalité.

4. Contributions et Implications

A. Contribution Théorique :

L'article démontre que le feedback politique est une source suffisante de biais optimal, indépendamment de l'irrationalité ou de l'aversion asymétrique au risque.
Il établit que la fonction de perte seule ne suffit plus à caractériser les prévisions optimales ; la fonction de réaction du décideur est un déterminant clé.
Il fournit des formules explicites pour le biais et les coefficients de régression en fonction des moments de l'incertitude politique.

B. Motivation Empirique (Previsions Greenbook) :
Les auteurs utilisent les prévisions d'inflation du Federal Reserve (Greenbook/Tealbook) pour illustrer leur théorie. Ils observent deux faits stylisés que leur modèle explique :

Un biais systématique qui change de signe au fil du temps.
Une pente de régression MZ qui varie radicalement (passant de 1 à des valeurs négatives ou nulles) sur différentes périodes.
Le modèle suggère que ces variations reflètent des changements dans l'agressivité et l'incertitude de la réaction de la politique monétaire, et non nécessairement une perte de rationalité des prévisionnistes.

C. Signification pour l'Évaluation des Prévisions :

Mise en garde méthodologique : Les tests de rationalité standards (comme la régression MZ) peuvent être trompeurs dans les environnements avec feedback. Un rejet de l'hypothèse de rationalité (pente $\neq 1$ ) ne prouve pas l'irrationalité, mais peut indiquer un biais optimal dû au feedback.
Estimation de la fonction de perte : Les tentatives d'estimer la fonction de perte des prévisionnistes à partir des biais observés doivent contrôler pour l'existence d'un mécanisme de feedback, sinon les résultats seront biaisés.

Conclusion

Lieli et Nieto-Barthaburu démontrent que dans un monde où les prévisions influencent les décisions qui façonnent l'avenir, la prévision « rationnelle » n'est pas la prévision la plus précise possible en moyenne, mais celle qui optimise le compromis entre précision et stabilité face à la réaction incertaine des décideurs. Ce cadre offre une nouvelle perspective pour comprendre les anomalies observées dans les données de prévisions macroéconomiques.