📈 economics

Revealed Bayesian Persuasion

Cet article fournit des conditions nécessaires et suffisantes pour qu'un analyste puisse tester empiriquement si les choix observés d'un décideur, qui dépendent de l'état, sont cohérents avec une influence exercée par un émetteur non observé optimisant son gain espéré par le biais de la persuasion bayésienne.

Auteurs originaux : Jeffrey Mensch

Publié 2026-05-13

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jeffrey Mensch

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous observez une personne prendre une série de choix. Parfois, elle choisit l'option A, parfois l'option B. Vous savez exactement combien elle apprécie chaque option dans différentes situations (ses « gains »), et vous connaissez les probabilités générales de survenue de ces situations (le « préalable »).

La grande question que pose cet article est : cette personne prend-elle simplement des décisions en fonction de ce qu'elle sait, ou quelqu'un d'autre lui fournit-il secrètement des informations pour la pousser vers un résultat spécifique ?

Dans le monde de l'économie, ce « quelqu'un d'autre » est appelé un Émetteur, et la personne qui prend la décision est le Récepteur. L'Émetteur souhaite que le Récepteur choisisse une action spécifique qui profite à l'Émetteur ; il conçoit donc une manière astucieuse de partager des informations (comme un titre de journal, un avis sur un produit ou un argument d'avocat) pour changer l'avis du Récepteur. Cela s'appelle la Persuasion Bayésienne.

Le problème pour les chercheurs est qu'ils ne peuvent souvent pas voir l'Émetteur. Ils ne voient que les choix du Récepteur. Cet article fournit une « boîte à outils de détective » pour déterminer si un Émetteur est réellement à l'œuvre, même s'il est invisible.

Voici comment l'article résout ce mystère, expliqué à travers des analogies simples :

Le Mystère Central : Le « Marionnettiste Caché »

Imaginez un magicien (l'Émetteur) et un bénévole (le Récepteur). Le bénévole doit choisir une carte. Le magicien connaît la carte préférée du bénévole, mais le bénévole ne sait pas encore quelle carte se trouve dans le jeu. Le magicien peut chuchoter des indices au bénévole.

Si le bénévole choisit une carte qui semble aléatoire, est-ce simplement de la chance ? Ou le magicien a-t-il chuchoté un indice qui a rendu cette carte le meilleur choix à ce moment précis ?

L'auteur, Jeffrey Mensch, déclare : « Nous ne pouvons pas simplement deviner. Nous avons besoin d'un test mathématique pour prouver si un magicien caché tire les ficelles. »

Les Deux Règles du Jeu du Détective

Pour prouver qu'un Émetteur persuade le Récepteur, les données doivent passer deux tests spécifiques (appelés « axiomes » dans l'article).

Test 1 : La Règle « Sans Regret » (NIAS)

Le Concept : Si le Récepteur choisit une carte après avoir entendu un indice, cette carte doit être le meilleur choix possible étant donné cet indice spécifique.
L'Analogie : Imaginez que vous êtes dans un buffet. Vous voyez un panneau indiquant : « La soupe est épicée ». Sur la base de ce panneau, vous choisissez la soupe. Si vous détestez réellement la nourriture épicée, vous ne l'auriez pas choisie. Si vous l'avez choisie, le panneau doit vous avoir convaincu que la soupe était en réalité douce, ou que vous aviez assez faim pour prendre le risque.
L'Affirmation de l'Article : Si les données montrent que le Récepteur choisit une option qui serait un choix terrible étant donné les informations qu'il aurait supposément reçues, alors toute l'histoire s'effondre. Le Récepteur doit agir rationnellement en fonction des informations dont il dispose.

Test 2 : La Règle « Pas de Repas Gratuit » (NBPS)

C'est la grande nouvelle idée de l'article. C'est la partie la plus importante.

Le Concept : Si un Émetteur fait son travail, il n'envoie des informations que si cela lui permet d'obtenir un meilleur résultat que de ne rien faire. S'il ne fait rien, le Récepteur se contente de la « moyenne » des hypothèses (le préalable).
L'Analogie : Imaginez un vendeur de voitures (Émetteur) essayant de vous vendre une voiture (Récepteur).
- Si le vendeur ne vous donne aucune brochure, vous achetez en fonction de vos connaissances générales (le « préalable »).
- Si le vendeur vous donne une brochure, c'est parce qu'il pense que vous montrer des détails spécifiques vous amènera à acheter sa voiture, ce qui est mieux pour lui que si vous vous contentiez de deviner.
- Le Test : L'article demande : « Le vendeur aurait-il pu obtenir exactement les mêmes résultats de vente en vous donnant une brochure contenant une 'page blanche' (représentant aucune nouvelle information) ? »
- Si la réponse est OUI, alors le vendeur ment. Pourquoi se donnerait-il la peine de vous donner une brochure s'il aurait pu vous donner une page blanche et obtenir le même résultat ? Un vendeur rationnel ne donne une brochure que si cela améliore strictement ses chances. Si vous pouvez remplacer sa brochure complexe par une option « ne rien faire » et obtenir le même résultat, la brochure n'était pas réellement nécessaire. Par conséquent, les données ne correspondent pas à l'histoire d'un Émetteur stratégique.

L'Analogie du « Menu »

L'article examine de nombreux « menus » de choix différents (différentes situations auxquelles le Récepteur est confronté).

L'Astuce : L'auteur montre que vous ne pouvez pas vous contenter d'examiner un seul menu. Vous devez observer comment le Récepteur se comporte à travers tous les menus.
La Métaphore : Imaginez un joueur d'échecs. Vous ne pouvez pas juger s'il joue parfaitement en regardant un seul coup. Vous devez examiner tout son jeu. L'article dit : « Si nous pouvons réarranger les coups à travers différents jeux d'une manière qui maintient le score final identique, mais qui inclut somehow un 'passe' (aucune information) là où il n'y en avait pas auparavant, alors le joueur ne jouait pas réellement de manière optimale. »

Que dire des « Motifs Transparents » ?

Parfois, le but de l'Émetteur est évident. Par exemple, un procureur veut une condamnation, peu importe que le défendeur soit réellement coupable ou innocent ; il veut simplement le résultat d'une condamnation.

L'article dit : Si le but de l'Émetteur ne change pas en fonction des détails spécifiques de la situation (indépendant de l'état), le test devient encore plus strict.
L'Analogie : Si un politicien veut être élu, il ne se soucie pas de quelle politique spécifique vous soutenez, il se soucie seulement que vous votiez pour lui. Si sa stratégie semble pouvoir être remplacée par une stratégie de « devinette aléatoire » qui lui apporte les mêmes voix, ce n'est pas une stratégie intelligente. L'article fournit un test spécifique pour ce scénario « transparent ».

La « Torsion de la Moyenne Postérieure »

L'article examine également un cas spécial où le Récepteur ne se soucie que de la moyenne des informations (comme le prix moyen d'une action, plutôt que chaque fluctuation individuelle).

L'Analogie : Au lieu de regarder chaque relevé de température d'une journée, vous ne vous souciez que de la « température moyenne ».
L'article montre que même dans ce monde simplifié, la même logique s'applique : si l'Émetteur fait son travail, il ne peut pas atteindre son objectif en vous donnant simplement la « moyenne » des hypothèses. Il doit vous donner quelque chose de plus spécifique pour faciliter son travail.

Pourquoi cela compte (selon l'Article)

L'article ne prétend pas résoudre des problèmes du monde réel comme « réparer les soins de santé » ou « arrêter les fausses nouvelles » directement. Au lieu de cela, il fournit un outil mathématique.

Il dit : « Si vous disposez d'un ensemble de données où vous savez ce que les gens ont choisi, quelles étaient les options et quelles étaient les probabilités, vous pouvez maintenant effectuer un calcul spécifique (en utilisant la programmation linéaire) pour dire : 'Oui, ces données sont cohérentes avec un persuadeur caché', ou 'Non, ces données sont impossibles dans le cadre de la théorie de la persuasion'. »

Il transforme une question philosophique (« Quelqu'un nous manipule-t-il ? ») en un problème mathématique résoluble.

Résumé

Le Contexte : Nous voyons une personne prendre des décisions. Nous connaissons ses préférences. Nous soupçonnons qu'un « Émetteur » caché lui fournit des informations.
Le Test :
- Règle 1 : A-t-elle choisi la meilleure option pour les informations qu'elle a reçues ? (Si non, la théorie échoue).
- Règle 2 : L'Émetteur aurait-il pu obtenir le même résultat en ne envoyant aucune information ? (Si oui, l'Émetteur ne persuade pas réellement ; la théorie échoue).
Le Résultat : Si les données passent les deux règles, nous pouvons dire : « Oui, il est possible qu'un Émetteur caché persuade optimalement cette personne. » Si cela échoue, nous savons que l'histoire d'un Émetteur caché ne correspond pas aux faits.

L'article est essentiellement un « test de détecteur de mensonges » pour la conception de l'information, garantissant que si nous affirmons que quelqu'un est manipulé par une main cachée, les mathématiques le confirment réellement.

Résumé technique : Persuasion bayésienne révélée

Énoncé du problème
L'article aborde le défi empirique consistant à tester si les choix stochastiques d'un Preneur de Décision (PD), observés à travers divers menus et conditionnés à l'état du monde, sont cohérents avec l'hypothèse selon laquelle le PD est influencé par un « émetteur » via une persuasion bayésienne. Contrairement aux tests standards de préférence révélée où les préférences du PD sont l'unique objet d'étude, ce cadre suppose que l'analyste connaît les préférences dépendantes de l'état du PD ( $v$ ) et l'a priori ( $p_0$ ), mais n'observe ni les préférences de l'émetteur ( $u$ ) ni l'existence même de l'émetteur directement. La question centrale est de savoir si les données observées peuvent être rationalisées comme le résultat d'un problème optimal de conception d'information où un émetteur optimise ex-ante son gain espéré en concevant une structure de signal, sous la contrainte que le PD agit de manière optimale étant donné ses croyances a posteriori.

Une condition de non-trivialité critique est imposée : l'émetteur est supposé utiliser une stratégie de persuasion non triviale (c'est-à-dire fournir une information distincte de l'a priori) si et seulement si cela augmente strictement son gain espéré par rapport à la révélation d'aucune information. Cela exclut les cas dégénérés où l'émetteur est indifférent entre toutes les actions.

Méthodologie et cadre
L'auteur adopte une approche de préférence révélée, analogue à la caractérisation de la maximisation de l'utilité par Afriat (1967). L'ensemble de données se compose de données de Choix Stochastique Dépendant de l'État (SDSC) : une collection de paires $\{(A, \sigma_A)\}$ , où $A$ est un menu d'actions et $\sigma_A$ est la distribution conditionnelle des choix étant donné l'état $\omega$ .

La méthodologie procède en trois étapes :

Postérieurs révélés : L'analyste infère les « postérieurs révélés » ( $p_{A,a}$ ) associés à chaque action choisie $a$ dans le menu $A$ en utilisant la règle de Bayes et les probabilités de choix observées.
Conditions d'optimalité : L'article utilise le résultat de concavification de Kamenica et Gentzkow (2011), qui caractérise les stratégies de persuasion optimales comme des distributions de postérieurs qui se situent sur la fermeture convexe de la fonction d'utilité indirecte de l'émetteur.
Caractérisation finie : S'appuyant sur Lipnowski et Mathevet (2017), l'auteur restreint l'ensemble des postérieurs à considérer pour l'optimalité aux « points externes » (points extrêmes des régions convexes où des actions spécifiques sont optimales pour le PD). Cela réduit le problème de dimension infinie consistant à vérifier toutes les structures de signal possibles à un ensemble fini de déviations potentielles.

Axiomes clés et résultats
Le résultat principal, le Théorème 1, établit qu'un ensemble de données est cohérent avec une persuasion bayésienne non triviale si et seulement s'il satisfait deux axiomes :

Absence de changements d'action améliorants (NIAS) : Un axiome standard de la littérature sur le choix basé sur l'information (Caplin et Martin, 2015). Il exige que pour toute action $a$ choisie avec une probabilité positive dans le menu $A$ , $a$ doit être optimale pour le PD étant donné le postérieur révélé $p_{A,a}$ . Formellement, le PD ne peut pas passer à une autre action $b$ dans le même menu et obtenir un gain espéré plus élevé à ce postérieur spécifique.
Absence de signaux équilibrés A priori/Point-externe (NBPS) : Il s'agit de la contribution novatrice de l'article. Il teste si la distribution observée de postérieurs est optimale pour certaines préférences d'émetteur. L'axiome stipule qu'il ne doit exister aucune séquence alternative de signaux « A priori/Point-externe (POP) » qui :
- Préserve la probabilité moyenne dépendante de l'état de choisir chaque action à travers les menus (maintenant la même distribution conjointe des actions et des états).
- Soit bayésienne plausible pour chaque menu.
- Place une probabilité positive sur l'a priori $p_0$ pour au moins un menu où les données originales ne le faisaient pas.
L'intuition est que si l'émetteur bénéficie de la persuasion, l'a priori doit être sous-optimal. Si l'on peut construire une structure de signal alternative qui produit les mêmes gains moyens (et donc la même utilité pour l'émetteur pour toute préférence) mais inclut l'a priori dans son support, le signal original ne pouvait pas être optimal. La preuve utilise le Lemme de Farkas pour montrer que la non-existence d'un tel signal « équilibré » est nécessaire et suffisante pour l'existence d'une fonction d'utilité de l'émetteur qui rationalise les données.

Extensions et cas particuliers

Motifs transparents (Préférences indépendantes de l'état) : Dans le Théorème 2, l'article adapte le test pour les émetteurs dont les préférences dépendent uniquement de la probabilité des actions entreprises, et non de l'état. La condition est renforcée en SI-NBPS, qui exige la préservation des probabilités inconditionnelles des actions plutôt que de celles dépendantes de l'état.
Persuasion bayésienne de la moyenne a posteriori : Dans la Section 7, le cadre est étendu aux environnements où les préférences dépendent uniquement de la moyenne a posteriori (Dworczak et Martini, 2019). Le Théorème 3 fournit des conditions nécessaires et suffisantes (NIAS et NBPS-M) pour ce cadre, tenant compte du fait que l'optimalité est caractérisée par une fonction de prix convexe plutôt que par un hyperplan.
Priors variables : Le Théorème 4 étend les résultats aux ensembles de données où l'a priori change à travers les menus, exigeant une version uniforme des axiomes (UNIAS et UNBPS).

Portée et affirmations
L'article prétend fournir la première caractérisation de préférence révélée de la persuasion bayésienne. Sa signification principale réside dans l'offre d'un outil aux chercheurs empiriques pour tester la présence d'une conception d'information dans les données sans imposer d'hypothèses paramétriques sur les préférences de l'émetteur.

Utilité empirique : Les conditions sont formulées comme un système d'inégalités linéaires, permettant un test computationnel via la programmation linéaire. Cela permet aux chercheurs appliqués de falsifier l'hypothèse de persuasion bayésienne dans des ensembles de données réels.
Contribution théorique : En caractérisant l'ensemble des préférences d'émetteur cohérentes avec les données, l'article comble le fossé entre les modèles théoriques de conception d'information et l'observation empirique. Il clarifie la distinction entre la persuasion bayésienne et l'Attention Rationnelle (RI), démontrant que les deux théories produisent des implications testables distinctes (par exemple, l'Exemple 5 montre un ensemble de données rationalisable par la persuasion mais pas par la RI).
Robustesse : Le cadre gère les données de choix incomplètes et ne nécessite pas de règles explicites de départage pour le récepteur, car la non-existence de signaux POP équilibrés gère implicitement l'indifférence.

L'auteur note que, bien que les conditions théoriques soient nécessaires et suffisantes, l'application pratique fait face à des défis concernant la disponibilité des données (spécifiquement le besoin de données de choix dépendantes de l'état et d'a priori connus) et le potentiel de bruit dans la prise de décision, ce qui nécessiterait des adaptations des axiomes.