Making Information More Valuable

Riepilogo Tecnico: Making Information More Valuable

1. Problema e Contesto

L'articolo si inserisce nella teoria della decisione e nell'economia dell'informazione, basandosi sui lavori fondativi di Blackwell (1951, 1953). Mentre la letteratura classica confronta il valore di diverse strutture informative (quali segnali sono più informativi), questo articolo inverte la domanda: come le modifiche a un problema decisionale influenzano il valore dell'informazione per l'agente?

Più precisamente, l'autore cerca di caratterizzare le trasformazioni di un problema decisionale (aggiunta o rimozione di azioni, modifica della funzione di utilità) che aumentano il valore dell'informazione, e ciò indipendentemente dalla struttura informativa esogena o dal costo endogeno di acquisizione dell'informazione.

2. Quadro Teorico e Metodologia

Modello di base:

• Un agente massimizza la sua utilità attesa $E[u(a, \theta)]$ di fronte a uno stato del mondo $\theta \in \Theta$ (finito) e un insieme di azioni $A$.
• La funzione di valore dell'agente, $V(\mu)$, è definita come il massimo di utilità attesa per una credenza (posteriore) $\mu \in \Delta(\Theta)$:
  $$V(\mu) = \max_{a \in A} E_\mu[u(a, \theta)]$$
  Questa funzione è convessa per costruzione.
• L'acquisizione di informazione è modellata sia in modo esogeno (distribuzione di credenze posteriori $\Phi$), sia endogeno (scelta ottimale di $\Phi$ sotto un costo separabile per le posteriori).

Criterio di confronto:
L'autore definisce che una trasformazione del problema decisionale (da $D$ a $\hat{D}$) aumenta il valore dell'informazione se, per ogni prior $\mu_0$ e ogni struttura informativa $\Phi$:

1. Il guadagno atteso dall'informazione è più elevato in $\hat{D}$ che in $D$.
2. L'agente non acquisisce mai strettamente meno informazione in $\hat{D}$ (nel senso della contrazione che preserva la media).

Strumento centrale: La Convessità Relativa
Il risultato fondamentale (Teorema 3.1) stabilisce un'equivalenza:

Una trasformazione aumenta il valore dell'informazione se e solo se la differenza tra le nuove e le vecchie funzioni di valore, $\hat{V} - V$, è convessa.

Ciò significa che l'agente diventa più sensibile all'informazione (reattività aumentata) e che il valore di distinguere tra le azioni aumenta.

Rappresentazione Geometrica: Le Sottodivisioni Poliedriche
Per problemi con azioni finite, la funzione di valore è una superficie poliedrica. L'autore utilizza la nozione di sottodivisione poliedrica regolare ($\mathcal{C}$), che partiziona lo spazio delle credenze in celle dove un'azione specifica è ottimale.

• Margine Estensivo (Extensive Margin): L'aggiunta di un'azione rende l'agente più reattivo se la nuova sottodivisione $\hat{\mathcal{C}}$ è un raffinamento ($\hat{\mathcal{C}} \succeq \mathcal{C}$) della precedente. Ciò significa che le regioni di ottimalità delle azioni precedenti si riducono o rimangono invariate, ma non si ingrandiscono.
• Margine Intensivo (Intensive Margin): Il valore di distinguere le azioni (la "pendenza" della funzione di valore).

3. Risultati Principali

L'articolo analizza cinque classi di trasformazioni:

A. Aggiunta di azioni (Flessibilità aumentata)

• Aggiunta di una singola azione: Il valore dell'informazione aumenta se e solo se l'azione aggiunta è affine (raffinante).
  • Definizione: Un'azione è affine se è ottimale in una regione di credenze che è un sottoinsieme della regione di ottimalità di un'azione preesistente. Essa non "sostituisce" un'azione su una parte del suo dominio di ottimalità senza ridurla altrove.
  • Condizione geometrica: La nuova sottodivisione $\hat{\mathcal{C}}$ deve essere un raffinamento stretto di $\mathcal{C}$ ($\hat{\mathcal{C}} \succ \mathcal{C}$).
• Aggiunta di più azioni: La condizione di convessità di $\hat{V}-V$ è più complessa.
  • Una condizione sufficiente è che l'insieme delle nuove azioni sia totalmente affine (ogni nuova azione è o dominata o affine).
  • Genericamente, la condizione necessaria e sufficiente è che l'insieme sia totalmente strettamente affine. Se non è così, l'aggiunta può aumentare la reattività (margine estensivo) ma ridurre il valore di distinzione (margine intensivo), annullando il guadagno globale.

B. Rimozione di azioni (Flessibilità ridotta)

• Risultato controintuitivo: Rimuovere azioni non può mai aumentare il valore dell'informazione, salvo in casi triviali.
• Se si rimuove un'azione che non era dominata (un'"azione residua" o leftover), l'agente diventa necessariamente meno reattivo all'informazione.
• L'unica eccezione è se la rimozione porta a un problema decisionale totalmente nuovo (tutte le azioni non dominate sono rimosse) o se la rimozione è senza conseguenze (sono rimosse solo azioni dominate).

C. Trasformazioni Affini dell'Utilità

• Se l'utilità è trasformata da $\hat{u} = k u + s$ con $k \ge 1$:
  • La reattività (margine estensivo) rimane invariata ($\hat{\mathcal{C}} = \mathcal{C}$).
  • Il valore dell'informazione aumenta perché la pendenza dei pagamenti (margine intensivo) aumenta.
• Applicazioni:
  • La ripetizione del problema decisionale (moltiplicare i guadagni) aumenta il valore dell'informazione.
  • Per un agente con utilità CARA (avversione assoluta al rischio costante), una diminuzione della ricchezza (o un aumento del rischio aggregato) aumenta il valore dell'informazione, poiché ciò equivale a un aumento del parametro di avversione al rischio rispetto ai guadagni, rendendo le decisioni più sensibili all'informazione.

D. Cambiamenti di Aversione al Rischio (Non lineare)

• A differenza delle trasformazioni affini, un aumento dell'avversione al rischio (o dell'amore per il rischio) non genera genericamente un valore di informazione più elevato.
• Ciò dipende interamente dal margine estensivo: se il cambiamento del rischio modifica la sottodivisione (rendendo azioni dominate non dominate), ciò può ridurre la reattività. Il risultato è generalmente negativo o ambiguo.

E. Confronto a Priori Fisso (Fixed-Mean)

• Se si fissa il prior $\mu_0$, la condizione di convessità di $\hat{V}-V$ non è più necessaria.
• La condizione diventa che $\hat{V}$ shift-majorizza $V$ (dominio puntuale dopo aggiustamento tramite una funzione affine passante per $\mu_0$).
• Ciò permette casi in cui l'agente acquisisce meno informazione nel nuovo problema, ma dove il valore dell'informazione (per questo prior specifico) è più elevato.

4. Applicazioni

1. Delega:

   • In un quadro in cui un principale delega a un agente che acquisisce informazione, il principale ha interesse a dare all'agente un insieme di azioni totalmente affine (raffinante).
   • Contrariamente alla letteratura precedente (es: Szalay, 2005) che suggeriva che rimuovere azioni intermedie potesse migliorare l'incentivo all'informazione, questo articolo mostra che, in un quadro generico e robusto (indipendente dal costo specifico), rimuovere azioni riduce il valore dell'informazione e quindi il benessere del principale.

2. Vendita di Informazione (Screening Monopolistico):

   • Applicazione a un problema di screening in cui il tipo privato dell'agente è il suo valore per l'informazione.
   • Se la differenza delle funzioni di valore tra i tipi è convessa, il meccanismo ottimale segue le regole classiche della teoria dello screening: nessuna distorsione per il tipo "alto" (che riceve l'informazione di prima migliore) e distorsione verso il basso per il tipo "basso".

5. Significato e Contributo

• Teorico: L'articolo fornisce una caratterizzazione completa e necessaria/sufficiente dell'aumento del valore dell'informazione tramite la convessità relativa delle funzioni di valore. Unifica i concetti di reattività (margine estensivo) e valore di distinzione (margine intensivo).
• Geometrico: L'introduzione della nozione di azioni "affini" (raffinanti) e l'uso delle sottodivisioni poliedriche offrono uno strumento visivo e matematico potente per analizzare i cambiamenti strutturali nei problemi decisionali.
• Pratico: Mette in discussione l'intuizione secondo cui restringere le scelte (regolamentazione, soppressione di opzioni) può sistematicamente migliorare l'incentivo all'informazione. Dimostra che, salvo casi molto specifici, la flessibilità aumentata (tramite azioni ben scelte) è l'unico modo robusto per aumentare il valore dell'informazione.
• Robustezza: I risultati sono formulati per essere validi per tutti i priori e tutte le strutture informative, rendendoli particolarmente robusti per la progettazione di meccanismi e politiche pubbliche.

In sintesi, Whitmeyer dimostra che affinché una modifica a un problema decisionale renda l'informazione più preziosa, deve rendere l'agente più reattivo all'informazione (raffinando la sua mappa decisionale) aumentando al contempo il valore della distinzione tra le azioni, una condizione che è raramente soddisfatta dalla rimozione di azioni o da cambiamenti non lineari di avversione al rischio.