📈 economics

The Wisdom of the Crowd and Higher-Order Beliefs

本論文は、エージェントの信念と集団平均に対する期待から真の状態を正確に推論することを可能にする新たな手続きである集団平均に基づく集約（PMBA）を導入するものであり、これは基礎となる情報構造を理解する必要がなく、弱い仮定の下で理論的に堅牢であり、かつ既存のアプローチを実証的に上回る手法である。

原著者： Yi-Chun Chen, Manuel Mueller-Frank, Mallesh M Pai

公開日 2026-04-29

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Yi-Chun Chen, Manuel Mueller-Frank, Mallesh M Pai

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

以下は、論文「群衆の知恵と高次信念」を平易な言葉と日常的な比喩を用いて解説したものです。

大きなアイデア：なぜ群衆は時として間違えるのか

郡の祭りで巨大なカボチャの重さを推測しようとしていると想像してください。100 人に推測を頼みます。

従来の方法（標準的な群衆の知恵）： 100 人すべての推測値を合計し、100 で割ります。理論によれば、この平均値は実際の重さに非常に近くなるはずです。
問題点： もし全員が同じ悪い写真を見ていたらどうでしょうか？あるいは、全員が同じ誤った経験則を使っていたらどうでしょうか？その場合、彼らの推測の「平均」は自信を持って誤ったものになります。群衆の知恵が機能するのは、個々の誤りが互いに相殺される場合に限られます。もし全員が同じ盲点を持っていれば、群衆は単に同じ間違いを犯す大勢の人々でしかありません。

この論文の著者たちは問いかけます：彼らがなぜ間違いを犯しているのか、あるいは情報をどのように得たのかを知らなくても、群衆の知恵を修正できるでしょうか？

解決策：「あなたは他の人々がどう思うと思いますか？」と尋ねる

著者たちは、PMBA（Population-Mean-Based Aggregation：集団平均に基づく集約） という新しい手法を提案します。これは、群衆に尋ねる質問をアップグレードするようなものです。

単に「カボチャの重さはどれくらいですか？」（一次信念）と尋ねる代わりに、特定のサブセットの人々にも以下のように尋ねます：「あなたは、この群衆の平均的な人が何と推測すると思いますか？」（二次信念）。

魔法の比喩：探偵と地図

隠された宝（「真の状態」）を見つけようとする探偵を想像してください。

手がかり（一次信念）： 探偵は 100 人の地元住民に「宝はどこですか？」と尋ねます。全員が異なる方向を指します。探偵は平均的な方向を取ります。しかし、探偵は地図を持っていないため、その平均が宝を指しているのか、それとも沼地を指しているのかを知りません。
転換点（二次信念）： 次に、探偵はそれらの住民の何人かに、「もしあなたが群衆の真ん中に立って、全員が指している方向を見たなら、その平均はどの方向を指すと思いますか？」と尋ねます。
突破口： 人々が「平均がどこを指すと思うか」と「実際の平均がどこを指すか」を比較することで、探偵は数学的に地図を逆算して復元できます。彼らは地図を一度も見たことのないまま、宝の真の場所を特定できます。

仕組み（「線形回帰」のトリック）

この論文は、このプロセスが実際には、パターンを見つけるために一般的に使用される数学ツールである線形回帰の洗練されたバージョンであると説明しています。

入力：
- X（信念）： 「私はカボチャが重い確率が 70% だと思う。」
- Y（期待）： 「私は平均的な人が、重い確率が 60% だと思うと予想する。」
関連性： 数学は、あなたの群衆に対する期待（Y）が、実際には異なるシナリオ（重い対軽い）において群衆が実際に考えていることの重み付きの組み合わせであることを示しています。
結果： この数学をデータに適用することで、システムは隠されたシナリオを「解く」ことができます。つまり、「ああ、カボチャが実際に重い場合、群衆の平均は 80% になる。軽い場合は 40% になる」ということがわかります。システムがこれらの「真の平均」を知れば、現在の群衆の平均を見て、即座にどのシナリオが現実のものかを特定できます。

なぜこれが古い方法よりも優れているのか

この論文は、彼らの手法を情報を集約する他の 2 つの一般的な方法と比較しています。

多数決： 「重いのか軽いのか？」と尋ね、最も人気のある答えを採用する。（群衆が混乱している場合は失敗する）。
「意外に人気のある」手法（SP）： 人々に「大多数が何と言うと思うか」を尋ね、人々の予想よりもより人気のある答えを選ぶ。（これは単純な Yes/No の質問ではよく機能するが、4 つの異なる価格帯など、多くの選択肢がある場合は苦労する）。

PMBA の利点：

複雑さへの対応： Yes/No だけでなく、多くの可能な答えがある場合でも機能します。
堅牢性： 人々が世界の仕組みについて混乱していても機能します。論文は、個々の人が「誤った設定」の信念を持っている場合（つまり、他の人々の考え方を誤解している場合）でも、誤差が極端でなければ、数学が誤差を平均化し、真実を見つけ出すことを示しています。
実証： 著者たちは、人々が NFT（デジタルアート）の価格帯を推測する実験を行いました。
- 結果： PMBA は、単純な多数決よりも、また「意外に人気のある」手法よりも正確でした。他の手法よりも真の価格帯を成功裏に予測しました。

「誤設定」に対する安全網

この論文の重要な点は、人々が完璧な天才である必要がないことです。

懸念： 人々がゲームを理解していないとしたらどうでしょうか？もし彼らが、他の全員が実際よりも賢い、あるいは愚かだと考えていたらどうでしょうか？
解決策： 数学は「堅牢」になるように設計されています。これは、個々人が群衆の心構えについて混乱している可能性はあるが、平均的な混乱は相殺されると仮定しています。彼らの思考における「ノイズ」が実際のシグナルよりも大きくなければ、この手法は真の状態を見つけ出します。

まとめ

この論文は、シンプルながら強力なトリックを提案しています：人々に何を考えているかを尋ねるだけでなく、彼らが「他の人々が何を考えるか」をどう思っているかも尋ねなさい。

これらの 2 つの情報の層を組み合わせることで、研究者やマーケットメーカーなどの「主」は、ゲームのルールを知らなくても、群衆が混乱していても、そして多くの可能な結果が存在しても、世界の真の状態を明らかにすることができます。それは「群衆の知恵」を、脆弱な概念から、数学的に保証された堅牢なツールへと変えるのです。

以下は、Chen、Mueller-Frank、および Pai による論文「The Wisdom of the Crowd and Higher-Order Beliefs」の詳細な技術的サマリーです。

1. 問題定義

本論文は、情報集約（information aggregation）の根本的な課題、すなわち、エージェントがそれぞれ私的かつノイズを含むシグナルを持っている状況において、プリンシパル（集約者）が情報構造（シグナルの分布、相関構造、または共通事前分布）を知らずに、真の状態（ $\omega$ ）を推論する方法に焦点を当てています。

一次信念の限界: 既存の文献（例：Arieli, Babichenko, & Smorodinsky, 2017）は、エージェントの状態に関する事後確率である一次信念のみを知っているだけでは、無限の人口が存在する場合であっても、真の状態を特定するには一般に不十分であることを示しています。これは識別問題です。複数の状態が、同じ一次信念の分布を生成し得るためです。
ギャップ: 既存の多くの手法（予測市場や Surprisingly Popular など）は、強い仮定（例：二値状態、独立したシグナル）を必要とするか、複雑かつしばしば実行不可能なデータ（例：状態条件付き信念やシグナルの条件付き確率）を要求します。
目的: 以下の要素のみを用いて、真の状態を特定するための堅牢な集約手順を開発することです。
1. エージェントの一次信念（ $\mu_i$ ）。
2. エージェントの人口平均信念に対する期待（高次信念）。
3. 情報構造に関する最小限の知識（事前分布やシグナル分布を知る必要はない）。

2. 手法：人口平均に基づく集約（PMBA）

著者らは、反復期待の法則に依存する**人口平均に基づく集約（Population-Mean-Based Aggregation: PMBA）**と呼ばれる新しい手順を提案しています。

A. 中核的なメカニズム

$\Omega = \{\omega_1, \dots, \omega_L\}$ を $L$ 個の可能な状態の集合とします。

一次信念の引き出し: プリンシパルはすべてのエージェント $i$ から信念ベクトル $\mu_i$ を収集します。経験的平均 $\hat{\mu} = \frac{1}{n}\sum \mu_i$ は、状態依存の人口平均 $\bar{\mu}(\omega)$ に収束します。
識別問題: プリンシパルは $\hat{\mu}$ を観測しますが、状態 $\omega$ から期待される人口平均 $\bar{\mu}(\omega)$ へのマッピングは知りません。
高次信念の引き出し: プリンシパルは $L$ $L$ 人のエージェント（または $L$ $L$ 群のエージェント）を選択し、人口平均信念に対する彼らの期待を尋ねます。
- $\alpha_i = E[\bar{\mu} | s_i]$ をエージェント $i$ の人口平均に対する期待とします。
- 反復期待の法則により、 $\alpha_i$ は、重みとしてエージェント自身の一次信念を用いた、状態依存の人口平均の加重平均となります。
  $\alpha_i = \sum_{\omega \in \Omega} \mu_i(\omega) \cdot \bar{\mu}(\omega)$
連立方程式: プリンシパルが線形独立な信念ベクトルを持つ $L$ 人のエージェントからこれらの報告を集めると、連立一次方程式系が形成されます。
$\mathbf{\alpha} = \mathbf{M} \cdot \mathbf{\bar{\mu}}$
ここで、 $\mathbf{M}$ は一次信念の行列、 $\mathbf{\bar{\mu}}$ は未知の状態依存人口平均のベクトルです。
逆算: $\mathbf{M}$ が（特定のランク条件の下で）可逆であるため、プリンシパルは $\mathbf{\bar{\mu}} = \mathbf{M}^{-1}\mathbf{\alpha}$ を解くことができます。
状態の特定: プリンシパルは、観測された経験的平均 $\hat{\mu}$ と、回復された状態依存平均 $\bar{\mu}(\omega)$ を比較します。真の状態は、 $\bar{\mu}(\omega)$ が $\hat{\mu}$ に最も近い $\omega$ です。

B. 頑健性と誤指定

本論文は、エージェントが情報構造について誤った信念を持っている場合（例：他者がどのように信念を形成するかを誤解している場合）の**誤指定（misspecification）**に対処するためにモデルを拡張しています。

近似 PMBA: この手順は線形回帰問題として再解釈されます。
- 従属変数：エージェントの二次信念（ $\alpha_i$ ）。
- 独立変数：エージェントの一次信念（ $\mu_i$ ）。
- 係数：未知の状態依存人口平均。
誤指定の処理: エージェントが人口平均についてバイアスを持った見方（加法性ノイズ $\zeta$ ）を持っていたとしても、そのバイアスが真の状態平均間の分離距離に比べて小さければ、手順は有効です。大数の法則により、大規模なグループで平均化することで、個々の誤指定エラーが相殺されます。

3. 主要な貢献

構造なしの一般的な識別: PMBA は、シグナル構造、相関、または共通事前分布を知ることを必要とせず、有限の $L > 2$ 個の状態に対して状態識別を保証する最初の手順です。一次信念のみの識別失敗を克服します。
誤指定に対する頑健性: 著者らは、エージェントが集合的な情報構造について「誤って」いたとしても、集合的な誤差が過度に大きくなければ、この手順が機能することを証明しています。これにより、エージェントが群衆の行動について限定的な認知モデルしか持たない現実世界の状況に応用可能となります。
線形回帰による解釈: PMBA を線形回帰として枠組み化することで、著者らは百年にわたる統計ツール（信頼区間、仮説検定、有限サンプル誤差 bound）を解き放ちました。これは、理論的な行列の逆算を、実用的で実行可能な統計ツールへと変換します。
有限サンプル保証: 本論文は非漸近的誤差 bound を導出しており、推定誤差が信念の多様性とノイズレベルに依存して、標準的な $O(1/\sqrt{n})$ 速度で減少することを示しています。
実験的検証: 著者らは、NFT 価格予測（複雑で不確実な市場）を含む新しい実験を実施しました。
- 結果: PMBA は、多数決（一次信念に基づく）およびSurprisingly Popular (SP) 法を大幅に上回りました。
- 意義: SP は 2 状態（二値）の制限に苦しむのに対し、PMBA は 4 範囲の多状態予測を高い精度で成功裏に処理しました。

4. 結果

理論的:
- 定理 1: 弱い正則性条件（限られた相関、信念のフルランク）の下で、PMBA は $n \to \infty$ において確率的に真の状態を回復します。
- 定理 3: エージェントの期待におけるバイアスが、真の状態依存人口平均間の距離よりも小さい限り、PMBA は誤指定された信念の下でもほぼ確実に真の状態を回復します。
- 命題 1: 確率 $1-\delta$ で状態を特定するために必要なサンプルサイズ $n$ を確立する有限サンプル保証を提供します。
実証的（NFT 実験）:
- 設定: 199 名の参加者が NFT の価格範囲（4 状態）を予測し、グループの平均予測に対する期待を報告しました。
- パフォーマンス:
  - PMBA 平均絶対誤差 (MAE): 1.25
  - 多数決（一次）MAE: 1.50
  - 多数決（二次）MAE: 1.40
  - Surprisingly Popular (SP): 4 状態の設定では状態を効果的に区別することに苦戦し、しばしば二値の区別に縮小されました。
- 統計的有意性: PMBA の一次多数決に対する優位性は統計的に有意です（ $p < 0.05$ ）。

5. 意義と含意

実用的適用性: 複雑な状態条件付き報告（人間が計算するのが困難）を必要とする理論モデルとは異なり、PMBA は信念と「平均的な人は何を思っていると思いますか？」という質問のみを要求します。これらは調査で容易に引き出せる質問です。
二値状態を超えて: 既存の「群衆の英知」メカニズム（SP など）の多くは二値選択に限定されています。PMBA はこれを任意の有限個の状態に一般化し、複雑な経済、政治、科学予測への適用を可能にします。
人間の誤りに対する頑健性: この手順が高次信念に依存することで、個々の認知的バイアスや誤指定を補正し、人間の推論におけるノイズを実質的に「平均化」します。
インセンティブ両立性: 本論文は、Bayesian Truth Serumメカニズムを用いて真実の報告をインセンティブ化する方法について議論しており、集約手順を回復された状態と人口平均に基づく支払いルールと結びつけています。

要約すると、Chen、Mueller-Frank、および Pai は、高次信念（群衆の平均に対する期待）を活用することで、プリンシパルが分散した情報を完全に集約し、情報構造を知らず、かつエージェントが群衆の行動について不完全な情報しか持たない場合であっても、世界の真の状態を特定できることを実証しています。