Forecasting with Feedback

この論文は、**「予報（予測）がその結果そのものを変えてしまう」**という面白い現象について書かれています。

通常、天気予報のように「予報を聞いても、実際に雨が降るか降らないかは変わらない」というケースが多いですが、経済や政策の分野では、**「予報を聞いた人が行動を変え、その行動が結果を左右する」**という「フィードバック（反応）」が起きます。

この論文は、その「フィードバック」がある場合、予報者が**「あえて不正確な（偏った）予報をする」ことが、実は最も合理的（賢い）選択**になり得ることを数学的に証明しています。

以下に、難しい経済用語を使わず、日常の例え話を使って解説します。

1. 核心となるアイデア：「予報が未来を変える」

まず、2 つのシチュエーションを比べてみましょう。

A. 感染症の流行予測（フィードバックあり）
- 予報士（疫学者）が「来週は 5 万人が感染する」と予報します。
- 人々はこれを聞いて、「よし、自宅にこもろう、マスクを徹底しよう」と行動を変えます。
- 結果： その行動によって、実際に感染したのは 3 万人でした。
- ポイント： 予報士が「5 万人」と正直に言うと、人々が警戒して感染が抑え込まれます。つまり、予報そのものが、予報された数値（感染数）を直接変えてしまったのです。
B. 中央銀行のインフレ予報（フィードバックあり）
- 中央銀行の予報士が「インフレ（物価上昇）が加速する」と予報します。
- 銀行の総裁（決定権者）はこれを聞いて、「よし、金利を上げて引き締めよう」と行動します。
- 結果： その「金利上げ」の行動によって、実際にインフレは抑え込まれてしまいます。
- ポイント： 予報士が「インフレが加速する」と正直に言うと、総裁が過剰に反応して、逆にインフレが下がりすぎる（デフレになる）かもしれません。

2. なぜ「あえて嘘をつく（偏った予報をする）」のか？

この論文の主人公である「予報士」は、**「自分の予報が、決定権者の行動をどう変えるか」**を常に考えています。

ここで重要なのが、「決定権者の反応が、どれくらい激しいか分からない」という点です。
（例：総裁が「インフレが 1% 上がったら、金利を 0.1% 上げる」と決まっているなら、予報士はそれを計算に入れて正確な予報ができます。しかし、「総裁が気分次第で、0.1% 上げるか、5% 上げるか分からない」という不確実性がある場合の話です）。

🍎 果物屋さんの例え

あなたが果物屋で、**「明日のリンゴの需要」**を予測して、仕入れ量を決める店長だとしましょう。

ルール： あなたが「需要が多い」と言うと、店長は「じゃあ、もっと仕入れよう！」と大量に仕入れます。
問題点： 店長は「需要が多い」という予報を聞いて、**「どれくらい反応するか」**が毎回バラバラです（ある日は慎重に、ある日は大慌てで）。

もしあなたが「本当の需要」を正直に伝えた場合、店長の**「予測不能な過剰反応」**によって、リンゴが腐ってしまったり（在庫過多）、足りなくなったりするリスクが高まります。

賢い店長（予報士）の戦略：
「本当の需要が 100 個だとしても、店長が過剰反応して 200 個仕入れてしまうかもしれない。だから、あえて**『80 個くらいかな』**と少し低めに予報しておこう。そうすれば、店長の反応を和らげられ、結果として損失（誤差）を最小化できる」

これがこの論文の核心です。「不確実な反応」がある場合、「正確な予報」よりも「意図的に偏った予報」の方が、結果として最も良い成績（最小の誤差）を残せるのです。

3. 論文が示す 3 つの驚くべき事実

この「偏った予報」が生まれると、統計的な分析では以下のような奇妙な現象が起きます。

予報は常に「偏る」
- 予報士は「正しい値」を出そうとしていますが、結果として「常に低め（または高め）」に出る傾向があります。これは「バカだから」ではなく、**「リスクを避けるための賢い戦略」**です。
予報と結果の関係が崩れる
- 通常、「予報が 1 増えれば、結果も 1 増える」はずですが、この状況では**「予報が増えると、結果は逆に減る」ような逆の動きをしたり、「予報と結果にほとんど関係がない」**ような奇妙なグラフになったりします。
- 例え話：あなたが「リンゴは 80 個必要」と予報しても、店長が「じゃあ 150 個買う！」と反応して、結果的に 150 個売れてしまった場合、予報と結果の相関は壊れます。
「不確実性」が鍵
- もし店長の反応が「いつも一定」なら、予報士はそれを計算に入れて正確な予報ができます。しかし、**「店長がどう反応するか分からない」**という不確実性があるからこそ、予報士は「あえて歪んだ予報」をする必要があります。

4. 現実世界への影響（グリーンブックの例）

論文では、アメリカの中央銀行（FRB）が作る「グリーンブック（インフレ予報）」のデータを分析しています。

長い間、この予報は「偏り」を見せていました。
時期によって「過小評価」していたり、「過大評価」していたり、あるいは「予報と結果のつながりが消えてしまったり」していました。

従来の経済学では、これを**「予報士がバカだから（非合理的）」や「予報士が損得勘定で嘘をついている（損失関数の偏り）」**と解釈してきました。

しかし、この論文は**「違う！」**と言います。
**「彼らはバカでも嘘つきでもない。彼らは『自分の予報が政策を変えてしまう』というジレンマの中で、最も賢く振る舞おうとした結果、あえて偏った予報をしていたのだ」**と解釈し直しています。

まとめ

この論文が伝えたいメッセージはシンプルです。

「予報が未来に影響を与える世界では、『正確さ』だけを追求するのは得策ではない。予報士は、決定権者の『予測不能な反応』を和らげるために、あえて『偏った予報』をするのが、実は最も合理的な戦略なのだ。」

天気予報のように「予報が結果を変えない世界」と、経済政策のように「予報が結果を変える世界」では、予報のあり方（そして評価の基準）が全く違うのだ、という新しい視点を提供しています。

1. 問題設定 (Problem)

従来の予測理論では、予測のバイアス（系統的な誤差）は、予測者の「非合理性」や、予測者の損失関数が非対称であること（例：過小予測と過大予測のコストが異なる）の証拠と解釈される傾向がありました。

しかし、この論文は、予測が政策決定に利用され、その政策行動が予測対象の変数そのものの実現値に影響を与える（フィードバックが生じる）環境に焦点を当てます。

具体例: 中央銀行のインフレ予測は、政策金利の設定の指針となります。金利の決定は将来のインフレ率に影響を与えるため、予測と実現値の間には因果関係（フィードバック）が存在します。
核心的な問い: 予測者が二次損失関数（二乗誤差最小化）を持つ合理的な主体であっても、フィードバック環境下では最適予測がバイアスを持つのか？また、その場合、予測評価の標準的な統計的性質（例：ミンカー - ザルノウィッツ回帰）はどのように変化するのか？

2. 手法とモデル (Methodology)

著者は、予測者（Forecaster）と意思決定者（DM: Decision Maker）の間の戦略的相互作用をモデル化するためのゲーム理論的枠組みを構築しました。

モデルの構造:
- 状態変数 ( $\theta_t$ ): 経済の状態を表す予測者の私的情報。
- 結果変数 ( $y_{t+1}$ ): $y_{t+1} = \theta_t + a_t + \epsilon_{t+1}$ で定義される。ここで $a_t$ は DM の行動、 $\epsilon$ は予測不能なノイズ。
- 予測 ( $f_t$ ): 予測者が $\theta_t$ に基づき報告する値。
- DM の反応関数: DM は予測 $f_t$ $f_{t}$ を観測し、目標値 $y^T$ $y^{T}$ とのギャップを埋めるために行動 $a_t$ $a_{t}$ を選択する。反応関数は $a_t = x_t (y^T - E[\theta_t | f_t])$ $a_{t} = x_{t} (y^{T} - E [θ_{t} ∣ f_{t}])$ と仮定される。
  - 重要な仮定: 反応の強さを決めるパラメータ $x_t$ は、DM の私的情報であり、予測者にはその分布（平均 $\mu$ 、分散 $\tau^2$ ）しか分からない。つまり、予測者は DM が予測にどう反応するかについて不確実性を持っている。
予測者の目的:
- 予測者は、DM の反応を考慮した上で、条件付き二乗誤差（MSE）を最小化する予測 $f_t$ を選択する。
- DM は、予測者がどのような予測ルール（線形関数 $f_t = b + c\theta_t$ ）を使用すると予想し、それに基づいて行動する。
- 均衡: 予測者の最適反応と DM の期待が一致する線形 Perfect Bayesian Equilibrium (PBE) を求解する。

3. 主要な貢献とメカニズム (Key Contributions & Mechanism)

この論文の最大の貢献は、「フィードバック」と「政策反応に関する不確実性」の組み合わせが、二次損失関数下でも最適予測にバイアスを生じさせることを示した点です。

バイアス - バリアンスのトレードオフ:
- 通常、二次損失関数下では予測は不偏（バイアスなし）であるべきです。
- しかし、フィードバックがある場合、予測値が DM の行動を通じて結果の分散（ボラティリティ）に影響を与えます。
- 予測者が DM の反応について不確実性（ $x_t$ の分散 $\tau^2 > 0$ ）を持っている場合、予測値を情報（ $\theta_t$ ）に対して敏感にすると、結果の変動性が増大し、MSE が増加します。
- したがって、予測者は結果のボラティリティを抑制するために、予測を情報に対して「鈍感」に（傾きを小さく）調整することを最適とみなします。この調整が系統的なバイアス（予測値を目標値 $y^T$ 側に引き寄せる方向）を生み出します。
理論的枠組みの革新:
- 従来の「非合理性」や「非対称損失」という解釈に代わる、第三のメカニズム（戦略的フィードバック）を提示しました。
- コストなしの伝達ゲーム（Crawford-Sobel モデル）を拡張し、予測が直接予測者の損失関数に影響し、かつ結果の決定メカニズムが内生化される「高コストな伝達（costly talk）」の枠組みを構築しました。

4. 結果 (Results)

モデルの分析から、以下の統計的性質が導き出されました。

最適予測のバイアス:
- 最適予測はバイアスを持ちます。バイアスの符号は、経済状態 $\theta_t$ が目標 $y^T$ より高いか低かに依存して変化します（状態が目標より高い場合は過小予測、低い場合は過大予測）。
- これは、予測が結果を目標値に「重力」のように引き寄せるように調整されるためです。
ミンカー - ザルノウィッツ (MZ) 回帰の歪み:
- 標準的な予測評価である MZ 回帰（実現値を予測値で回帰）において、切片は 0 にならず、傾きは 1 になりません。
- 傾きの多様性: 均衡における MZ 回帰の傾きは、DM の反応の平均強度 ( $\mu$ ) と不確実性 ( $\tau^2$ ) の関数として、正の値、0 に近い値、あるいは負の値さえ取り得ます。
- 不確実性 ( $\tau^2$ ) がゼロであれば、バイアスは消え、傾きは 1 に収束しますが、不確実性が存在する限り、これらの標準的な性質は崩壊します。
実証的動機との整合性:
- 連邦準備制度（FRB）のグリーンブック（現・ティールブック）インフレ予測のデータに見られる「長期的な系統的バイアスとその符号の時間的変化」や「MZ 回帰傾きの急激な変化（1980 年代の 1 付近から 2000 年代半ばの負の値へ）」を、このモデルのメカニズムで説明できることを示唆しました。

5. 意義と結論 (Significance)

予測合理性テストへの警鐘:
- 従来の予測評価（合理性テストや損失関数の推定）は、フィードバックがないという仮定に基づいています。しかし、フィードバックが存在する場合、バイアスや MZ 回帰の歪みは「非合理性」や「非対称な損失」の証拠ではなく、合理的な戦略的行動の結果である可能性があります。
- したがって、これらのテストを行う際は、フィードバックの存在を明示的に考慮するか、識別仮定を慎重に設定する必要があります。
政策への示唆:
- 政策決定者が予測をどのように解釈し、反応するか（反応関数の不確実性）が、予測の質やバイアスの構造を決定づけます。予測者もまた、この反応を予測して行動するため、予測と政策の相互作用は複雑な戦略的ゲームとなります。

結論として:
この論文は、フィードバック環境における予測の統計的性質を初めて体系的に分析し、二次損失関数下でも最適予測がバイアスを持つことを示しました。これは、経済予測のバイアスを解釈する際のパラダイムシフトを促す重要な理論的貢献です。