📈 economics

The Wisdom of the Crowd and Higher-Order Beliefs

본 논문은 주체가 정보 구조를 이해할 필요 없이 행위자들의 신념과 인구 평균에 대한 기대를 바탕으로 세계의 진정한 상태를 정확하게 추론할 수 있도록 하는 새로운 절차인 인구 평균 기반 집계 (PMBA) 를 제시하며, 이 방법은 약한 가정 하에 이론적으로 견고하고 기존 접근법보다 실증적으로 우수한 성과를 보입니다.

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

게시일 2026-04-29

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

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

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

"군중의 지혜와 고차원적 신념"이라는 논문에 대한 설명을 쉬운 언어와 일상적인 비유로 정리합니다.

핵심 아이디어: 왜 군중은 때때로 틀릴까?

군중의 지혜를 설명하기 위해 카운티 페어에서 거대한 호박의 무게를 추측해 보라고 가정해 봅시다. 100 명에게 추측을 요청합니다.

기존 방식 (표준 군중의 지혜): 100 개의 추측을 모두 더한 후 100 으로 나눕니다. 이론에 따르면 이 평균값은 실제 무게와 매우 가까울 것입니다.
문제점: 만약 모두가 호박의 나쁜 사진을 보고 있다면 어떨까요? 아니면 모두가 같은 잘못된 경험칙을 사용하고 있다면요? 그런 경우, 그들의 추측 평균은 자신 있게 틀린 결과가 됩니다. 군중의 지혜는 개별적인 오차들이 서로 상쇄될 때만 작동합니다. 만약 모두가 같은 맹점을 공유한다면, 군중은 단순히 같은 실수를 반복하는 큰 무리에 불과합니다.

이 논문의 저자들은 다음과 같이 질문합니다: 군중이 왜 실수를 하는지, 혹은 그들이 정보를 어떻게 얻었는지 알지 못하더라도, 군중의 지혜를 개선할 수 있을까요?

해결책: "다른 사람들은 무엇을 생각할까?"라고 묻기

저자들은 PMBA(인구 평균 기반 집계) 라는 새로운 방법을 제안합니다. 이는 군중에게 묻는 질문을 업그레이드하는 것과 같습니다.

"호박이 얼마나 무겁습니까?" (1 차 신념) 라고만 묻는 대신, 특정 하위 집단의 사람들에게 다음과 같이 추가로 묻습니다: "당신은 군중 내 평균적인 사람이 무엇을 추측할 것이라고 생각합니까?" (2 차 신념).

마법 같은 비유: 형사와 지도

숨겨진 보물 (진실된 상태) 을 찾으려는 형사를 상상해 보세요.

단서 (1 차 신념): 형사는 현지인 100 명에게 "보물이 어디 있습니까?"라고 묻습니다. 모두 다른 방향을 가리킵니다. 형사는 평균 방향을 취합니다. 하지만 형사는 지도를 알지 못하므로, 그 평균 방향이 보물을 가리키는지 아니면 늪을 가리키는지 알 수 없습니다.
반전 (2 차 신념): 형사는 그 현지인 중 몇 명에게 이렇게 추가로 묻습니다: "만약 당신이 군중 한가운데에 서서 모두가 가리키는 곳을 본다면, 그 평균은 어디를 가리킬 것이라고 생각합니까?"
획기적인 발견: 사람들이 생각하는 평균과 실제 평균을 비교함으로써, 형사는 지도를 수학적으로 역추적할 수 있습니다. 지도를 직접 보지 않고도 보물의 실제 위치를 파악할 수 있습니다.

작동 원리 (선형 회귀의 '트릭')

이 논문은 이 과정이 실제로 패턴을 찾는 데 흔히 사용되는 수학 도구인 선형 회귀의 정교한 버전이라고 설명합니다.

입력값:
- X(신념): "나는 호박이 무거울 확률이 70% 라고 생각합니다."
- Y(기대): "나는 평균적인 사람이 호박이 무거울 확률이 60% 라고 말할 것이라고 생각합니다."
연결: 수학적으로 보면, 당신의 군중에 대한 기대 (Y) 는 다양한 시나리오 (무거운 경우 vs 가벼운 경우) 에서 군중이 실제로 생각하는 것의 가중치 조합일 뿐입니다.
결과: 이 수학을 데이터에 적용하면 시스템은 숨겨진 시나리오를 '해결'할 수 있습니다. 즉, "아, 호박이 실제로 무거울 때 군중의 평균은 80% 이고, 가볍다면 40% 이구나"라고 파악합니다. 시스템이 이러한 '진실된 평균'을 알게 되면, 현재 군중의 평균을 보고 즉시 어떤 시나리오가 현실인지 알 수 있습니다.

기존 방법보다 우수한 이유

이 논문은 그들의 방법을 정보를 집계하는 두 가지 다른 인기 있는 방법과 비교합니다.

다수결 투표: "무겁습니까, 가볍습니까?"라고 묻고 가장 인기 있는 답변을 채택합니다. (군중이 혼란스러우면 실패합니다.)
놀랍게 인기 있는 (Surprisingly Popular, SP) 방법: 사람들이 다수가 무엇을 말할 것이라고 생각하는지 묻고, 사람들이 예상한 것보다 더 인기 있는 답변을 선택합니다. (이는 간단한 예/아니오 질문에는 잘 작동하지만, 4 가지 다른 가격대처럼 많은 옵션이 있을 때는 어려움을 겪습니다.)

PMBA 의 장점:

복잡성 처리: 예/아니오뿐만 아니라 많은 가능한 답변이 있더라도 작동합니다.
견고성: 사람들이 세상의 작동 원리에 대해 혼란스러워하더라도 작동합니다. 논문은 개인이 '잘못 설정된' 신념 (다른 사람들이 어떻게 생각하는지에 대해 잘못 알고 있음) 을 가지고 있더라도, 오류가 극단적이지 않는 한 수학적으로 오류를 평균화하여 진실을 찾아낸다고 보여줍니다.
실제 증명: 저자들은 사람들이 NFT(디지털 아트) 의 가격대를 추측하는 실험을 수행했습니다.
- 결과: PMBA 는 단순 다수결 투표보다 정확했고, '놀랍게 인기 있는' 방법보다도 정확했습니다. 다른 방법들보다 실제 가격대를 더 성공적으로 예측했습니다.

'잘못 설정'에 대한 안전망

이 논문의 핵심 부분 중 하나는 사람들이 완벽한 천재일 필요는 없다는 점입니다.

우려: 사람들이 게임을 이해하지 못하면 어떨까요? 다른 사람들이 실제로보다 더 똑똑하거나 더 어리석다고 생각하면 어떨까요?
해결: 수학은 '견고성'을 갖도록 설계되었습니다. 개별 사람들은 군중의 심리에 대해 혼란스러울 수 있지만, 평균적인 혼란은 상쇄된다고 가정합니다. 그들의 사고 속 '노이즈'가 실제 신호보다 더 크지 않는 한, 이 방법은 여전히 진실된 상태를 찾아냅니다.

요약

이 논문은 간단하지만 강력한 트릭을 제안합니다: 사람들이 무엇을 생각하는지 묻지 말고, 그들이 다른 사람들이 무엇을 생각할 것이라고 생각하는지 묻으십시오.

이 두 가지 층위의 정보를 결합하면 연구자나 시장 조성자 같은 주체는 게임의 규칙을 알지 못하더라도, 군중이 혼란스러워하더라도, 그리고 많은 가능한 결과가 있더라도 세상의 진실된 상태를 밝혀낼 수 있습니다. 이는 '군중의 지혜'를 취약한 개념에서 수학적으로 보장된 견고한 도구로 변모시킵니다.

Chen, Mueller-Frank, 그리고 Pai 의 논문 "The Wisdom of the Crowd and Higher-Order Beliefs"에 대한 상세한 기술적 요약은 다음과 같습니다.

1. 문제 제기

이 논문은 **정보 집계 (information aggregation)**의 근본적인 과제를 다룹니다. 즉, 주체 (aggregator) 가 각자가 사적이고 노이즈가 있는 신호를 보유한 에이전트 집단으로부터 세계의 진정한 상태 ( $\omega$ ) 를 추론하는 방법인데, 이때 기저 정보 구조 (신호의 분포, 상관 구조, 또는 공통 사전 확률) 를 알지 못하는 상황을 전제로 합니다.

1 차 신념의 한계: 기존 문헌 (예: Arieli, Babichenko, & Smorodinsky, 2017) 은 1 차 신념 (에이전트들의 상태에 대한 사후 확률) 만을 아는 것만으로는 무한한 인구를 가진 경우에도 진정한 상태를 식별하는 것이 일반적으로 불충분함을 입증했습니다. 이는 식별 문제입니다. 여러 상태가 동일한 1 차 신념 분포를 생성할 수 있기 때문입니다.
간극: 예측 시장이나 Surprisingly Popular 와 같은 기존 방법들은 대부분 강한 가정 (예: 이진 상태, 독립적인 신호) 을 요구하거나, 상태 조건부 신념이나 신호의 조건부 확률과 같이 복잡하고 종종 실행 불가능한 데이터를 요구합니다.
목표: 다음 요소들만을 사용하여 진정한 상태를 식별하기 위해 정보를 집계하는 견고한 절차를 개발하는 것입니다:
1. 에이전트들의 1 차 신념 ( $\mu_i$ ).
2. 에이전트들의 인구 평균 신념에 대한 기대 (2 차 신념).
3. 정보 구조에 대한 최소한의 지식 (사전 확률이나 신호 분포를 알 필요 없음).

2. 방법론: 인구 평균 기반 집계 (PMBA)

저자들은 **인구 평균 기반 집계 (Population-Mean-Based Aggregation, PMBA)**라는 새로운 절차를 제안합니다. 이 절차의 핵심 직관은 **반복 기대의 법칙 (Law of Iterated Expectations)**에 기반합니다.

A. 핵심 메커니즘

$\Omega = \{\omega_1, \dots, \omega_L\}$ 를 $L$ 개의 가능한 상태 집합이라고 합시다.

1 차 신념 elicitation: 주체는 모든 에이전트 $i$ 로부터 신념 벡터 $\mu_i$ 를 수집합니다. 경험적 평균 $\hat{\mu} = \frac{1}{n}\sum \mu_i$ 는 상태 의존적 인구 평균 $\bar{\mu}(\omega)$ 로 수렴합니다.
식별 문제: 주체는 $\hat{\mu}$ 를 관찰하지만, 상태 $\omega$ 에서 기대되는 인구 평균 $\bar{\mu}(\omega)$ 로의 매핑을 알지 못합니다.
2 차 신념 elicitation: 주체는 $L$ $L$ 명의 에이전트 (또는 $L$ $L$ 개의 에이전트 그룹) 를 선정하여 인구 평균 신념에 대한 기대치를 묻습니다.
- $\alpha_i = E[\bar{\mu} | s_i]$ 를 에이전트 $i$ 의 인구 평균에 대한 기대치라고 합시다.
- 반복 기대의 법칙에 따라, $\alpha_i$ 는 에이전트 자신의 1 차 신념을 가중치로 한 상태 의존적 인구 평균들의 가중 평균입니다:
  $\alpha_i = \sum_{\omega \in \Omega} \mu_i(\omega) \cdot \bar{\mu}(\omega)$
연립 방정식: 주체가 선형적으로 독립적인 신념 벡터를 가진 $L$ 명의 에이전트로부터 이러한 보고를 수집하면, 선형 방정식 시스템을 형성합니다:
$\mathbf{\alpha} = \mathbf{M} \cdot \mathbf{\bar{\mu}}$
여기서 $\mathbf{M}$ 은 1 차 신념의 행렬이고, $\mathbf{\bar{\mu}}$ 는 미지의 상태 의존적 인구 평균 벡터입니다.
역행렬 계산: $\mathbf{M}$ 이 (특정 랭크 조건 하에서) 가역적이므로, 주체는 $\mathbf{\bar{\mu}} = \mathbf{M}^{-1}\mathbf{\alpha}$ 를 풀어낼 수 있습니다.
상태 식별: 주체는 관찰된 경험적 평균 $\hat{\mu}$ 를 회복된 상태 의존적 평균 $\bar{\mu}(\omega)$ 와 비교합니다. 진정한 상태는 $\bar{\mu}(\omega)$ 가 $\hat{\mu}$ 와 가장 가까운 $\omega$ 입니다.

B. 견고성과 오명세 (Misspecification)

이 논문은 에이전트들이 정보 구조에 대해 잘못된 신념을 가질 수 있는 (예: 다른 이들이 어떻게 신념을 형성하는지 오해하는 경우) **오명세 (misspecification)**를 처리하도록 모델을 확장합니다.

근사 PMBA: 이 절차는 선형 회귀 문제로 재해석됩니다.
- 종속 변수: 에이전트의 2 차 신념 ( $\alpha_i$ ).
- 독립 변수: 에이전트의 1 차 신념 ( $\mu_i$ ).
- 계수: 미지의 상태 의존적 인구 평균.
오명세 처리: 에이전트들이 인구 평균에 대해 편향된 관점 (가법적 노이즈 $\zeta$ ) 을 가지고 있더라도, 편향이 진정한 상태 평균 간의 분리 거기에 비해 작다면 절차는 유효합니다. 대수의 법칙은 대규모 그룹에 대한 평균화를 통해 개별 오명세 오류를 상쇄함을 보장합니다.

3. 주요 기여

구조 없는 일반적 식별: PMBA 는 신호 구조, 상관관계, 또는 공통 사전 확률에 대한 지식을 요구하지 않고 유한한 $L > 2$ 개의 상태에 대해 상태 식별을 보장하는 최초의 절차입니다. 이는 1 차 신념만으로는 발생하는 식별 실패를 극복합니다.
오명세에 대한 견고성: 저자들은 에이전트들이 집계 정보 구조에 대해 "잘못" 알고 있더라도, 집계 오차가 너무 크지 않다면 절차가 작동함을 증명합니다. 이는 에이전트들이 군중에 대한 제한된 인지 모델을 가진 현실 세계 상황에 이 방법을 적용 가능하게 합니다.
선형 회귀 해석: PMBA 를 선형 회귀로 프레임함으로써, 저자들은 신뢰 구간, 가설 검정, 유한 표본 오차 한계와 같은 100 년 이상의 통계적 도구들을 활용할 수 있게 되었습니다. 이는 이론적인 행렬 역행렬 계산을 실용적이고 실행 가능한 통계적 도구로 변환합니다.
유한 표본 보장: 이 논문은 추정 오차가 신념의 다양성과 노이즈 수준에 의존하며 표준 $O(1/\sqrt{n})$ 속도로 감소함을 보여주는 비점근적 오차 한계를 유도합니다.
실험적 검증: 저자들은 NFT 가격 예측 (복잡하고 불확실한 시장) 을 포함한 새로운 실험을 수행했습니다.
- 결과: PMBA 는 1 차 신념 기반의 **다수결 투표 (Majority Voting)**와 **Surprisingly Popular (SP)**방법을 크게 능가했습니다.
- 의의: SP 는 2 개 이상의 상태 (이진 제한) 에서 어려움을 겪는 반면, PMBA 는 더 높은 정확도로 다중 상태 (4 범위) 예측을 성공적으로 처리했습니다.

4. 결과

이론적:
- 정리 1: 약한 정규성 조건 (제한된 상관관계, 신념의 풀 랭크) 하에서, PMBA 는 $n \to \infty$ 일 때 확률적으로 진정한 상태를 회복합니다.
- 정리 3: 에이전트들의 기대치에 있는 편향이 진정한 상태 의존적 인구 평균 간의 거리보다 작다면, PMBA 는 오명세된 신념 하에서도 거의 확실하게 (almost surely) 진정한 상태를 회복합니다.
- 명제 1: 확률 $1-\delta$ 로 상태를 식별하는 데 필요한 표본 크기 $n$ 을 설정하는 유한 표본 보장을 제공합니다.
실증 (NFT 실험):
- 설정: 199 명의 참가자가 NFT 가격 범위 (4 개 상태) 를 예측하고 그룹의 평균 예측에 대한 기대치를 보고했습니다.
- 성능:
  - PMBA 평균 절대 오차 (MAE): 1.25
  - 다수결 투표 (1 차) MAE: 1.50
  - 다수결 투표 (2 차) MAE: 1.40
  - Surprisingly Popular (SP): 4 개 상태 설정에서 상태를 효과적으로 구분하는 데 어려움을 겪었으며, 종종 이진 구별로 축소되었습니다.
- 통계적 유의성: PMBA 의 1 차 다수결 투표에 대한 우월성은 통계적으로 유의미합니다 ( $p < 0.05$ ).

5. 의의 및 함의

실용적 적용성: 복잡한 상태 조건부 보고를 요구하는 이론적 모델 (이는 인간이 계산하기 어렵다고 여김) 과 달리, PMBA 는 신념과 "당신은 평균적인 사람이 무엇을 생각할 것이라고 생각합니까?"라는 질문만을 요구합니다. 이러한 질문은 설문조사에서 쉽게 elicitation 할 수 있습니다.
이진 상태를 넘어선 확장: 기존의 많은 "군중의 지혜" 메커니즘 (예: SP) 은 이진 선택으로 제한됩니다. PMBA 는 이를 임의의 유한한 상태 수로 일반화하여 복잡한 경제, 정치, 과학적 예측에 적용 가능하게 합니다.
인간 오류에 대한 견고성: 이 절차가 2 차 신념에 의존함으로써 개인의 인지 편향과 오명세를 교정하고, 인간 추론의 노이즈를 효과적으로 "평균화"할 수 있습니다.
인센티브 양립성: 이 논문은 Bayesian Truth Serum 메커니즘을 사용하여 진실된 보고를 인센티브화하는 방법을 논의하며, 집계 절차를 회복된 상태와 인구 평균에 기반한 지불 규칙과 연결합니다.

요약하자면, Chen, Mueller-Frank, 그리고 Pai 는 **2 차 신념 (군중 평균에 대한 기대)**을 활용함으로써, 주체가 기저 정보 구조를 알지 못하더라도, 그리고 에이전트들이 군중의 행동에 대해 불완전하게 정보를 가지고 있더라도 분산된 정보를 완전히 집계하고 세계의 진정한 상태를 식별할 수 있음을 입증했습니다.