📈 economics

The Wisdom of the Crowd and Higher-Order Beliefs

Het artikel introduceert populatiegemiddelde-gebaseerde aggregatie (PMBA), een nieuw procedé dat een hoofdpersoon in staat stelt om de ware toestand van de wereld nauwkeurig af te leiden uit de overtuigingen van agenten en hun verwachtingen van het populatiegemiddelde, zonder dat er behoefte is aan inzicht in de onderliggende informatiestructuur; een methode die theoretisch robuust is onder zwakke aannames en empirisch beter presteert dan bestaande benaderingen.

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

Gepubliceerd 2026-04-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Idee: Waarom de Menigte Soms Het Bij Het Foute End Heeft

Stel je voor dat je het gewicht van een reuzenpompoen op een kermis moet raden. Je vraagt 100 mensen om een schatting.

De Oude Manier (Standaard Wijsheid van de Menigte): Je telt alle 100 schattingen bij elkaar op en deelt door 100. De theorie zegt dat dit gemiddelde zeer dicht bij het werkelijke gewicht zal liggen.
Het Probleem: Wat als iedereen naar dezelfde slechte foto van de pompoen kijkt? Of wat als iedereen dezelfde verkeerde vuistregel gebruikt? In dat geval zal het "gemiddelde" van hun schattingen zelfverzekerd verkeerd zijn. De menigte is alleen wijs als hun individuele fouten elkaar opheffen. Als ze allemaal dezelfde blinde vlek delen, is de menigte gewoon een grote groep mensen die dezelfde fout maakt.

De auteurs van dit artikel vragen zich af: Kunnen we de wijsheid van de menigte corrigeren, zelfs als we niet weten waarom ze fouten maken of hoe ze aan hun informatie zijn gekomen?

De Oplossing: Vragen "Wat Denk Je Dat Anderen Denken?"

De auteurs stellen een nieuwe methode voor genaamd PMBA (Population-Mean-Based Aggregation). Het is alsof je de vraag die je aan de menigte stelt, upgradet.

In plaats van alleen te vragen: "Hoe zwaar is de pompoen?" (Eerste-orde overtuiging), vragen ze ook aan een specifieke groep mensen: "Wat denk je dat het gemiddelde persoon in de menigte zal raden?" (Tweede-orde overtuiging).

De Magische Analogie: De Detective en de Kaart

Stel je een detective voor die probeert een verborgen schat te vinden (de "Ware Staat").

De Aanwijzingen (Eerste-orde overtuigingen): De detective vraagt 100 lokale bewoners: "Waar is de schat?" Iedereen wijst in een andere richting. De detective neemt het gemiddelde van de richtingen. Maar de detective kent de kaart niet, dus weet hij niet of het gemiddelde naar de schat of naar een moeras wijst.
De Twist (Tweede-orde overtuigingen): Vervolgens vraagt de detective aan een paar van die lokale bewoners: "Als jij in het midden van de menigte zou staan en zou kijken waar iedereen naartoe wijst, waar zou dat gemiddelde dan naartoe wijzen?"
De Doorbraak: Door te vergelijken wat mensen denken dat het gemiddelde is, versus wat het werkelijke gemiddelde is, kan de detective de kaart wiskundig reconstrueren. Hij kan de ware locatie van de schat achterhalen zonder ooit zelf de kaart te hebben gezien.

Hoe Het Werkt (De "Lineaire Regressie" Truc)

Het artikel legt uit dat dit proces eigenlijk een verfijnde versie is van Lineaire Regressie (een veelgebruikt wiskundig hulpmiddel om patronen te vinden).

De Invoer:
- X (De Overtuiging): "Ik denk dat er 70% kans is dat de pompoen zwaar is."
- Y (De Verwachting): "Ik denk dat het gemiddelde persoon zal zeggen dat er 60% kans is dat het zwaar is."
De Connectie: De wiskunde toont aan dat jouw verwachting van de menigte (Y) gewoon een gewogen combinatie is van wat de menigte echt denkt in verschillende scenario's (Zwaar vs. Licht).
Het Resultaat: Door deze wiskunde op de data toe te passen, kan het systeem de verborgen scenario's "oplossen". Het komt erachter: "Ah, als de pompoen echt zwaar is, is het gemiddelde van de menigte 80%. Als het licht is, is het gemiddelde 40%." Zodra het systeem deze "ware gemiddelden" kent, kan het naar het huidige gemiddelde van de menigte kijken en direct weten welk scenario echt is.

Waarom Dit Beter Is Dan Oude Methoden

Het artikel vergelijkt hun methode met twee andere populaire manieren om informatie te aggregeren:

Meerderheidsstemming: Gewoon vragen "Is het zwaar of licht?" en het populairste antwoord nemen. (Faalt als de menigte in de war is).
"Surprisingly Popular" (SP): Mensen vragen wat ze denken dat de meerderheid zal zeggen, en het antwoord kiezen dat populairder is dan mensen verwachtten. (Dit werkt goed voor simpele Ja/Nee-vragen, maar heeft moeite als er veel opties zijn, zoals 4 verschillende prijsklassen).

Het PMBA-voordeel:

Beheerst Complexiteit: Het werkt zelfs als er veel mogelijke antwoorden zijn (niet alleen Ja/Nee).
Robuustheid: Het werkt zelfs als mensen in de war zijn over hoe de wereld werkt. Het artikel toont aan dat zelfs als individuen "misspecifieerde" overtuigingen hebben (ze hebben het mis over hoe anderen denken), de wiskunde de fouten toch opheft en de waarheid vindt, zolang de fouten niet enorm zijn.
Bewijs uit de Wereld: De auteurs voerden een experiment uit waarbij mensen de prijsklassen van NFT's (digitale kunst) moesten raden.
- Het Resultaat: PMBA was nauwkeuriger dan simpele meerderheidsstemming en nauwkeuriger dan de "Surprisingly Popular"-methode. Het voorspelde de ware prijsklassen succesvoller dan de andere methoden.

Het "Misspecification"-Veiligheidsnet

Een belangrijk onderdeel van het artikel is dat het niet vereist dat mensen perfecte genieën zijn.

De Vrees: Wat als mensen het spel niet begrijpen? Wat als ze denken dat iedereen anders slimmer of dommer is dan ze echt zijn?
De Oplossing: De wiskunde is ontworpen om "robuust" te zijn. Het gaat ervan uit dat terwijl individuele mensen misschien in de war zijn over de mentaliteit van de menigte, de gemiddelde verwarring elkaar opheft. Zolang het "ruis" in hun denken niet luider is dan het daadwerkelijke signaal, vindt de methode nog steeds de ware staat.

Samenvatting

Het artikel stelt een simpele maar krachtige truc voor: Vraag mensen niet alleen wat ze denken, maar vraag ze ook wat ze denken dat anderen zullen denken.

Door deze twee lagen informatie te combineren, kan een opdrachtgever (zoals een onderzoeker of een marktmaker) de ware staat van de wereld blootleggen — zelfs als ze de regels van het spel niet kennen, zelfs als de menigte in de war is, en zelfs als er veel mogelijke uitkomsten zijn. Het verandert de "Wijsheid van de Menigte" van een fragiel concept in een robuust, wiskundig gegarandeerd hulpmiddel.

1. Probleemstelling

Het artikel adresseert de fundamentele uitdaging van informatieaggregatie: hoe een principaal (een aggregator) de ware toestand van de wereld ( $\omega$ ) kan afleiden uit een populatie agenten, die elk over privé, ruisende signalen beschikken, zonder de onderliggende informatiestructuur te kennen (d.w.z. de verdeling van signalen, de correlatiestructuur of het gemeenschappelijke prior).

De Beperking van Eerste-Orde Overtuigingen: Bestaande literatuur (bijv. Arieli, Babichenko, & Smorodinsky, 2017) stelt vast dat het kennen van alleen eerste-ordelijke overtuigingen (de posterior-kansen van agenten over de toestand) over het algemeen onvoldoende is om de ware toestand te identificeren, zelfs met een oneindige populatie. Dit is een identificatieprobleem: meerdere staten kunnen dezelfde verdeling van eerste-ordelijke overtuigingen genereren.
Het Gat: De meeste bestaande methoden (zoals Voorspellingmarkten of de 'Surprisingly Popular'-methode) vereisen ofwel sterke aannames (bijv. binaire staten, onafhankelijke signalen) of vragen om complexe, vaak onuitvoerbare data (bijv. statie-geconditioneerde overtuigingen of conditionele kansen van signalen).
Het Doel: Een robuust procedé ontwikkelen dat informatie aggregeert om de ware toestand te identificeren met uitsluitend gebruik van:
1. Eerste-ordelijke overtuigingen van agenten ( $\mu_i$ ).
2. De verwachtingen van agenten van het populatiegemiddelde van overtuigingen (hogere-ordelijke overtuigingen).
3. Minimale kennis van de informatiestructuur (geen behoefte om het prior of de signaalverdeling te kennen).

2. Methodologie: Populatiegemiddelde-gebaseerde Aggregatie (PMBA)

De auteurs stellen een nieuw procedé voor genaamd Populatiegemiddelde-gebaseerde Aggregatie (PMBA). De kernintuïtie rust op de Wet van Iteratie van Verwachtingen.

A. Het Kernmechanisme

Laat $\Omega = \{\omega_1, \dots, \omega_L\}$ de verzameling zijn van $L$ mogelijke staten.

Eerste-Orde Elicitatie: De principal verzamelt het overtuigingsvector $\mu_i$ van elke agent $i$ . Het empirische gemiddelde $\hat{\mu} = \frac{1}{n}\sum \mu_i$ convergeert naar het ware, staat-afhankelijke populatiegemiddelde $\bar{\mu}(\omega)$ .
Het Identificatieprobleem: De principal observeert $\hat{\mu}$ maar kent de mapping van staten $\omega$ naar de verwachte populatiegemiddelden $\bar{\mu}(\omega)$ niet.
Hogere-Orde Elicitatie: De principal selecteert $L$ $L$ agenten (of $L$ $L$ groepen agenten) en vraagt hen om hun verwachting van het populatiegemiddelde van overtuigingen.
- Laat $\alpha_i = E[\bar{\mu} | s_i]$ de verwachting van agent $i$ van het populatiegemiddelde zijn.
- Volgens de Wet van Iteratie van Verwachtingen is $\alpha_i$ een gewogen gemiddelde van de staat-afhankelijke populatiegemiddelden, waarbij de gewichten de eigen eerste-ordelijke overtuigingen van de agent zijn:
  $\alpha_i = \sum_{\omega \in \Omega} \mu_i(\omega) \cdot \bar{\mu}(\omega)$
Stelsel van Vergelijkingen: Als de principal deze rapporten verzamelt van $L$ agenten met lineair onafhankelijke overtuigingsvectoren, vormen ze een stelsel lineaire vergelijkingen:
$\mathbf{\alpha} = \mathbf{M} \cdot \mathbf{\bar{\mu}}$
Waarbij $\mathbf{M}$ de matrix van eerste-ordelijke overtuigingen is en $\mathbf{\bar{\mu}}$ de vector van onbekende staat-afhankelijke populatiegemiddelden.
Inversie: Omdat $\mathbf{M}$ inverteerbaar is (onder specifieke rangvoorwaarden), kan de principal oplossen voor $\mathbf{\bar{\mu}} = \mathbf{M}^{-1}\mathbf{\alpha}$ .
Staat-identificatie: De principal vergelijkt het geobserveerde empirische gemiddelde $\hat{\mu}$ met de herstelde staat-afhankelijke gemiddelden $\bar{\mu}(\omega)$ . De ware toestand is het $\omega$ waarvoor $\bar{\mu}(\omega)$ het dichtst bij $\hat{\mu}$ ligt.

B. Robuustheid en Foutieve Specificatie

Het artikel breidt het model uit om foutieve specificatie te hanteren, waarbij agenten mogelijk onjuiste overtuigingen hebben over de informatiestructuur (bijv. ze begrijpen niet hoe anderen overtuigingen vormen).

Benaderende PMBA: Het procedé wordt geherinterpreteerd als een lineaire regressie probleem.
- Afhankelijke Variabele: Tweede-ordelijke overtuiging van de agent ( $\alpha_i$ ).
- Onafhankelijke Variabelen: Eerste-ordelijke overtuigingen van de agent ( $\mu_i$ ).
- Coëfficiënten: De onbekende staat-afhankelijke populatiegemiddelden.
Hantering van Foutieve Specificatie: Zelfs als agenten een bevooroordeeld beeld hebben van het populatiegemiddelde (additieve ruis $\zeta$ ), blijft het procedé geldig, op voorwaarde dat de bias klein is ten opzichte van de scheiding tussen ware staat-gemiddelden. De Wet van de Grote Getallen zorgt ervoor dat het middelen over grote groepen individuele fouten van specificatie wegneemt.

3. Belangrijkste Bijdragen

Algemene Identificatie zonder Structuur: PMBA is het eerste procedé dat staat-identificatie garandeert voor eindige $L > 2$ staten zonder kennis te vereisen van de signaalstructuur, correlatie of gemeenschappelijk prior. Het overwint het identificatiefalen van alleen eerste-ordelijke overtuigingen.
Robuustheid tegen Foutieve Specificatie: De auteurs bewijzen dat het procedé werkt zelfs wanneer agenten "verkeerd" zijn over de aggregate informatiestructuur, zolang de aggregate fout niet te groot is. Dit maakt de methode toepasbaar in real-world situaties waar agenten beperkte cognitieve modellen van de menigte hebben.
Interpretatie als Lineaire Regressie: Door PMBA te kaderen als lineaire regressie, openen de auteurs een eeuw aan statistische hulpmiddelen (betrouwbaarheidsintervallen, hypothese-toetsing, foutgrenzen voor eindige steekproeven). Dit transformeert een theoretische matrixinversie in een praktisch, actiebaar statistisch instrument.
Garanties voor Eindige Steekproeven: Het artikel leidt niet-asymptotische foutgrenzen af, waarbij wordt aangetoond dat de schattingsfout afneemt met de standaard $O(1/\sqrt{n})$ -snelheid, afhankelijk van de diversiteit van overtuigingen en het ruisniveau.
Experimentele Validatie: De auteurs voeren een nieuw experiment uit met NFT-prijsvoorspelling (een complexe, onzekere markt).
- Resultaat: PMBA presteert aanzienlijk beter dan Meerderheidsstemming (gebaseerd op eerste-ordelijke overtuigingen) en de Surprisingly Popular (SP) methode.
- Betekenis: SP worstelt met meer dan twee staten (binaire beperking), terwijl PMBA succesvol multi-staat (4-waarden) voorspellingen aankan met hogere nauwkeurigheid.

4. Resultaten

Theoretisch:
- Stelling 1: Onder zwakke regulariteitsvoorwaarden (beperkte correlatie, volledige rang van overtuigingen) herstelt PMBA de ware toestand in waarschijnlijkheid naarmate $n \to \infty$ .
- Stelling 3: PMBA herstelt de ware toestand bijna zeker, zelfs onder foutief gespecificeerde overtuigingen, op voorwaarde dat de bias in de verwachtingen van agenten kleiner is dan de afstand tussen de ware staat-afhankelijke populatiegemiddelden.
- Propositie 1: Biedt garanties voor eindige steekproeven, en stelt de steekproefgrootte $n$ vast die nodig is om de toestand te identificeren met waarschijnlijkheid $1-\delta$ .
Empirisch (NFT-experiment):
- Opzet: 199 deelnemers voorspelden NFT-prijsbereiken (4 staten) en rapporteerden hun verwachtingen van het gemiddelde voorspelling van de groep.
- Prestatie:
  - PMBA Gemiddelde Absolute Fout (MAE): 1.25
  - Meerderheidsstemming (Eerste-Orde) MAE: 1.50
  - Meerderheidsstemming (Tweede-Orde) MAE: 1.40
  - Surprisingly Popular (SP): Worstelde met het effectief onderscheiden van staten in de 4-staten setting; werd vaak gereduceerd tot binaire onderscheidingen.
- Statistische Significantie: De superioriteit van PMBA ten opzichte van meerderheidsstemming op basis van eerste-ordelijke overtuigingen is statistisch significant ( $p < 0.05$ ).

5. Betekenis en Implicaties

Praktische Toepasbaarheid: In tegenstelling tot theoretische modellen die complexe statie-geconditioneerde rapporten vereisen (die voor mensen moeilijk te berekenen zijn), vraagt PMBA alleen om overtuigingen en "wat denk je dat de gemiddelde persoon denkt?" – vragen die eenvoudig in enquêtes kunnen worden opgehaald.
Voorbij Binaire Staten: Veel bestaande "wijsheid van de menigte"-mechanismen (zoals SP) zijn beperkt tot binaire keuzes. PMBA generaliseert dit naar elk eindig aantal staten, waardoor het toepasbaar is op complexe economische, politieke en wetenschappelijke voorspellingen.
Robuustheid tegen Menselijke Fouten: De afhankelijkheid van het procedé van hogere-ordelijke overtuigingen stelt het in staat om individuele cognitieve bias en foutieve specificaties te corrigeren, en negeert effectief de ruis in menselijk redeneren door te middelen.
Prikkels voor Eerlijkheid: Het artikel bespreekt hoe eerlijk rapporteren kan worden gestimuleerd met Bayesian Truth Serum-mechanismen, waarbij het aggregatieprocedé wordt gekoppeld aan betalingsregels gebaseerd op de herstelde toestand en populatiegemiddelden.

Kortom, Chen, Mueller-Frank en Pai tonen aan dat door gebruik te maken van hogere-ordelijke overtuigingen (verwachtingen van het gemiddelde van de menigte), een principal verspreide informatie volledig kan aggregeren en de ware toestand van de wereld kan identificeren, zelfs zonder kennis van de onderliggende informatiestructuur en zelfs wanneer agenten imperfect geïnformeerd zijn over het gedrag van de menigte.