📈 economics

Revealed Bayesian Persuasion

Dit artikel biedt noodzakelijke en toereikende voorwaarden voor een analist om empirisch te toetsen of de waargenomen, staat-afhankelijke keuzes van een beslissingsnemer verenigbaar zijn met beïnvloeding door een niet-gewaarnomen afzender die zijn verwachte uitkomst optimaliseert via Bayesiaanse persuasie.

Oorspronkelijke auteurs: Jeffrey Mensch

Gepubliceerd 2026-05-13

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jeffrey Mensch

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

Stel je voor dat je een persoon observeert die een reeks keuzes maakt. Soms kiezen ze optie A, soms optie B. Je weet precies hoeveel ze elke optie waarderen in verschillende situaties (hun "uitkomsten"), en je kent de algemene kansen dat die situaties zich voordoen (de "prior").

De grote vraag die dit artikel stelt is: Maakt deze persoon keuzes op basis van wat ze weten, of geeft iemand anders hen stiekem informatie om ze naar een specifiek resultaat te duwen?

In de wereld van de economie heet deze "iemand anders" een Zender, en de persoon die de keuze maakt is de Ontvanger. De Zender wil dat de Ontvanger een specifieke actie kiest die de Zender ten goede komt, dus de Zender bedacht een slimme manier om informatie te delen (zoals een nieuwsbericht, een productbeoordeling of het betoog van een advocaat) om het standpunt van de Ontvanger te veranderen. Dit heet Bayesiaanse Persuasion.

Het probleem voor onderzoekers is dat ze de Zender vaak niet kunnen zien. Ze zien alleen de keuzes van de Ontvanger. Dit artikel biedt een "detective-toolkit" om uit te zoeken of er daadwerkelijk een Zender aan het werk is, zelfs als deze onzichtbaar is.

Hier is hoe het artikel dit mysterie oplost, uitgelegd via eenvoudige analogieën:

Het Kernmysterie: De "Verborgen Poppenspeler"

Stel je een goochelaar voor (de Zender) en een vrijwilliger (de Ontvanger). De vrijwilliger moet een kaart kiezen. De goochelaar weet wat de favoriete kaart van de vrijwilliger is, maar de vrijwilliger weet nog niet welke kaart in het deck zit. De goochelaar kan de vrijwilliger fluisterende hints geven.

Als de vrijwilliger een kaart kiest die willekeurig lijkt, is het dan gewoon geluk? Of fluisterde de goochelaar een hint die die kaart op dat specifieke moment de beste keuze maakte?

De auteur, Jeffrey Mensch, zegt: "We kunnen niet zomaar gokken. We hebben een wiskundige test nodig om te bewijzen of een verborgen goochelaar aan de touwtjes trekt."

De Twee Regels van het Detective-spel

Om te bewijzen dat een Zender de Ontvanger overtuigt, moeten de data twee specifieke tests doorstaan (in het artikel "axioma's" genoemd).

Test 1: De "Geen Spijt"-regel (NIAS)

Het Concept: Als de Ontvanger een kaart kiest na het horen van een hint, moet die kaart de beste mogelijke keuze zijn gegeven die specifieke hint.
De Analogie: Stel je voor dat je bij een buffet bent. Je ziet een bordje dat zegt: "De soep is pittig." Op basis van dat bordje kies je de soep. Als je eigenlijk pittig eten haat, had je het niet gekozen. Als je het wel koos, moet het bordje je hebben overtuigd dat de soep eigenlijk mild was, of dat je hongerig genoeg was om het risico te nemen.
De Claim van het Artikel: Als de data laat zien dat de Ontvanger een optie kiest die een terrible keuze zou zijn gezien de informatie die ze blijkbaar ontvingen, dan valt het hele verhaal in elkaar. De Ontvanger moet rationeel handelen op basis van de informatie die ze hebben.

Test 2: De "Geen Gratis Lunch"-regel (NBPS)

Dit is het grote nieuwe idee van het artikel. Het is het belangrijkste onderdeel.

Het Concept: Als een Zender zijn werk doet, stuurt hij alleen informatie als het hen helpt een beter resultaat te behalen dan niets doen. Als ze niets doen, gaat de Ontvanger uit van de "gemiddelde" gok (de prior).
De Analogie: Stel je een autodealer voor (Zender) die probeert je een auto te verkopen (Ontvanger).
- Als de dealer je geen brochures geeft, koop je op basis van je algemene kennis (de "prior").
- Als de dealer je een brochure geeft, is dat omdat ze denken dat het tonen van specifieke details je ertoe brengt hun auto te kopen, wat beter voor hen is dan als je gewoon zou gokken.
- De Test: Het artikel vraagt: "Had de dealer exact dezelfde verkoopresultaten kunnen bereiken door je een brochure te geven die een 'blanco pagina' bevatte (die geen nieuwe informatie vertegenwoordigt)?"
- Als het antwoord JA is, dan liegt de dealer. Waarom zou hij moeite doen om je een brochure te geven als hij je gewoon een blanco pagina had kunnen geven en hetzelfde resultaat had behaald? Een rationele dealer geeft alleen een brochure als het zijn kansen strikt verbetert. Als je hun complexe brochure kunt vervangen door een "niets doen"-optie en hetzelfde resultaat krijgt, was de brochure eigenlijk niet nodig. Daarom past de data niet bij het verhaal van een strategische Zender.

De "Menu"-Analogie

Het artikel kijkt naar veel verschillende "menu's" van keuzes (verschillende situaties waar de Ontvanger mee geconfronteerd wordt).

De Truc: De auteur laat zien dat je niet naar slechts één menu kunt kijken. Je moet kijken naar hoe de Ontvanger zich gedraagt over alle menu's heen.
De Metafoor: Stel je een schaker voor. Je kunt niet beoordelen of ze perfect spelen door naar één zet te kijken. Je moet naar hun hele spel kijken. Het artikel zegt: "Als we de zetten over verschillende spellen kunnen herschikken op een manier die de eindstand hetzelfde houdt, maar ergens een 'pas' (geen informatie) bevat waar er eerder geen was, dan speelde de speler eigenlijk niet optimaal."

Wat met "Transparante Motieven"?

Soms is het doel van de Zender duidelijk. Bijvoorbeeld, een aanklager wil een veroordeling, ongeacht of de verdachte daadwerkelijk schuldig of onschuldig is; ze willen gewoon het resultaat van een veroordeling.

Het artikel zegt: Als het doel van de Zender niet verandert op basis van de specifieke details van de situatie (situatie-onafhankelijk), wordt de test nog strenger.
De Analogie: Als een politicus gekozen wil worden, maakt het niet uit welk specifiek beleid je steunt, ze maken er alleen om dat je op hen stemt. Als hun strategie eruitziet alsof het vervangen kan worden door een "willekeurige gok"-strategie die hen evenveel stemmen oplevert, is het geen slimme strategie. Het artikel biedt een specifieke test voor dit "transparante" scenario.

De "Posterior Mean"-Twist

Het artikel kijkt ook naar een speciaal geval waarbij de Ontvanger alleen om het gemiddelde van de informatie geeft (zoals de gemiddelde prijs van een aandeel, in plaats van elke individuele schommeling).

De Analogie: In plaats van naar elke individuele temperatuurmeting van een dag te kijken, maak je je alleen zorgen om de "gemiddelde temperatuur".
Het artikel laat zien dat zelfs in deze vereenvoudigde wereld dezelfde logica geldt: Als de Zender zijn werk doet, kan hij zijn doel niet bereiken door je gewoon de "gemiddelde" gok te geven. Ze moeten je iets specifiekers geven om hun werk makkelijker te maken.

Waarom Dit Belangrijk Is (Volgens het Artikel)

Het artikel beweert niet dat het directe wereldse problemen oplost zoals "gezondheidszorg verbeteren" of "nepnieuws stoppen". In plaats daarvan biedt het een wiskundig hulpmiddel.

Het zegt: "Als je een dataset hebt waarin je weet wat mensen kozen, wat de opties waren en wat de kansen waren, kun je nu een specifieke berekening uitvoeren (met behulp van lineaire programmering) om te zeggen: 'Ja, deze data is consistent met een verborgen overtuiger,' of 'Nee, deze data is onmogelijk onder de theorie van overtuiging.'"

Het verandert een filosofische vraag ("Wordt iemand door ons gemanipuleerd?") in een oplosbaar wiskundig probleem.

Samenvatting

De Opstelling: We zien een persoon die keuzes maakt. We kennen hun voorkeuren. We vermoeden dat een verborgen "Zender" hen informatie aanlevert.
De Test:
- Regel 1: Kozen ze de beste optie voor de informatie die ze kregen? (Zo niet, dan faalt de theorie).
- Regel 2: Had de Zender hetzelfde resultaat kunnen bereiken door geen informatie te sturen? (Zo ja, dan overtuigt de Zender niet echt; de theorie faalt).
Het Resultaat: Als de data beide regels doorstaat, kunnen we zeggen: "Ja, het is mogelijk dat een verborgen Zender deze persoon optimaal overtuigt." Als het faalt, weten we dat het verhaal van de verborgen Zender niet past bij de feiten.

Het artikel is in wezen een "leugendetector" voor informatiedesign, zodat als we beweren dat iemand gemanipuleerd wordt door een verborgen hand, de wiskunde het daadwerkelijk ondersteunt.

Technische Samenvatting: Revealed Bayesian Persuasion

Probleemstelling
Het artikel adresseert de empirische uitdaging om te toetsen of de stochastische keuzes van een Beslissingsnemer (BN), waargenomen over diverse menu's en conditioneel op de toestand van de wereld, consistent zijn met de hypothese dat de BN wordt beïnvloed door een 'zender' via Bayesiaanse persuasie. In tegenstelling tot standaard revealed preference-toetsen, waarbij de voorkeuren van de BN het enige focuspunt zijn, gaat dit kader ervan uit dat de analist de toestand-afhankelijke voorkeuren ( $v$ ) van de BN en de prior ( $p_0$ ) kent, maar de voorkeuren van de zender ( $u$ ) of het bestaan van de zender niet direct observeert. De kernvraag is of de waargenomen data kunnen worden gerationaliseerd als het resultaat van een optimaal informatiedesign-probleem, waarbij een zender ex-ante hun verwachte uitbetaling optimaliseert door een signaalstructuur te ontwerpen, onder de beperking dat de BN optimaal handelt gegeven hun posterior-geloof.

Een kritieke niet-triviale voorwaarde wordt opgelegd: de zender wordt verondersteld een niet-triviale persuasiestrategie te gebruiken (d.w.z. het verstrekken van informatie die verschilt van de prior) dan en slechts dan als dit hun verwachte uitbetaling strikt verhoogt in vergelijking met het niet verstrekken van informatie. Dit sluit degeneratieve gevallen uit waarin de zender indifferent is tussen alle acties.

Methodologie en Kader
De auteur hanteert een revealed preference-benadering, analoog aan Afriat's (1967) karakterisering van utiliteitsmaximalisatie. De dataset bestaat uit State-Dependent Stochastic Choice (SDSC)-data: een verzameling paren $\{(A, \sigma_A)\}$ , waarbij $A$ een menu van acties is en $\sigma_A$ de conditionele verdeling van keuzes gegeven de toestand $\omega$ .

De methodologie verloopt in drie stappen:

Revealed Posteriors: De analist leidt de "revealed posteriors" ( $p_{A,a}$ ) af die geassocieerd zijn met elke gekozen actie $a$ in menu $A$ , gebruikmakend van de regel van Bayes en de waargenomen keuzekansen.
Optimaliteitsvoorwaarden: Het artikel maakt gebruik van het concavificatieresultaat van Kamenica en Gentzkow (2011), dat optimale persuasiestrategieën karakteriseert als verdelingen van posteriors die liggen op de concave sluiting van de indirecte utiliteitsfunctie van de zender.
Eindige Karakterisering: Aansluitend bij Lipnowski en Mathevet (2017) beperkt de auteur de set posteriors die voor optimaliteit in aanmerking moeten komen tot de "uiteindelijke punten" (extreme punten van de convexe gebieden waar specifieke acties optimaal zijn voor de BN). Dit reduceert het oneindig-dimensionale probleem van het controleren van alle mogelijke signaalstructuren tot een eindige set potentiële afwijkingen.

Belangrijkste Axioma's en Resultaten
Het hoofdresultaat, Stelling 1, stelt dat een dataset consistent is met niet-triviale Bayesiaanse persuasie dan en slechts dan als deze voldoet aan twee axioma's:

Geen Verbeterende Actiewissels (NIAS): Een standaard axioma uit de literatuur over op informatie gebaseerde keuzes (Caplin en Martin, 2015). Dit vereist dat voor elke actie $a$ die met een positieve kans wordt gekozen in menu $A$ , $a$ optimaal moet zijn voor de BN gegeven de revealed posterior $p_{A,a}. Formeel kan de BN niet overschakelen naar een andere actie$ b$ in hetzelfde menu en een hogere verwachte uitbetaling bereiken bij die specifieke posterior.
Geen Gebalanceerde Prior/Uiteindelijke-Punt-Signalen (NBPS): Dit is de nieuwe bijdrage van het artikel. Het toetst of de waargenomen verdeling van posteriors optimaal is voor een of andere zender-voorkeur. Het axioma stelt dat er geen alternatieve reeks "Prior/Uiteindelijke-Punt (POP)" signalen mag bestaan die:
- De gemiddelde toestand-afhankelijke kans op het kiezen van elke actie over de menu's behoudt (het handhaven van dezelfde gezamenlijke verdeling van acties en staten).
- Bayes-plausibel is voor elk menu.
- Positieve kans toekent aan de prior $p_0$ voor ten minste één menu waar de originele data dit niet deed.
De intuïtie is dat als de zender profiteert van persuasie, de prior suboptimaal moet zijn. Als men een alternatieve signaalstructuur kan construeren die dezelfde gemiddelde uitbetalingen oplevert (en dus dezelfde zender-utiliteit voor elke voorkeur) maar de prior opneemt in zijn steun, dan kon het originele signaal niet optimaal zijn. Het bewijs maakt gebruik van Farkas' Lemma om aan te tonen dat het niet-bestaan van zo'n "gebalanceerd" signaal noodzakelijk en voldoende is voor het bestaan van een zender-utiliteitsfunctie die de data rationaliseert.

Uitbreidingen en Speciale Gevallen

Transparante Motieven (Toestand-Onafhankelijke Voorkeuren): In Stelling 2 past het artikel de toets aan voor zenders wiens voorkeuren alleen afhangen van de kans op ondernomen acties, niet van de toestand. De voorwaarde wordt versterkt tot SI-NBPS, wat vereist dat de onvoorwaardelijke kansen op acties worden behouden in plaats van de toestand-afhankelijke kansen.
Posterior-Mean Bayesiaanse Persuasion: In Sectie 7 wordt het kader uitgebreid naar omgevingen waar voorkeuren alleen afhangen van het posterior-gemiddelde (Dworczak en Martini, 2019). Stelling 3 biedt noodzakelijke en voldoende voorwaarden (NIAS en NBPS-M) voor deze setting, rekening houdend met het feit dat optimaliteit wordt gekarakteriseerd door een convexe prijsfunctie in plaats van een hypervlak.
Variërende Priors: Stelling 4 breidt de resultaten uit tot datasets waar de prior varieert over menu's, wat een uniforme versie van de axioma's vereist (UNIAS en UNBPS).

Betekenis en Claims
Het artikel claimt de eerste revealed preference-karakterisering van Bayesiaanse persuasie te bieden. De primaire betekenis ligt in het bieden van een hulpmiddel voor empirische onderzoekers om de aanwezigheid van informatiedesign in data te toetsen zonder parametrische aannames op te leggen aan de voorkeuren van de zender.

Empirisch Nut: De voorwaarden zijn geformuleerd als een stelsel lineaire ongelijkheden, wat computergestuurde toetsing via lineaire programmering mogelijk maakt. Dit stelt toegepaste onderzoekers in staat de hypothese van Bayesiaanse persuasie in real-world datasets te falsifiëren.
Theoretische Bijdrage: Door de set van zender-voorkeuren die consistent zijn met de data te karakteriseren, overbrugt het artikel de kloof tussen theoretische modellen van informatiedesign en empirische observatie. Het verduidelijkt het onderscheid tussen Bayesiaanse persuasie en Rational Inattention (RI), en demonstreert dat de twee theorieën verschillende toetsbare implicaties opleveren (bijvoorbeeld toont Voorbeeld 5 een dataset die rationaliseerbaar is door persuasie maar niet door RI).
Robuustheid: Het kader gaat om met onvolledige keuzedata en vereist geen expliciete tie-breaking-regels voor de ontvanger, aangezien het niet-bestaan van gebalanceerde POP-signalen impliciet indifferentie behandelt.

De auteur merkt op dat hoewel de theoretische voorwaarden noodzakelijk en voldoende zijn, de praktische toepassing uitdagingen kent met betrekking tot de beschikbaarheid van data (specifiek de behoefte aan toestand-afhankelijke keuzedata en bekende priors) en de potentie voor ruis in besluitvorming, wat aanpassingen aan de axioma's zou vereisen.