The Wisdom of the Crowd and Higher-Order Beliefs

1. Formulação do Problema

O artigo aborda o desafio fundamental da agregação de informações: como um principal (um agregador) pode inferir o estado verdadeiro do mundo ($\omega$) a partir de uma população de agentes, cada um possuindo sinais privados e ruidosos, sem conhecer a estrutura de informação subjacente (ou seja, a distribuição dos sinais, a estrutura de correlação ou o prior comum).

• A Limitação das Crenças de Primeira Ordem: A literatura existente (por exemplo, Arieli, Babichenko, & Smorodinsky, 2017) estabelece que conhecer apenas as crenças de primeira ordem (probabilidades posteriores dos agentes sobre o estado) é geralmente insuficiente para identificar o estado verdadeiro, mesmo com uma população infinita. Este é um problema de identificação: múltiplos estados podem gerar a mesma distribuição de crenças de primeira ordem.
• A Lacuna: A maioria dos métodos existentes (como Mercados de Previsão ou Surpreendentemente Popular) exige ou suposições fortes (por exemplo, estados binários, sinais independentes) ou solicita dados complexos, frequentemente inviáveis (por exemplo, crenças condicionais ao estado ou probabilidades condicionais de sinais).
• O Objetivo: Desenvolver um procedimento robusto que agregue informações para identificar o estado verdadeiro utilizando apenas:
  1. Crenças de primeira ordem dos agentes ($\mu_i$).
  2. Expectativas dos agentes sobre a média da população (crenças de ordem superior).
  3. Conhecimento mínimo da estrutura de informação (sem necessidade de conhecer o prior ou a distribuição de sinais).

2. Metodologia: Agregação Baseada na Média da População (PMBA)

Os autores propõem um procedimento novel chamado Agregação Baseada na Média da População (PMBA). A intuição central baseia-se na Lei das Expectativas Iteradas.

A. O Mecanismo Central

Seja $\Omega = \{\omega_1, \dots, \omega_L\}$ o conjunto de $L$ estados possíveis.

1. Elaboração de Primeira Ordem: O principal coleta o vetor de crença $\mu_i$ de cada agente $i$. A média empírica $\hat{\mu} = \frac{1}{n}\sum \mu_i$ converge para a média populacional dependente do estado verdadeira $\bar{\mu}(\omega)$.
2. O Problema de Identificação: O principal observa $\hat{\mu}$, mas não conhece o mapeamento dos estados $\omega$ para as médias populacionais esperadas $\bar{\mu}(\omega)$.
3. Elaboração de Ordem Superior: O principal seleciona $L$ agentes (ou $L$ grupos de agentes) e solicita a eles sua expectativa sobre a média de crença da população.
   • Seja $\alpha_i = E[\bar{\mu} | s_i]$ a expectativa do agente $i$ sobre a média populacional.
   • Pela Lei das Expectativas Iteradas, $\alpha_i$ é uma média ponderada das médias populacionais dependentes do estado, onde os pesos são as próprias crenças de primeira ordem do agente:
     $$\alpha_i = \sum_{\omega \in \Omega} \mu_i(\omega) \cdot \bar{\mu}(\omega)$$
4. Sistema de Equações: Se o principal coletar esses relatos de $L$ agentes com vetores de crença linearmente independentes, eles formam um sistema de equações lineares:
   $$\mathbf{\alpha} = \mathbf{M} \cdot \mathbf{\bar{\mu}}$$
   Onde $\mathbf{M}$ é a matriz das crenças de primeira ordem e $\mathbf{\bar{\mu}}$ é o vetor das médias populacionais dependentes do estado desconhecidas.
5. Inversão: Como $\mathbf{M}$ é invertível (sob condições específicas de posto), o principal pode resolver para $\mathbf{\bar{\mu}} = \mathbf{M}^{-1}\mathbf{\alpha}$.
6. Identificação do Estado: O principal compara a média empírica observada $\hat{\mu}$ com as médias dependentes do estado recuperadas $\bar{\mu}(\omega)$. O estado verdadeiro é o $\omega$ para o qual $\bar{\mu}(\omega)$ está mais próximo de $\hat{\mu}$.

B. Robustez e Especificação Incorreta

O artigo estende o modelo para lidar com especificação incorreta, onde os agentes podem ter crenças incorretas sobre a estrutura de informação (por exemplo, eles não compreendem como os outros formam crenças).

• PMBA Aproximada: O procedimento é reinterpretado como um problema de regressão linear.
  • Variável Dependente: Crença de segunda ordem do agente ($\alpha_i$).
  • Variáveis Independentes: Crenças de primeira ordem do agente ($\mu_i$).
  • Coeficientes: As médias populacionais dependentes do estado desconhecidas.
• Tratamento de Especificação Incorreta: Mesmo que os agentes tenham visões enviesadas da média populacional (ruído aditivo $\zeta$), o procedimento permanece válido desde que o viés seja pequeno em relação à separação entre as médias dos estados verdadeiros. A Lei dos Grandes Números garante que a média sobre grandes grupos cancela os erros individuais de especificação incorreta.

3. Contribuições Principais

1. Identificação Geral sem Estrutura: A PMBA é o primeiro procedimento a garantir a identificação do estado para $L > 2$ estados finitos sem exigir conhecimento da estrutura de sinal, correlação ou prior comum. Ela supera a falha de identificação das crenças de primeira ordem isoladas.
2. Robustez à Especificação Incorreta: Os autores provam que o procedimento funciona mesmo quando os agentes estão "errados" sobre a estrutura de informação agregada, desde que o erro agregado não seja muito grande. Isso torna o método aplicável a cenários do mundo real onde os agentes possuem modelos cognitivos limitados da multidão.
3. Interpretação de Regressão Linear: Ao enquadrar a PMBA como uma regressão linear, os autores desbloqueiam um século de ferramentas estatísticas (intervalos de confiança, testes de hipóteses, limites de erro para amostras finitas). Isso transforma uma inversão de matriz teórica em uma ferramenta estatística prática e acionável.
4. Garantias de Amostra Finita: O artigo deriva limites de erro não assintóticos, mostrando que o erro de estimação diminui na taxa padrão $O(1/\sqrt{n})$, dependendo da diversidade de crenças e do nível de ruído.
5. Validação Experimental: Os autores realizam um experimento novel envolvendo previsão de preços de NFTs (um mercado complexo e incerto).
   • Resultado: A PMBA supera significativamente o Voto Majoritário (baseado em crenças de primeira ordem) e o método Surpreendentemente Popular (SP).
   • Significância: O SP luta com mais de dois estados (limitação binária), enquanto a PMBA lida com sucesso com previsões de múltiplos estados (4 faixas) com maior precisão.

4. Resultados

• Teóricos:

  • Teorema 1: Sob condições fracas de regularidade (correlação limitada, posto completo das crenças), a PMBA recupera o estado verdadeiro em probabilidade quando $n \to \infty$.
  • Teorema 3: A PMBA recupera o estado verdadeiro quase certamente mesmo sob crenças especificadas incorretamente, desde que o viés nas expectativas dos agentes seja menor que a distância entre as médias populacionais dependentes do estado verdadeiro.
  • Proposição 1: Fornece garantias de amostra finita, estabelecendo o tamanho da amostra $n$ necessário para identificar o estado com probabilidade $1-\delta$.

• Empíricos (Experimento com NFTs):

  • Configuração: 199 participantes previram faixas de preço de NFTs (4 estados) e relataram suas expectativas sobre a previsão média do grupo.
  • Desempenho:
    • Erro Absoluto Médio (MAE) da PMBA: 1,25
    • MAE do Voto Majoritário (Primeira Ordem): 1,50
    • MAE do Voto Majoritário (Segunda Ordem): 1,40
    • Surpreendentemente Popular (SP): Lutou para distinguir estados efetivamente no cenário de 4 estados; frequentemente reduzido a distinções binárias.
  • Significância Estatística: A superioridade da PMBA sobre o voto majoritário de primeira ordem é estatisticamente significativa ($p < 0.05$).

5. Significância e Implicações

• Aplicabilidade Prática: Diferente de modelos teóricos que exigem relatos complexos condicionais ao estado (que os humanos acham difíceis de calcular), a PMBA solicita apenas crenças e "o que você acha que a pessoa média pensa?" — perguntas que são facilmente elicidas em pesquisas.
• Além de Estados Binários: Muitos mecanismos existentes de "sabedoria das multidões" (como o SP) são limitados a escolhas binárias. A PMBA generaliza isso para qualquer número finito de estados, tornando-a aplicável a previsões econômicas, políticas e científicas complexas.
• Robustez ao Erro Humano: A dependência do procedimento de crenças de ordem superior permite corrigir vieses cognitivos individuais e especificações incorretas, efetivamente "mediando" o ruído no raciocínio humano.
• Compatibilidade de Incentivos: O artigo discute como incentivar relatos verdadeiros usando mecanismos de Soro da Verdade Bayesiana, vinculando o procedimento de agregação a regras de pagamento baseadas no estado recuperado e nas médias populacionais.

Em resumo, Chen, Mueller-Frank e Pai demonstram que, ao alavancar crenças de ordem superior (expectativas da média da multidão), um principal pode agregar totalmente informações dispersas e identificar o estado verdadeiro do mundo, mesmo sem conhecer a estrutura de informação subjacente e mesmo quando os agentes estão imperfeitamente informados sobre o comportamento da multidão.