Joint Identification of Beliefs and Preferences from Point and Density Forecasts

Resumo Técnico: Identificação Conjunta de Crenças e Preferências a partir de Previsões de Ponto e de Densidade

1. Enunciado do Problema

O artigo aborda um problema fundamental de identificação na análise de pesquisas de expectativas. Embora as previsões de ponto (ex.: taxas de inflação esperadas) e as previsções de densidade (distribuições de probabilidade sobre resultados) sejam amplamente coletadas e analisadas separadamente, sua observação conjunta não foi rigorosamente estudada para determinar o que pode ser inferido sobre as crenças e as preferências subjacentes dos previsores.

A literatura existente tipicamente trata as discrepâncias entre as previsões de ponto e as tendências centrais (média, mediana, moda) das previsões de densidade como erros de relato ou vieses. Este artigo argumenta que tais discrepâncias podem, em vez disso, refletir a interação entre a crença subjetiva de um previsor e suas preferências de teoria da decisão. A questão central é: Podem as crenças e as preferências ser separadamente identificadas a partir da observação conjunta de uma previsão de ponto e uma previsão de densidade, e sob quais condições?

Os autores destacam que escolhas sob incerteza geralmente refletem tanto crenças quanto preferências, tornando a separação difícil sem uma estrutura adicional. Enquanto as previsões de densidade parecem revelar crenças diretamente, as previsões de ponto são resumos funcionais dessas crenças que dependem do objetivo do previsor (função de perda ou utilidade). Sem a análise conjunta, nenhum desses objetos, isoladamente, permite a identificação separada de crenças e preferências.

2. Metodologia e Estrutura Teórica

O artigo desenvolve um arcabouço de teoria da decisão para caracterizar o problema de identificação.

Configuração Formal:

• Observáveis: Um agente reporta uma previsão de ponto $p \in X$ e uma previsão de densidade $G \in \Delta(X)$ (uma função de distribuição acumulada).
• Objetos Latentes: O agente possui uma crença subjetiva $G$ e uma estrutura de preferência definida por uma função de utilidade $u$ e uma função de ponderação de probabilidade $w$.
• Regra de Relato: A previsão de ponto é gerada por um mapeamento $T(G; u, w)$, interpretado como um funcional da distribuição (ex.: um equivalente de certeza).

Análise de Identificação:
Os autores empregam a linguagem de identificação parcial (Manski, 2003; Tamer, 2010) e racionalidade de preferências reveladas (Afriat, 1967; Varian, 1982).

• Previsões de Densidade Isoladas: Uma densidade reportada $G$ identifica a crença subjetiva exatamente (sob interpretação padrão), mas não fornece informações sobre preferências. O conjunto de preferências admissíveis é todo o espaço $\mathbb{P}$.
• Previsões de Ponto Isoladas: Uma previsão de ponto $p$ não identifica nem crenças nem preferências, pois múltiplos pares crença-preferência podem gerar o mesmo resumo escalar.
• Observação Conjunta: A observação conjunta $(p, G)$ restringe o conjunto de pares crença-preferência admissíveis. A previsão de densidade fixa a crença, e a previsão de ponto impõe uma restrição sobre os parâmetros de preferência consistentes com essa crença. No entanto, o artigo demonstra que um único par $(p, G)$ é geralmente insuficiente para a identificação pontual de preferências porque o espaço de preferências é de dimensão infinita, e a previsão de ponto fornece apenas um número finito de restrições.

Estrutura de Utilidade Dependente de Ranking (RDU):
Para ilustrar os resultados, os autores adotam o modelo de Utilidade Dependente de Ranking (Quiggin, 1982; Yaari, 1987). Neste arcabouço:

• A previsão de densidade determina a distribuição subjetiva $G$.
• A função de ponderação de probabilidade $w$ distorce $G$ em pesos de decisão.
• A previsão de ponto é interpretada como um equivalente de certeza ($p = u^{-1}(V)$), onde $V$ é o valor RDU.
• Os autores derivam condições sob as quais as preferências podem ser identificadas a partir de um painel de relatos (variando as crenças ao longo do tempo) e estabelecem condições de ordem (número de rodadas de previsão $\geq$ dimensão dos parâmetros de preferência).

Racionalidade vs. Identificação:
Uma distinção crucial é feita entre identificação (recuperar parâmetros sob um modelo mantido) e racionalidade (determinar se existem quaisquer valores de parâmetros admissíveis que possam explicar os dados). O artigo prova que a identificação não implica racionalidade; um modelo pode impor restrições identificadoras que resultam em estimativas de parâmetros que violam condições padrão de admissibilidade (ex.: aversão ao risco negativa).

3. Principais Contribuições

1. Mudança da Descrição para a Identificação: Diferentemente de trabalhos anteriores que comparam descritivamente previsões de ponto com estatísticas de densidade (ex.: verificar se os pontos equivalem às medianas), este artigo formaliza o problem de identificação de recuperar crenças e preferências latentes a partir de pares de previsões.
2. Complementaridade Informacional: O artigo estabelece que as previsões de ponto e de densidade são complementos informacionais. A previsão de densidade disciplina as crenças, enquanto a previsão de ponto disciplina as preferências. A observação conjunta reduz estritamente o conjunto identificado de modelos em comparação com a observação de cada uma isoladamente.
3. Distinção entre Identificação e Racionalidade: Os autores distinguem formalmente entre a capacidade de estimar parâmetros e a capacidade de um modelo racionalizar os dados observados. Eles mostram que estimativas de parâmetros "implausíveis" (ex.: valores negativos) podem indicar uma falha do modelo em racionalizar os dados, em vez de evidência de preferências incomuns.
4. Condições para Identificação: O artigo fornece condições necessárias e suficientes para a identificação pontual, incluindo a exigência de uma classe rica de crenças (ex.: um painel de previsões com distribuições variadas) e restrições paramétricas nas funções de utilidade e de ponderação.

4. Resultados Empíricos

O arcabouço é aplicado aos dados do Survey of Professional Forecasters (SPF), que reporta tanto previsões de ponto quanto de densidade para variáveis macroeconômicas dos EUA.

• Metodologia: Os autores recuperam distribuições subjetivas a partir das previsões de densidade do SPF usando densidades beta generalizadas. Eles estimam as funções de ponderação de probabilidade e, em seguida, resolvem pelos parâmetros de preferência (especificamente o coeficiente de aversão relativa ao risco, $\gamma$, sob utilidade CRRA) que racionalizam as previsões de ponto observadas como equivalentes de certeza.
• Achados:
  • Inflação do Deflator do PIB: Os parâmetros de preferência implícitos são positivos, economicamente significativos e estáveis através de diferentes especificações de referência. Isso sugere que as previsões conjuntas são racionalizáveis dentro do arcabouço RDU.
  • Crescimento do PIB Real: Sob três de quatro especificações de referência, os parâmetros de preferência implícitos são negativos e estatisticamente significativos. De acordo com o Teorema 5 do artigo, um $\gamma$ negativo viola as condições de admissibilidade para a utilidade CRRA. Isso indica uma falha de racionalidade: as previsões de ponto e de densidade observadas para o crescimento do PIB real não podem ser conjuntamente reconciliadas dentro do modelo RDU mantido.
  • CPI Core e Desemprego: Os resultados são mistos e menos definitivos, frequentemente resultando em estimativas imprecisas ou parâmetros que variam significativamente com as escolhas de referência.
• Interpretação: Os valores negativos para o Crescimento do PIB Real não são interpretados como evidência de comportamento de busca de risco. Em vez disso, eles sinalizam que o modelo RDU falha em capturar a relação entre as crenças reportadas e o resumo de ponto para essa variável. A discrepância provavelmente decorre do fato de as previsões de densidade implicarem médias distorcidas que diferem materialmente das previsões de ponto reportadas.

5. Significância e Alegações

O artigo alega que as pesquisas de previsão contêm informações mais ricas sobre a formação de expectativas do que o normalmente reconhecido. Ao analisar conjuntamente as previsões de ponto e de densidade, pesquisadores podem:

• Avaliar a consistência interna dos relatos de previsão.
• Testar modelos concorrentes de formação de crenças e tomada de decisão sob incerteza.
• Diagnosticar erros de especificação de modelo ou convenções de relato quando os modelos padrão de teoria da decisão falham em racionalizar os dados observados.

Os autores enfatizam que sua contribuição é metodológica, e não empírica. Eles não alegam ter estimado parâmetros de preferência estruturais como verdades definitivas. Em vez disso, demonstram que a observação conjunta de previsões impõe restrições que podem ser usadas para avaliar a validade de modelos de teoria da decisão. A aplicação empírica serve para ilustrar que, embora alguns pares de previsões sejam consistentes com modelos padrão, outros implicam uma ruptura na capacidade do modelo de explicar os dados, destacando a necessidade de arcabouços alternativos (ex.: aversão à ambiguidade) em pesquisas futuras.