📈 economics

The Wisdom of the Crowd and Higher-Order Beliefs

本文提出了一种基于总体均值聚合（PMBA）的新方法，该方法使委托人能够在无需理解底层信息结构的情况下，仅依据代理人的信念及其对总体平均值的预期即可准确推断世界的真实状态，该方法在弱假设下具有理论稳健性，且在实证表现上优于现有方法。

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

发布于 2026-04-29

📖 1 分钟阅读☕ 轻松阅读

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

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是用通俗语言和日常类比对论文《群体智慧与高阶信念》的解释。

核心理念：为何群体有时会犯错

想象一下，你正在县集市上猜测一个巨型南瓜的重量。你让 100 个人来猜。

传统方法（标准的群体智慧）： 你将这 100 个猜测值相加，然后除以 100。理论认为，这个平均值会非常接近真实重量。
问题所在： 如果所有人都在看同一张南瓜的糟糕照片呢？或者如果所有人都在使用同一个错误的经验法则呢？在这种情况下，他们猜测的“平均值”会自信地偏离真相。只有当每个人的错误相互抵消时，群体才是智慧的。如果所有人都存在同样的盲点，那么群体就只是一大群犯着同样错误的人。

这篇论文的作者问道：即使我们不知道群体犯错的原因，也不知道他们是如何获取信息的，我们能否修正群体的智慧？

解决方案：询问“你认为其他人会怎么想？”

作者提出了一种新方法，称为PMBA（基于总体均值的聚合）。这就像升级了向群体提出的问题。

他们不再仅仅询问“这个南瓜有多重？”（一阶信念），而是向特定的一组人询问：“你认为群体中的平均每个人会猜多少？”（二阶信念）。

神奇的类比：侦探与地图

想象一位侦探试图寻找隐藏的宝藏（即“真实状态”）。

线索（一阶信念）： 侦探询问 100 位当地人：“宝藏在哪里？”每个人指向不同的方向。侦探取了指向的平均方向。但侦探没有地图，所以他不知道这个平均方向是指向宝藏还是沼泽。
转折（二阶信念）： 随后，侦探询问其中几位当地人：“如果你站在人群中间，看着大家指向的方向，你认为那个平均方向会指向哪里？”
突破： 通过比较人们认为的平均方向与实际的平均方向，侦探可以在数学上逆向推导出地图。他们可以在从未见过地图的情况下，找出宝藏的真实位置。

工作原理（“线性回归”技巧）

论文解释说，这个过程实际上是线性回归（一种用于寻找模式的常见数学工具）的复杂版本。

输入数据：
- X（信念）： “我认为南瓜很重有 70% 的可能性。”
- Y（预期）： “我认为平均每个人会说南瓜很重有 60% 的可能性。”
关联： 数学表明，你对群体的预期（Y）仅仅是群体在不同情境下（重 vs. 轻）实际想法的加权组合。
结果： 通过对数据运行这种数学运算，系统可以“解出”隐藏的情境。它能推断出：“啊，当南瓜实际上很重时，群体的平均值是 80%；当它很轻时，平均值是 40%。”一旦系统知道了这些“真实平均值”，它就可以观察当前群体的平均值，并立即判断哪种情境是真实的。

为何这比旧方法更好

论文将他们的方法与另外两种流行的信息聚合方式进行了比较：

多数投票： 仅仅询问“它是重还是轻？”并采纳最流行的答案。（如果群体感到困惑，此方法会失效）。
“意外流行”（Surprisingly Popular, SP）： 询问人们认为大多数人会说什么，然后选择比人们预期的更受欢迎的答案。（这种方法对简单的“是/否”问题效果很好，但在面对多个选项时（例如 4 个不同的价格区间）则显得力不从心）。

PMBA 的优势：

处理复杂性： 即使存在许多可能的答案（不仅仅是“是/否”），它也能发挥作用。
稳健性： 即使人们对世界运作方式感到困惑，它依然有效。论文表明，即使个体拥有“错误设定”的信念（即他们对他人的想法判断错误），只要这些错误不是巨大的，数学运算仍能平均化这些误差并找到真相。
现实世界验证： 作者进行了一项实验，让人们猜测 NFT（数字艺术品）的价格区间。
- 结果： PMBA 比简单的多数投票更准确，也比“意外流行”方法更准确。它成功预测真实价格区间的表现优于其他方法。

“错误设定”的安全网

论文的一个关键部分是，它并不要求人们是完美的天才。

担忧： 如果人们不理解游戏规则怎么办？如果他们认为其他人比自己更聪明或更愚蠢怎么办？
对策： 该数学模型被设计为具有“稳健性”。它假设虽然个体可能对群体的心态感到困惑，但这种平均的困惑会相互抵消。只要他们思维中的“噪音”没有超过实际信号，该方法仍能找到真实状态。

总结

这篇论文提出了一个简单而有力的技巧：不要只问人们怎么想，要问他们认为其他人会怎么想。

通过结合这两层信息，委托人（如研究人员或市场做市商）可以揭示世界的真实状态——即使他们不知道游戏规则，即使群体感到困惑，即使存在许多可能的结果。它将“群体智慧”从一个脆弱的概念，转变为一个稳健的、数学上可保证的工具。

以下是 Chen、Mueller-Frank 和 Pai 所著论文《群体的智慧与高阶信念》的详细技术总结。

1. 问题陈述

本文探讨了信息聚合的根本挑战：一个主体（聚合者）如何从持有私有、含噪信号的代理人群体中推断出世界的真实状态（ $\omega$ ），而无需了解底层的信息结构（即信号分布、相关结构或共同先验）。

一阶信念的局限性：现有文献（例如 Arieli, Babichenko, & Smorodinsky, 2017）表明，仅知道一阶信念（代理人关于状态的后验概率）通常不足以识别真实状态，即使群体规模无限大也是如此。这是一个识别问题：多个状态可能产生相同的一阶信念分布。
研究缺口：大多数现有方法（如预测市场或“意外流行”法）要么需要强假设（例如二元状态、独立信号），要么要求复杂且往往不可行的数据（例如状态依存信念或信号的 conditional 概率）。
目标：开发一种稳健的程序，仅利用以下信息来聚合信息并识别真实状态：
1. 代理人的一阶信念（ $\mu_i$ ）。
2. 代理人对群体平均信念的期望（高阶信念）。
3. 对信息结构的最小了解（无需知道先验或信号分布）。

2. 方法论：基于群体均值的聚合（PMBA）

作者提出了一种名为基于群体均值的聚合（PMBA）的新程序。其核心直觉依赖于迭代期望定律。

A. 核心机制

设 $\Omega = \{\omega_1, \dots, \omega_L\}$ 为 $L$ 个可能状态的集合。

一阶信念 elicitation：主体收集每个代理人 $i$ 的信念向量 $\mu_i$ 。经验均值 $\hat{\mu} = \frac{1}{n}\sum \mu_i$ 收敛于真实的状态依存群体均值 $\bar{\mu}(\omega)$ 。
识别问题：主体观察到 $\hat{\mu}$ ，但不知道从状态 $\omega$ 到预期群体均值 $\bar{\mu}(\omega)$ 的映射关系。
高阶信念 elicitation：主体选择 $L$ $L$ 个代理人（或 $L$ $L$ 组代理人），询问他们对群体平均信念的期望。
- 设 $\alpha_i = E[\bar{\mu} | s_i]$ 为代理人 $i$ 对群体平均值的期望。
- 根据迭代期望定律， $\alpha_i$ 是状态依存群体均值的加权平均，其中权重为代理人自身的一阶信念：
  $\alpha_i = \sum_{\omega \in \Omega} \mu_i(\omega) \cdot \bar{\mu}(\omega)$
方程组：如果主体从 $L$ 个具有线性无关信念向量的代理人那里收集这些报告，它们将构成一个线性方程组：
$\mathbf{\alpha} = \mathbf{M} \cdot \mathbf{\bar{\mu}}$
其中 $\mathbf{M}$ 是一阶信念矩阵， $\mathbf{\bar{\mu}}$ 是未知的状态依存群体均值向量。
求逆：由于 $\mathbf{M}$ 是可逆的（在特定的秩条件下），主体可以求解 $\mathbf{\bar{\mu}} = \mathbf{M}^{-1}\mathbf{\alpha}$ 。
状态识别：主体将观察到的经验均值 $\hat{\mu}$ 与恢复出的状态依存均值 $\bar{\mu}(\omega)$ 进行比较。真实状态是 $\bar{\mu}(\omega)$ 最接近 $\hat{\mu}$ 的那个 $\omega$ 。

B. 稳健性与误设

本文将模型扩展到处理误设情况，即代理人可能对信息结构持有错误信念（例如，他们误解了他人如何形成信念）。

近似 PMBA：该程序被重新解释为一个线性回归问题。
- 因变量：代理人的二阶信念（ $\alpha_i$ ）。
- 自变量：代理人的一阶信念（ $\mu_i$ ）。
- 系数：未知的状态依存群体均值。
误设处理：即使代理人对群体平均值持有有偏见的观点（加性噪声 $\zeta$ ），只要偏差相对于真实状态均值之间的分离度较小，该程序仍然有效。大数定律确保通过对大群体的平均可以抵消个体的误设误差。

3. 主要贡献

无需结构的通用识别：PMBA 是首个保证在有限 $L > 2$ 个状态下识别真实状态的程序，无需了解信号结构、相关性或共同先验。它克服了一阶信念单独使用时的识别失败问题。
对误设的稳健性：作者证明，即使代理人对聚合信息结构是“错误”的，只要聚合误差不太大，该程序依然有效。这使得该方法适用于代理人对群体认知模型有限的现实场景。
线性回归解释：通过将 PMBA 框架化为线性回归，作者解锁了一个世纪的统计工具（置信区间、假设检验、有限样本误差界）。这将理论上的矩阵求逆转化为一种实用、可操作的统计工具。
有限样本保证：本文推导了非渐近误差界，表明估计误差以标准的 $O(1/\sqrt{n})$ 速率下降，这取决于信念的多样性和噪声水平。
实验验证：作者进行了一项涉及NFT 价格预测（一个复杂且充满不确定性的市场）的新颖实验。
- 结果：PMBA 显著优于基于一阶信念的多数投票法和**意外流行（SP）**法。
- 意义：SP 在处理超过两个状态时存在困难（二元限制），而 PMBA 成功处理了多状态（4 个区间）预测，且精度更高。

4. 结果

理论方面：
- 定理 1：在弱正则条件下（有限相关性、信念满秩），随着 $n \to \infty$ ，PMBA 以概率收敛于真实状态。
- 定理 3：即使在信念误设下，只要代理人期望中的偏差小于真实状态依存群体均值之间的距离，PMBA 也能几乎必然地恢复真实状态。
- 命题 1：提供了有限样本保证，确立了以概率 $1-\delta$ 识别状态所需的样本量 $n$ 。
实证方面（NFT 实验）：
- 设置：199 名参与者预测 NFT 价格区间（4 个状态），并报告他们对群体平均预测的期望。
- 表现：
  - PMBA 平均绝对误差（MAE）：1.25
  - 多数投票（一阶）MAE：1.50
  - 多数投票（二阶）MAE：1.40
  - 意外流行（SP）：在 4 状态设置中难以有效区分状态；通常退化为二元区分。
- 统计显著性：PMBA 优于基于一阶信念的多数投票法具有统计显著性（ $p < 0.05$ ）。

5. 意义与启示

实际适用性：与需要复杂状态依存报告（人类难以计算）的理论模型不同，PMBA 仅要求提供信念和“你认为普通人会怎么想？”——这些问题在调查中很容易 elicited。
超越二元状态：许多现有的“群体智慧”机制（如 SP）局限于二元选择。PMBA 将其推广到任意有限数量的状态，使其适用于复杂的经济、政治和科学预测。
对人类错误的稳健性：该程序对高阶信念的依赖使其能够纠正个体的认知偏差和误设，有效地“平均掉”人类推理中的噪声。
激励相容性：本文讨论了如何利用贝叶斯真理血清机制来激励真实报告，将聚合程序与基于恢复状态和群体平均值的支付规则联系起来。

总之，Chen、Mueller-Frank 和 Pai 证明，通过利用高阶信念（对群体平均的期望），主体可以完全聚合分散的信息并识别世界的真实状态，即使在不了解底层信息结构且代理人对群体行为了解不完全的情况下也能实现。