Forecasting with Feedback

这篇文章探讨了一个非常有趣且反直觉的现象：为什么有时候，最聪明的预测者会故意“撒谎”（做出有偏差的预测），而且这种“撒谎”其实是完全理性的？

通常，如果我们发现一个天气预报总是说“明天会下雨”，但第二天总是大晴天，我们会觉得这个预报员很笨，或者他故意想骗人。但在经济学和政策制定中，情况可能完全不同。

这篇论文的核心观点可以用一个**“调温器与房间”**的比喻来解释。

1. 核心故事：传染病预测与反馈

想象一下，你是一位流行病学家，正在预测下个月的新增传染病病例数。

如果你的预测很高（例如：“下个月会有 5 万例感染”），人们听到后会改变行为——他们待在家里、戴口罩、避免聚集。正是这些反应，实际上减少了最终发生的病例数。
反之，如果你的预测很低，人们会放松警惕，导致实际病例数比原本可能发生的还要高。

你的预测不仅描述了未来，它直接改变了未来。 被预测的变量（病例数）的实现值，正是由预测所触发的行动所塑造的。

在经济学中，这被称为**“反馈”**。在经济学里，预测往往会触发决策（比如央行加息），而这个决策反过来又会改变未来的经济状况。这与纯粹的天气预报不同——无论人们是否带伞，明天下雨的事实本身不会改变；但在经济或疫情中，预测本身就会改变结果。

现在，假设你是那个预测员，你知道决策者看到“高温”就会猛开空调，看到“低温”就会猛开暖气。但是，你不确定决策者到底会开多大（也许他今天心情不好，开得更猛；也许他今天很保守，开得不够）。

这就产生了一个**“偏差与波动的权衡”**（Bias-Variance Tradeoff）：

如果你诚实地预测： 假设真实情况是 30 度，你报告 30 度。决策者猛开空调，结果温度降到了 20 度。你的预测（30 度）和实际（20 度）差了 10 度。误差很大！
如果你“保守”地预测： 你心里知道真实是 30 度，但你故意只报告 25 度。
- 决策者看到 25 度，觉得“哦，有点热，但没到 30 度那么夸张”，于是只开了中档空调。
- 结果实际温度降到了 26 度。
- 你的预测（25 度）和实际（26 度）只差 1 度。

结论： 虽然你故意少报了 5 度（有了偏差），但你通过“误导”决策者采取温和的行动，反而让最终的预测误差变小了。

在论文中，这种“故意少报”或“故意多报”的行为，在数学上被证明是最优策略。即使预测员的目标是“最小化误差平方”（最理性的目标），在存在这种“反馈”且“不确定决策者反应强度”的情况下，有偏差的预测反而比无偏差的预测更准确。

3. 现实中的例子：美联储的“绿皮书”

论文用了一个真实的例子：美国联邦储备系统（美联储）内部的通胀预测（被称为“绿皮书”）。

现象： 研究人员发现，这些预测经常有系统性的偏差。有时候预测偏高，有时候偏低，而且这种偏差会随着时间变化。
传统解释： 以前大家认为，这说明预测员不理性，或者他们害怕犯错（比如怕通胀太高，所以故意报低）。
论文的新解释： 也许预测员非常理性！他们知道，如果预测通胀太高，美联储就会猛加息（决策者反应），这会导致经济过冷，通胀反而暴跌。为了不让经济“坐过山车”，预测员会故意把预测值往中间“拉一拉”，以此温和地引导美联储的政策，从而让最终结果更稳定。

4. 为什么这很重要？（对“理性”的重新定义）

这篇论文给所有研究预测的人敲了一记警钟：

以前的观点： 如果预测数据不符合“完美预测”的标准（比如回归分析斜率不是 1，或者截距不是 0），我们就说预测员不理性，或者他们的损失函数不对称（比如他们更怕预测错一边）。
现在的观点： 等等！如果预测会影响政策，而政策又反过来影响结果，那么即使预测员是完美的理性人，他们的预测看起来也是“有偏差”的！

这就好比你在玩一个游戏，如果你告诉对手你的真实意图，对手就会针对你；如果你稍微“虚晃一枪”，反而能赢得比赛。

总结

这篇论文告诉我们：
在**“预测会改变结果”**的世界里（比如经济政策、股市、甚至某些社会现象），最诚实的预测往往不是最好的预测。

预测者为了减少最终结果的波动，会策略性地调整自己的预测，使其看起来“有偏差”。这种偏差不是因为他们笨，也不是因为他们有私心，而是因为他们太聪明，懂得如何在**“预测的准确性”和“政策反应的剧烈程度”**之间走钢丝。

所以，下次当你看到专家预测似乎总是“不准”或者“有倾向性”时，也许他们并不是在犯错，而是在通过“误导”来达成更好的结果。

1. 研究问题 (Problem)

传统的预测理论通常假设预测是独立于结果的，或者认为预测偏差（Bias）源于预测者的非理性（Irrationality）或损失函数的不对称性（Asymmetric Loss）。然而，在现实经济环境中（如中央银行制定货币政策），预测往往直接指导决策，而决策反过来又会影响最终结果（即“反馈”效应）。

核心问题：
当预测者（Forecaster）知道其预测会影响决策者（Decision Maker, DM）的行动，且该行动会改变目标变量的实现值时，如果预测者面临二次损失函数（即最小化均方误差 MSE），其最优预测是否仍然是无偏的？

传统观点： 在二次损失下，最优预测应为条件期望，即无偏的。
本文挑战： 在存在反馈且决策者反应存在不确定性的情况下，最优预测可能是有偏的，且这种偏差是理性的、最优的。

2. 方法论 (Methodology)

作者构建了一个基于博弈论的模型，将预测视为一种策略性互动。

2.1 模型设定

参与者：
- 预测者 (Forecaster)： 拥有私人信息 $\theta_t$ （经济状态），目标是发布预测 $f_t$ 以最小化均方误差 $E[(y_{t+1} - f_t)^2 | \theta_t]$ 。
- 决策者 (DM)： 观察预测 $f_t$ 并据此采取行动 $a_t$ 。DM 的目标是使结果 $y_{t+1}$ 接近某个目标值 $y^T$ 。
动态过程：
1. 预测者观察到状态 $\theta_t$ 。
2. 预测者发布预测 $f_t$ 。
3. DM 观察到 $f_t$ 和私人参数 $x_t$ （政策反应强度），选择行动 $a_t$ 。
4. 结果 $y_{t+1}$ 实现。
结果方程：
$y_{t+1} = \theta_t + a_t + \epsilon_{t+1}$
其中 $\epsilon_{t+1}$ 是不可预测的噪声。
决策者反应函数 (Taylor Rule 变体)：
$a_t = x_t [y^T - E(\theta_t | f_t)]$
其中 $x_t$ 是随机变量，代表政策反应的强度（如加息的激进程度）。关键点在于： 预测者知道 $x_t$ 的分布（均值 $\mu$ ，方差 $\tau^2$ ），但不知道 $x_t$ 的具体实现值。这种不确定性是产生偏差的核心驱动力。

2.2 求解方法

最优预测求解： 预测者将 DM 的反应函数代入损失函数，求解最小化问题。
均衡分析： 定义线性完美贝叶斯均衡（Linear PBE），即 DM 对预测函数的猜测（线性形式 $f = b + c\theta$ ）与预测者实际使用的策略一致。
统计性质分析： 推导最优预测的偏差（Bias）以及 Mincer-Zarnowitz (MZ) 回归系数（预测值对实现值的回归）。

3. 关键贡献 (Key Contributions)

提出了“反馈诱导偏差”的新机制： 证明了在二次损失函数下，只要存在反馈且决策者的反应存在不确定性，最优预测必然是有偏的。这打破了“二次损失必然导致无偏预测”的传统认知。
解释了 MZ 回归系数的异常： 传统理性预期检验（MZ 回归）要求截距为 0、斜率为 1。本文证明，在反馈环境下，MZ 回归的斜率可能显著偏离 1，甚至为负，截距也可能非零。这为解释实证中观察到的“非理性”预测模式提供了新的理论依据。
揭示了偏差 - 方差权衡 (Bias-Variance Tradeoff) 的新形式： 预测者为了降低由政策反应不确定性引起的结果波动（方差），会故意“平滑”其预测，使其对私人信息的敏感度降低，从而引入系统性偏差以换取更低的均方误差。
对实证文献的重新解读： 以美联储（FOMC）的 Greenbook 通胀预测为例，解释了为何其预测误差会随时间呈现系统性偏差且符号变化，以及 MZ 斜率为何在历史上出现剧烈波动（甚至变为负值）。

4. 主要结果 (Results)

4.1 最优预测的性质 (Proposition 1)

在给定 DM 反应函数的情况下，最优预测 $f^*_t$ 是状态 $\theta_t$ 的线性函数：
$f^*_t = d^* + e^* \cdot \theta_t$

斜率衰减： 最优斜率 $e^*$ 小于无偏预测的斜率。预测者通过降低预测对信息的敏感度，来减少政策反应带来的结果波动。
偏差产生： 预测不再是条件期望，而是包含了一个系统性偏差项。

4.2 均衡预测 (Corollary 1)

在完全策略性互动（DM 正确理解预测者的策略）的均衡中：

存在性条件： 当政策反应的不确定性 $\tau^2$ 低于特定阈值（ $\tau^2 \leq 1/4$ ）时，存在线性均衡。
完全揭示性： 均衡预测是状态 $\theta_t$ 的一一映射，理性的 DM 可以从预测中完全推断出真实状态。
斜率特征： 均衡斜率 $c^\dagger$ 可能是正的、接近零的，甚至是负数的（取决于 $\mu$ 和 $\tau^2$ 的配置）。

4.3 统计特征 (Proposition 2 & Corollary 2)

系统性偏差： 均衡预测的偏差符号取决于状态 $\theta_t$ $θ_{t}$ 与目标 $y^T$ $y^{T}$ 的相对大小。
- 若 $\theta_t > y^T$ （经济过热），预测者倾向于低估（Underpredict），使预测值向目标值靠拢。
- 若 $\theta_t < y^T$ （经济过冷），预测者倾向于高估（Overpredict）。
- 这种偏差是为了让结果“重力”般地趋向于目标值，从而最小化整体波动。
MZ 回归系数：
- 截距： 通常不为 0。
- 斜率： 通常不为 1。斜率是 $\mu$ （平均反应强度）和 $\tau^2$ （反应不确定性）的非线性函数。
- 极端情况： 当 DM 平均反应强度 $\mu=1$ 时，MZ 斜率可能变为 0，意味着预测值与最终结果在统计上无关（因为 DM 总是将结果拉回目标值）。
不确定性消失的极限： 如果 $\tau^2 \to 0$ （决策者反应完全确定），偏差消失，MZ 斜率回归到 1，预测恢复无偏。这证明了不确定性是偏差产生的必要条件。

5. 意义与启示 (Significance)

对预测理性检验的挑战： 传统的理性预期检验（如检验 MZ 回归截距是否为 0，斜率是否为 1）在存在反馈的领域（如宏观经济政策、金融市场）可能失效。观察到的“非理性”偏差可能实际上是预测者在面对政策反馈不确定性时的最优策略。
对损失函数估计的影响： 如果忽略反馈机制，研究者可能会错误地将观测到的偏差归因于预测者的非对称损失函数（Asymmetric Loss），从而得出错误的结论。
政策含义： 对于政策制定者（如央行），如果预测者知道政策会反馈影响经济，他们可能会策略性地调整预测。这暗示了政策沟通（Communication）和预测发布机制的设计需要考虑这种策略互动。
实证解释力： 该模型为解释 Greenbook 通胀预测中观察到的长期偏差、偏差符号的周期性变化以及 MZ 斜率的剧烈波动（包括负值）提供了一个统一的理论框架，无需诉诸于预测者的非理性。

总结：
这篇论文通过引入“反馈”和“反应不确定性”两个关键要素，重构了最优预测理论。它表明，在互动环境中，偏差是理性的，是预测者在权衡预测误差和结果波动风险后的最优选择。这一发现对经济学、金融学中的预测评估和理性预期检验具有深远的理论修正意义。