[论文解读] Robust Misspecified Models and Paradigm Shifts

Cuimin Ba|arXiv (Cornell University)|Jun 24, 2021

Opinion Dynamics and Social Influence被引用 4

一句话总结

本文提出一种模型切换框架，其中代理根据阈值化的贝叶斯因子评估并切换至竞争模型，表明由于高渐近准确性和紧密的先验，错误指定的模型即使在正确模型存在的情况下也能稳健持久——甚至优于正确模型。其核心贡献在于以两个基本要素对模型持久性进行表征：预测准确性与对均衡结果的先验集中度。

ABSTRACT

Individuals use models to guide decisions, but many models are wrong. This paper studies which misspecified models are likely to persist when individuals also entertain alternative models. Consider an agent who uses her model to learn the relationship between action choices and outcomes. The agent exhibits sticky model switching, captured by a threshold rule such that she switches to an alternative model when it is a sufficiently better fit for the data she observes. The main result provides a characterization of whether a model persists based on two key features that are straightforward to derive from the primitives of the learning environment, namely, the model's asymptotic accuracy in predicting the equilibrium pattern of observed outcomes and the 'tightness' of the prior around this equilibrium. I show that misspecified models can be robust in that they persist against a wide range of competing models -- including the correct model -- despite individuals observing an infinite amount of data. Moreover, simple misspecified models with entrenched priors can be even more robust than correctly specified models. I use this characterization to provide a learning foundation for the persistence of systemic biases in two applications. First, in an effort-choice problem, I show that overconfidence in one's ability is more robust than underconfidence. Second, a simplistic binary view of politics is more robust than the more complex correct view when individuals consume media without fully recognizing the reporting bias.

研究动机与目标

• 通过建模主动的模型切换而非教条式的模型使用，填补错误指定学习文献中的空白。
• 理解在何种条件下错误指定的模型即使在可无限获取数据且存在更优替代方案的情况下仍能持续存在。
• 通过分析现实情境中如过度自信和政治极化等情境下的模型持久性，为系统性偏见提供学习基础。
• 通过两个可测量的基本要素——渐近准确性和对均衡结果的先验集中度——表征模型稳健性。
• 表明具有根深蒂固先验的简单错误指定模型可能比正确指定的模型更具稳健性。

提出的方法

• 代理根据比较竞争模型与当前模型的贝叶斯因子，使用阈值规则在两个模型之间切换。
• 代理在当前模型内使用贝叶斯更新来更新信念，并基于后验期望选择行动。
• 通过三种稳健性概念分析模型持久性：局部稳健性、全局稳健性和p-吸收稳健性，其中p-吸收稳健性是长期持久性的核心。
• 该框架以自确认均衡（SCEs）作为目标结果模式，即在模型假设下，模型预测与观测数据一致。
• 理论分析推导出模型保持持久的条件，重点关注模型预测准确性与对均衡结果的先验集中度之间的相互作用。
• 论文构建了包含额外DGP的反事实模型，以检验持久性的稳健性，表明来回切换并不否定核心结果。

实验结果

研究问题

• RQ1 在何种条件下，即使存在正确模型且可无限获取数据点，错误指定的模型仍能持续存在？
• RQ2 为何如过度自信或二元政治观点等简单且有偏见的模型会持续存在，尽管其在事实上是错误的？
• RQ3 模型切换的粘性程度——由贝叶斯因子的阈值控制——如何影响模型的长期持久性？
• RQ4 对均衡结果的先验集中度在决定模型稳健性方面发挥何种作用？
• RQ5 错误指定的模型是否可能比正确指定的模型更具稳健性？如果是，其条件是什么？

主要发现

• 即使存在正确模型且可无限获取数据点，错误指定的模型仍可因高渐近准确性和紧密先验而稳健持久。
• 当且仅当一个模型是p-吸收的且对p-吸收自确认均衡集合的先验集中度高时，该模型才是全局稳健的。
• 在努力-选择问题中，对自己能力的过度自信比低估更稳健，因为其能带来更高的渐近准确性以预测结果。
• 当个体消费存在报道偏见的媒体时，对政治的简化二元看法比正确但细致入微的观点更具稳健性，因其与观测到的数据模式更吻合。
• 具有根深蒂固先验的简单错误指定模型可能比正确指定的模型更具稳健性，这挑战了‘正确性保证持久性’的假设。
• 即使采用保守的持久性定义（要求无模型切换），理论结果依然成立，只要代理最终稳定在某一模型并保持不变。