详细内容或原文请订阅后点击阅览
勇敢的学生
理性期望假设假设 - 主要是出于内部一致性的原因 - AGAT具有对所有相关概率分布函数的完全了解。当尝试将学习纳入论文模型时,通常是在响应长期以来的批评中,这总是一种高度约束的学习形式。这种学习不包括真正的意外或令人惊讶。 […]
来源:Lars P Syll理性期望假设假设是出于内部一致性的主要原因,该假设具有完全了解所有相关概率分布函数的完全了解。当试图将学习纳入这些模型时,通常是为了应对长期的批评,这总是一种受到严格的学习形式。这种学习不包括真正的意外或令人惊讶。取而代之的是,它仅涉及机械更新(已知概率函数的转换)在现有信息集上。
在这些崇高的模型中,从来没有任何真正的新事物发生。学习和信息的统计表示成为现实过程的漫画。这源于决策基于固定概率分布的基本假设。但是从定义上讲,这种分布意味着了解所有可能的结果的知识 - 这种情况很少(如果有的话)在现实中得到满足。
在现实世界中(由行为和实验经济学反复显示),人们经常将条件分布与完全概率分布混淆。在理性期望模型中,这种错误是不可能的,在理性期望模型中,假定代理人平均而言始终是正确的。然而,真正的新信息不仅会减少估计错误;它可以从根本上改变估计过程本身,并扩展基于它的决策。为了使信息真正新颖,它必须是出乎意料的。否则,可以从现有信息集中推断出来。
在理性期望模型中,通常将新信息视为仅降低估计参数方差的东西。但是,如果信息确实是新的,它实际上可能会增加不确定性和差异。也就是说,将信息集从(a,b)扩展到(a,b,c)不仅会完善我们的估计值,还可以改变整个参考框架。
增加那么,所有这些都在哪里离开我们?正如John Kay和Mervyn King所说: