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：