Permettez-moi d'expliquer pourquoi je crois que l'économie moderne est un outil si puissant pour comprendre le monde. Je vais le faire en discutant d'un excellent article de Simone Cerreia-Vioglio, @UncertainLars, Fabio Maccheroni et Massimo Marinacci, "Prendre des décisions sous spécification de modèle", publié dans la Review of Economic Studies il y a quelques mois. Imaginez que je veuille conduire de l'UC San Diego à UCLA, mais que je n'ai jamais emprunté cet itinéraire auparavant. Je dois construire un "modèle du monde" pour me guider, que nous appelons généralement une carte. Les cartes sont des représentations simplifiées de la réalité. Elles ne peuvent pas inclure chaque détail si elles doivent être utiles. Borges, dans sa nouvelle Sur la précision en science, illustre ce point de manière magnifique. (En pratique, je ne dessine pas la carte moi-même - j'utilise une application - mais quelqu'un a quand même dû la créer.) Parce que les cartes simplifient, je ne peux pas m'y fier entièrement. Peut-être que la tempête d'hier soir a fait tomber un arbre et fermé une rue, ou qu'il y a des travaux et que la sortie de l'autoroute à LA est fermée. Cette incertitude est importante. Supposons que je conduise vers UCLA pour une conférence importante à 11h. Si la sortie est fermée, je pourrais avoir besoin de 15 minutes supplémentaires. Quand devrais-je régler mon réveil pour arriver à l'heure, tout en ayant suffisamment de sommeil pour donner une bonne conférence ? Le problème est que je ne peux pas attribuer des probabilités précises à toutes ces éventualités. Quelle est la probabilité que l'arbre soit tombé ? Ou qu'il y ait de nouveaux travaux ? Même les meilleures applications de trafic ne peuvent pas capturer chaque perturbation, et certaines pourraient survenir après que je sois déjà parti. En termes économiques, mon "modèle du monde" (la carte) est mal spécifié - et peu importe combien j'essaie, je ne peux pas complètement corriger cela. Mais m'asseoir et pleurer sur la spécification erronée ne répond pas à ma question de base : quand dois-je régler l'alarme ? Trop tôt, et je suis épuisé. Trop tard, et je suis en retard. Simone et ses co-auteurs proposent une façon de penser à cela. Ils partent de l'idée que nous avons souvent plusieurs modèles structurés d'un phénomène économique, ancrés dans la théorie. Par exemple, une banque centrale pourrait utiliser un modèle néo-keynésien standard et un modèle de recherche et d'appariement de la monnaie. Cependant, consciente que chaque modèle est mal spécifié par conception, la banque ajoute une ceinture de protection de modèles non structurés - des constructions statistiques qui l'aident à évaluer les conséquences de la spécification erronée. La beauté de l'article est qu'il fournit une base axiomatique pour cette ceinture de protection (et même la généralise pour inclure une approche bayésienne). Il montre que si les préférences d'un décideur répondent à certaines conditions - reflétant à la fois des caractéristiques rationnelles et comportementales - alors ces préférences peuvent être représentées par une fonction d'utilité augmentée qui prend formellement en compte la spécification erronée. Il est crucial de ne pas supposer cette fonction d'utilité augmentée ; nous la dérivons. Nous commençons par des propriétés générales et plausibles des préférences et prouvons qu'elles impliquent une telle représentation. C'est un véritable progrès. Au lieu d'écrire d'innombrables critiques de l'utilité espérée ou des attentes rationnelles (comme beaucoup l'ont fait pendant des décennies, avec peu de résultats), nous avons maintenant une manière formelle de raisonner sur la spécification erronée - des définitions précises, des limites claires de validité, et une prise de conscience de ce que nous ne savons toujours pas. Prenez, par exemple, un brillant étudiant diplômé de Penn sur le marché, Alfonso Maselli. Son article de marché du travail pousse cette frontière plus loin. Il étudie des cas où un décideur fait face non seulement à une spécification de modèle erronée mais est également incertain quant au modèle qui correspond le mieux aux données et ne peut pas leur attribuer de probabilités - ce que nous appelons l'ambiguïté du modèle. Dans mon exemple, la banque centrale n'est pas sûre si le modèle néo-keynésien ou le modèle de recherche et d'appariement convient mieux, et elle craint que les deux puissent être incorrects. Si vous lisez l'article de Simone et al. ou celui d'Alfonso, vous verrez à quel point de nombreuses critiques récentes de l'économie sur X ont été malavisées - et, franchement, caricaturales. ...