Pozwól, że wyjaśnię, dlaczego uważam, że nowoczesna ekonomia jest tak potężnym narzędziem do zrozumienia świata. Zrobię to, omawiając świetny artykuł autorstwa Simone Cerreia-Vioglio, @UncertainLars, Fabio Maccheroni i Massimo Marinacci, „Podejmowanie decyzji w warunkach błędnej specyfikacji modelu”, opublikowany w Review of Economic Studies kilka miesięcy temu. Wyobraź sobie, że chcę pojechać z UC San Diego do UCLA, ale nigdy wcześniej nie jechałem tą trasą. Muszę zbudować „model świata”, który mnie poprowadzi, co zwykle nazywamy mapą. Mapy są uproszczonymi reprezentacjami rzeczywistości. Nie mogą zawierać każdego szczegółu, jeśli mają być użyteczne. Borges w swoim opowiadaniu O dokładności w nauce pięknie to podkreśla. (W praktyce nie rysuję mapy sam—używam aplikacji—ale ktoś musiał ją stworzyć.) Ponieważ mapy upraszczają, nie mogę w pełni na nich polegać. Może wczorajsza burza powaliła drzewo i zamknęła ulicę, albo trwają prace budowlane i zjazd z autostrady w LA jest zamknięty. Ta niepewność ma znaczenie. Załóżmy, że jadę do UCLA na ważne wystąpienie o 11:00. Jeśli zjazd jest zamknięty, mogę potrzebować dodatkowych 15 minut. Kiedy powinienem ustawić budzik, aby przyjechać na czas, a jednocześnie wyspać się na dobre wystąpienie? Problem polega na tym, że nie mogę przypisać precyzyjnych prawdopodobieństw wszystkim tym okolicznościom. Jak prawdopodobne jest powalone drzewo? A nowe prace drogowe? Nawet najlepsze aplikacje do ruchu nie mogą uchwycić każdego zakłócenia, a niektóre mogą się zdarzyć po tym, jak już wyjechałem. W terminach ekonomicznych, mój „model świata” (mapa) jest błędnie określony—i niezależnie od tego, jak bardzo się staram, nie mogę tego w pełni naprawić. Ale siedzenie i płakanie z powodu błędnej specyfikacji nie odpowiada na moje podstawowe pytanie: kiedy ustawić budzik? Za wcześnie, a będę wyczerpany. Za późno, a spóźnię się. Simone i jego współautorzy oferują sposób myślenia o tym. Zaczynają od pomysłu, że często posiadamy kilka uporządkowanych modeli zjawiska ekonomicznego, opartych na teorii. Na przykład, bank centralny może używać standardowego modelu nowej keynesowskiej i modelu wyszukiwania i dopasowywania pieniędzy. Jednak, zdając sobie sprawę, że każdy model jest z definicji błędnie określony, bank dodaje ochronny pas nieuporządkowanych modeli—konstrukcji statystycznych, które pomagają mu ocenić konsekwencje błędnej specyfikacji. Piękno tego artykułu polega na tym, że dostarcza aksjomatycznej podstawy dla tego ochronnego pasa (a nawet uogólnia go, aby uwzględnić podejście bayesowskie). Pokazuje, że jeśli preferencje decydenta spełniają określone warunki—odzwierciedlające zarówno racjonalne, jak i behawioralne cechy—wówczas te preferencje mogą być reprezentowane przez rozszerzoną funkcję użyteczności, która formalnie uwzględnia błędną specyfikację. Kluczowe jest to, że nie zakładamy tej rozszerzonej funkcji użyteczności; wyprowadzamy ją. Zaczynamy od ogólnych, wiarygodnych właściwości preferencji i udowadniamy, że implikują one taką reprezentację. To prawdziwy postęp. Zamiast pisać nieskończone krytyki oczekiwanej użyteczności lub racjonalnych oczekiwań (jak wielu robiło przez dekady, z niewielkimi efektami), mamy teraz formalny sposób myślenia o błędnej specyfikacji—precyzyjne definicje, wyraźne granice ważności i świadomość tego, czego wciąż nie wiemy. Weźmy na przykład genialnego studenta z Pennu, który jest na rynku pracy, Alfonso Maselli. Jego praca na rynku pracy przesuwa tę granicę dalej. Bada przypadki, w których decydent nie tylko staje w obliczu błędnej specyfikacji modelu, ale także nie jest pewien, który model najlepiej pasuje do danych i nie może przypisać im prawdopodobieństw—co nazywamy niepewnością modelu. W moim przykładzie, bank centralny nie jest pewien, czy nowa keynesowska czy model wyszukiwania i dopasowywania lepiej pasuje, i obawia się, że oba mogą być błędne. Jeśli przeczytasz artykuł Simone et al. lub artykuł Alfonso, zobaczysz, jak mylne—i, szczerze mówiąc, karykaturalne—były wiele z ostatnich krytyk ekonomii na X. ...