Kaskady informacji: Kiedy racjonalne agenci ignorują to, co wiedzą

Kolejka, decyzja po decyzji

Załóżmy, że ludzie stoją w kolejce wybierając między dwiema restauracjami, A i B, jeden za drugim, a każdy z nich może zobaczyć, do której restauracji wszedli wszystkie osoby przed nimi. Każdy prywatnie otrzymuje niepewny wskaźnik dotyczący tego, która restauracja jest rzeczywiście lepsza — na przykład słyszał recenzję prawidłową 70% czasu — ale może również zobaczyć, do której restauracji wszedł każdy z wcześniejszych ludzi w kolejce. To jest sytuacja, którą formalizowali Sushil Bikhchandani, David Hirshleifer i Ivo Welch w 1992 roku jako cascade informacyjny, a model ten służy podstawie symulacji na tej stronie: jednostki decydujące się sekwencyjnie, każda z prywatnym niepewnym wskaźnikiem, obserwując tylko publiczne działania tych, którzy byli przed nimi — nigdy nie widząc ich prywatnych sygnałów.

Zaskakujący wynik polega na tym, że ta sytuacja nie powoduje powolnego odkrycia prawdy przez całą grupę. Zamiast tego, po tylko kilku decyzjach, kolejka zazwyczaj zamarza w jednomyślnym zgadzaniu się — czasem na prawidłową restaurację, czasem, z rzeczywistą prawdopodobieństwem, na błędną — i wszyscy po tym punkcie całkowicie ignorują własne dowody prywatne.

Dlaczego dwie kolejne decyzje mogą milczeć wszystkie kolejne

Mechanizm polega na pureszualnym aktualizowaniu Bayesa. Pierwsza osoba ma do dyspozycji tylko własny sygnał, więc go follows. Druga osoba widzi wybór pierwszej osoby i łączy go z własnym sygnałem — jeśli oba zgadzają się, to jest już słabej natury publiczne dowodzenie w sprawie jednego zrestauracji. Kluczowym momentem jest trzecia osoba: jeśli pierwsze dwie wybraly A, publiczny wynik już wskazuje na A o stopniu, który pojedynczy prywatny sygnał — nawet dość wiarygodny — nie może zmienić. Najlepsza decyzja Bayesa dla trzeciej osoby i każdej kolejnej jest skopiowanie wyboru A, niezależnie od własnego sygnału.

sygnał prywatny: poprawny z prawdopodobieństwem p > 0.5, niezależny między agentami prawdopodobieństwo a priori: P(A lepsza) = P(B lepsza) = 0.5 publiczny wynik: ilość wyborów A - ilość wyborów B reguła (symetryczna model dwubocznego cascade'a): razem, gdy moduł publicznego wyniku osiągnie wartość 2 w jednym kierunku, → prawdopodobieństwo posteriorne już przeważy na tym wyborze nad dowodem prywatnym, który mógłby go zmienić → Bayesowsko optymalna akcja: skopiowanie większościowego wyboru, zanegowanie własnego sygnału → cascade jest teraz samonoszący: ani się nie zasili, ani się nie osłabi, ponieważ żadne dodatkowe prywatne informacje nie zostaną odkryte Zauważ, co straciliśmy: od trzeciej osoby na przód, każda akcja nie dodaje nic nowego do ogólnej sytuacji, ponieważ wszyscy skopiowują, a nie zgłoszą. Dziesięć osób więcej w kolejce dodaje dziesięć identycznych głosów do publicznego wyniku, ale zero dodatkowych bitów niezależnego dowodu — cascade zaszedł na przeszkodzie proces uczenia się grupy, nawet jeśli kolejka nadal rosnie.

private signal:   correct with probability p > 0.5, independent across agents
prior belief:     P(A is better) = P(B is better) = 0.5
public tally:     count(A chosen) − count(B chosen)

rule (symmetric binary cascade model):
  once |public tally| reaches 2 in one direction
  → posterior already favours that option more than
    any single private signal could reverse
  → Bayes-optimal action: copy the majority, discard your own signal
  → the cascade is now self-sustaining: it neither strengthens nor
    weakens, because no further private information gets revealed

Kaskady nie są tą samą co nauka

Warto być precyzyjnym w definiowaniu, co kaskada informacji nie jest. Nie jest to proces grupowego zbliżania się do prawdy poprzez zbieranie dodatkowych dowodów — wymagałoby tego, aby każda nowa decyzja nadal przynosiła informacje, co kaskady jasno wyłącza. Jest to również szerszy zjawisko niż herding w ogólności: herding może wynikać z eksternalizacji nagród (zawsze lepiej, jeśli inni robią to samo, niezależnie od informacji) lub z obaw związanych z reputacją (menedzer skopiujący kolegów, aby uniknąć wyglądania głupio sam), podczas gdy pureszczysta kaskada informacyjna wynika jedynie z logiki wnioskowania o ukryte informacje na podstawie widocznych działań.

Najważniejszym celem kaskady informacyjnej jest jej słabość. Ponieważ aparat apparentnego zgody grupy opiera się na bardzo małym ilościowym stanie rzeczywistych informacji — w najprostszym modelu, tylko dwóch przypadkowych sygnałów, które się zgadzają — wystarczy nieco nowych dowodów, aby ją zranić. Jeden wiarygodny i silnie informacyjny publiczny sygnał, dotarły do grupy po setkach kopiujących już swoje działania, może przeważyć nad całą kaskadą i odwrócić zachowanie wszystkich prawie natychmiast. To dokładnie dlaczego kaskady w rynku finansowym, mody i adopcji technologii mogą odwracać się tak nagle: apparentna zgoda była nigdy nieco głębsza z punktu widzenia dowodów niż sugestia wielkości.

Gdzie to występuje poza laboratorium

Teoria była pierwotnie motywowana trudno wyjaśnionymi wzorami fadów, niedoborów podczas IPO i nagle nastąpiających zmian w praktyce medycznej. Ale ta sama logika powtarza się poza ekonomią i zachowanie społeczne: inwestorzy wprowadzani do aktiva przez wcześniejszych kupujących, niezależnie od własnych badań; obcy wybierają bardziej zatęsknione z dwóch sąsiadujących restauracji; wyborcy skupiają się na kandydatach, którzy pierwszymi pokazują się w przewodniku opinii publicznej jako liderzy; osoby dołączając do bankruchu spowodowanego kilkoma wcześniejszymi wypłatami, zamiast jakichkolwiek rzeczywistych wiadomości o stabilności banku. W każdym przypadku mechanizm jest taki sam — kolejne decyzje, publiczne działania na podstawie prywatnych informacji, a następnie punkt przegięcia po którym kopia zastępuje niezależny rozsąd.

Często zadawane pytania

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Information Cascades & Herding — Bayesian Sequential Choice i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.