Economics of Biased Estimation

Tato práce zkoumá optimalitu heuristické tvorby predikcí. Heuristiky lze dle Gigerezera a Goldsteina (2009) chápat jako predikční pravidla, která svou jednoduchostí využívají trade-off mezi vychýlením a variabilitou. Ekonomičtí agenti učící se v kontextu tvorby racionálních očekávání (Marcet a Sargent 1989) ale naopak konstruují komplexní modely celé ekonomiky. Oba tyto přístupy lze vnímat jako optimální reakci na složitost predikční úlohy a dostupnost pozorování. Práce navrhuje jednoduché rozšíření modelu rozhodování za nejistoty, kde se užitek agentů odvíjí od správnosti jejich predikcí a kde je složitost modelu kontrolována regularizačním parametrem. Monte Carlo simulace ukazují, že ve složitých prostředích, ve kterých je k dispozici málo pozorování, je výhodné používat modely podobné heuristikám. V příhodnějších podmínkách jsou výhodnější modely nevychýlené.This thesis investigates optimality of heuristic forecasting. According to Goldstein a Gigerenzer (2009), heuristics can be viewed as predictive models, whose simplicity is exploiting the bias-variance trade-off. Economic agents learning in the context of rational expectations (Marcet a Sargent 1989) employ, on the contrary, complex models of the whole economy. Both of these approaches can be perceived as an optimal response complexity of the prediction task and availability of observations. This work introduces a straightforward extension to the standard model of decision making under uncertainty, where agents utility depends on accuracy of their predictions and where model complexity is moderated by regularization parameter. Results of Monte Carlo simulations reveal that in complicated environments, where few observations are at disposal, it is beneficial to construct simple models resembling heuristics. Unbiased models are preferred in more convenient conditions