Behavioral learning equilibria in New Keynesian models¶

作者: Cars Hommes, Kostas Mavromatis, Tolga Özden, Mei Zhu
来源: Quantitative Economics
主题: 经济理论 / 应用
相关性: 4/10
机构绿灯: University of Amsterdam（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/qe1533

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的核心问题是：在宏观经济学（特别是新凯恩斯DSGE模型）中，当代理人（agents）是有限理性（boundedly rational）而非完全理性时，均衡如何定义、如何估计、以及其与理性预期均衡（REE）在实证和政策上的差异。这个子方向属于行为宏观经济学（Behavioral Macroeconomics），其根本的统计/科学问题是：如何用可观测的宏观时间序列数据（如通胀、产出、利率）来区分和估计不同的预期形成机制（理性 vs. 有限理性），并评估其对政策设计的影响。当前成熟度：这是一个活跃但仍在发展的领域，实证方法（特别是将行为模型与DSGE模型结合进行贝叶斯估计）是当前的前沿。

发展脉络（history）¶

根据本文的引言和参考文献，该领域的发展脉络如下：

奠基工作：理性预期均衡（REE）与学习模型
- Lucas (1976) 和 Sargent (1989) 奠定了理性预期（RE）在宏观经济学中的核心地位，认为代理人知道真实经济结构并形成无偏预期。这是所有后续工作的基准。
- Evans and Honkapohja (2001) 是学习宏观经济学（Learning in Macroeconomics）的里程碑著作。他们系统性地研究了适应性学习（adaptive learning），即代理人像计量经济学家一样，根据过去数据更新其预测模型（如使用递归最小二乘法）。这为有限理性预期提供了第一个严谨的数学框架。本文将其视为“常数增益学习”（constant gain learning）的代表，并作为主要比较对象。
主要进展：行为学习均衡（BLE）的提出
- Hommes (2011) 和 Hommes and Zhu (2014) 是本文的直接前身。他们提出了行为学习均衡（BLE） 的概念，但最初是在单变量（univariate）线性框架下。核心思想是：代理人使用一个简单的、最优的AR(1)预测规则，该规则的参数（截距和自回归系数）必须与由该规则自身产生的数据的样本均值和样本自相关一致（consistent）。这形成了一个固定点问题。
- Hommes and Zhu (2014) 在单变量框架下证明了BLE的存在性和唯一性条件，并展示了其与REE和常数增益学习的区别。本文的核心贡献是将BLE从单变量推广到多变量（multivariate）线性框架，并应用于标准的三方程新凯恩斯模型和更复杂的Smets-Wouters (2007)模型。
当前Frontier与本文位置
- Smets and Wouters (2007) 是当代宏观经济学中估计DSGE模型的典范工作，它假设理性预期。本文直接挑战了这一假设，将BLE嵌入到该模型中，并开发了一套估计方法。
- 本文的位置：它处于“将行为宏观模型（BLE）与主流实证宏观模型（DSGE）进行系统整合”的前沿。它不仅仅是理论上的推广，更是实证上的应用，通过“赛马”（horse race）比较了REE、BLE和常数增益学习在拟合真实数据（特别是通胀预期调查数据）上的表现。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索一：理性预期与DSGE估计
- 做什么：假设代理人完全理性，使用全信息最大似然或贝叶斯方法（如Smets and Wouters, 2007）估计DSGE模型。这是宏观经济学的主流范式。
- 代表工作：Lucas (1976), Sargent (1989), Smets and Wouters (2007)。
- 本文与它的关系：本文将其作为基准（benchmark）进行对比，试图证明有限理性模型（BLE）能提供更好的拟合。
线索二：有限理性与学习模型
- 做什么：放松理性预期假设，研究代理人如何通过某种学习机制形成预期。这包括适应性学习（Evans and Honkapohja, 2001）和行为学习均衡（Hommes, 2011; Hommes and Zhu, 2014）。
- 代表工作：Evans and Honkapohja (2001), Hommes (2011), Hommes and Zhu (2014)。
- 本文与它的关系：本文是这条线索的直接延伸，将BLE从单变量推广到多变量DSGE框架，并提供了实证估计方法。

这个方向在追问的核心问题¶

识别问题：如何从宏观时间序列数据中，可靠地识别出代理人的预期形成机制（是理性、适应性学习、还是行为学习）？不同机制在数据上产生的可观测差异是什么？
均衡定义：当代理人使用简单、有偏的预测规则时，如何定义“均衡”？BLE通过“一致性条件”（预测规则参数与数据生成过程的样本矩一致）提供了一个答案。
政策评估：如果代理人是有限理性的，那么最优货币政策（如泰勒规则）的设计会如何改变？是否仍然需要“时间一致性”或“历史依赖性”？
实证比较：在拟合真实数据（特别是通胀预期调查数据）方面，哪种预期模型（REE, BLE, 常数增益学习）表现最好？BLE的“最优AR(1)信念”假设是否比常数增益学习更符合实际？

⚠️ 作者的 framing¶

作者的缺口框架：作者将缺口frame为“现有BLE理论局限于单变量框架，无法应用于主流的、多变量的DSGE模型”。因此，本文的贡献是“将BLE推广到多变量线性框架，并开发了针对Smets-Wouters模型的估计方法”，使其成为“显然的下一步”。
被淡化或回避的竞争路线：作者将常数增益学习（Evans and Honkapohja, 2001）作为主要竞争对手，并承认BLE与之“竞争力相当”。但作者淡化了常数增益学习在理论上的成熟度（其渐近性质已被广泛研究）和计算上的简便性。作者强调BLE的“最优AR(1)信念”假设更符合心理学证据（代理人倾向于使用简单规则），但这并非一个严格的统计优势。
什么明显该被引/该存在、却没出现在intro里？：本文没有引用任何关于贝叶斯学习（Bayesian learning）或理性疏忽（rational inattention）的文献。这些也是有限理性的重要形式，且与BLE的“最优简单规则”思路有竞争关系。这是一个值得研究者去查的问题：为什么作者回避了这些路线？是因为它们与BLE的“非贝叶斯、基于样本矩”的设定不兼容，还是因为它们在DSGE估计中应用较少？

张力¶

未见明显对立引用。文献脉络是清晰的：REE是基准，适应性学习是第一个有限理性替代，BLE是更近期的、强调“最优简单规则”的替代。本文的工作是沿着BLE这条线向前推进。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \( \mathbf{x}_t \)：\( n \times 1 \) 的内生变量向量（endogenous variables），如通胀率 \( \pi_t \)、产出缺口 \( y_t \)、利率 \( i_t \)。这是模型的核心状态变量。
- \( \mathbf{u}_t \)：\( k \times 1 \) 的外生冲击向量（exogenous shocks），如技术冲击、货币政策冲击。通常假设为白噪声。
- \( \mathbf{\epsilon}_t \)：\( n \times 1 \) 的预期误差向量（expectational errors），定义为 \( \mathbf{\epsilon}_t = \mathbf{x}_t - \mathbb{E}_{t-1}^*[\mathbf{x}_t] \)，其中 \( \mathbb{E}_{t-1}^*[\cdot] \) 是代理人在 \( t-1 \) 期形成的主观预期（非理性预期）。
- \( \mathbf{a}_t \)：\( n \times 1 \) 的截距向量，是AR(1)预测规则中的常数项。
- \( \mathbf{B}_t \)：\( n \times n \) 的自回归系数矩阵，是AR(1)预测规则中的斜率矩阵。
- \( \mathbf{\mu} \)：\( n \times 1 \) 的样本均值向量，由数据 \( \mathbf{x}_t \) 计算得到。
- \( \mathbf{\Gamma} \)：\( n \times n \) 的样本自协方差矩阵（lag-1），由数据 \( \mathbf{x}_t \) 计算得到。
- \( \mathbf{\Sigma} \)：\( n \times n \) 的样本方差-协方差矩阵，由数据 \( \mathbf{x}_t \) 计算得到。
- \( \mathbf{\Omega} \)：\( n \times n \) 的预测误差方差-协方差矩阵，是BLE定义中的关键对象。
- \( \mathbf{T}, \mathbf{R}, \mathbf{Q} \)：DSGE模型的结构参数矩阵，定义了模型的线性状态空间形式。
模型：
- 数据生成过程（DGP）是一个多变量线性DSGE模型，可以写成状态空间形式：
  \[\mathbf{x}_t = \mathbf{T} \mathbb{E}_t^*[\mathbf{x}_{t+1}] + \mathbf{R} \mathbf{u}_t\]
  其中 \( \mathbb{E}_t^*[\mathbf{x}_{t+1}] \) 是代理人在 \( t \) 期对 \( t+1 \) 期状态的主观预期。这个方程是模型的核心，它描述了当前状态 \( \mathbf{x}_t \) 如何由对未来状态的预期 \( \mathbb{E}_t^*[\mathbf{x}_{t+1}] \) 和当前外生冲击 \( \mathbf{u}_t \) 决定。
- 代理人的预测模型（perceived law of motion, PLM）是一个AR(1)过程：
  \[\mathbf{x}_{t+1} = \mathbf{a} + \mathbf{B} \mathbf{x}_t + \mathbf{\eta}_{t+1}\]
  其中 \( \mathbf{\eta}_{t+1} \) 是预测误差。代理人认为状态变量遵循一个一阶向量自回归过程。
- 代理人的主观预期由这个AR(1)模型给出：
  \[\mathbb{E}_t^*[\mathbf{x}_{t+1}] = \mathbf{a} + \mathbf{B} \mathbf{x}_t\]
- 一致性条件（Consistency Condition）：在均衡中，代理人使用的AR(1)参数 \( (\mathbf{a}, \mathbf{B}) \) 必须与由该预期规则实际生成的数据 \( \mathbf{x}_t \) 的样本矩一致。具体来说，\( \mathbf{a} \) 和 \( \mathbf{B} \) 必须满足：
  \[\mathbf{a} = (\mathbf{I} - \mathbf{B}) \mathbf{\mu}\]
  
  \[\mathbf{B} = \mathbf{\Gamma} \mathbf{\Sigma}^{-1}\]
  其中 \( \mathbf{\mu}, \mathbf{\Gamma}, \mathbf{\Sigma} \) 是由DGP（即方程 \( \mathbf{x}_t = \mathbf{T}(\mathbf{a} + \mathbf{B} \mathbf{x}_t) + \mathbf{R} \mathbf{u}_t \)）生成的 \( \mathbf{x}_t \) 的样本矩。这形成了一个固定点问题：\( (\mathbf{a}, \mathbf{B}) \) 既是预测规则的参数，又是由该规则产生的数据的统计特征。
可观测数据：
- 研究者实际能观测到的是宏观时间序列数据 \( \{\mathbf{x}_t\}_{t=1}^T \)，例如美国的季度通胀率、产出缺口、联邦基金利率。
- 研究者想要但观测不到的是：
  1. 代理人的主观预期 \( \mathbb{E}_t^*[\mathbf{x}_{t+1}] \)。虽然有时有调查数据（如密歇根大学的通胀预期调查），但这些数据本身也有测量误差，且通常只覆盖部分变量（如通胀）。
  2. 代理人的预测模型参数 \( (\mathbf{a}, \mathbf{B}) \)。这些是模型的结构参数，需要被估计。
  3. 外生冲击 \( \mathbf{u}_t \)。这些是潜变量，需要通过滤波（如卡尔曼滤波）从观测数据中推断。

第二步：讲最小内核¶

本文的核心思路可以用一个单变量、无外生冲击、无截距的最简例子来理解。

最简特例：假设 \( n=1 \)（只有一个变量 \( x_t \)），\( \mathbf{R}=0 \)（无外生冲击），且 \( \mathbf{a}=0 \)（截距为零）。那么DSGE模型退化为：
\[x_t = T \mathbb{E}_t^*[x_{t+1}]\]
代理人的AR(1)预测规则退化为：
\[\mathbb{E}_t^*[x_{t+1}] = B x_t\]
代入DGP得：
\[x_t = T B x_t\]
这意味着，对于非零的 \( x_t \)，必须有 \( T B = 1 \)，即 \( B = 1/T \)。
一致性条件：在这个特例下，样本自协方差 \( \Gamma = \text{Cov}(x_t, x_{t-1}) \)，样本方差 \( \Sigma = \text{Var}(x_t) \)。一致性条件 \( B = \Gamma / \Sigma \) 就是样本自相关系数 \( \rho \)。因此，均衡要求：
\[B = \rho = \frac{1}{T}\]
这个等式定义了行为学习均衡（BLE）。
核心思路：
1. 代理人行为：代理人不是完全理性的（不知道 \( T \)），而是使用一个简单的AR(1)规则来预测未来。这个规则只有一个参数 \( B \)。
2. “最优”的含义：这个AR(1)规则是“最优”的，意思是它完美地捕捉了数据的样本自相关结构。也就是说，代理人选择的 \( B \) 恰好等于他观察到的数据的样本自相关系数 \( \rho \)。
3. 均衡的固定点：均衡不是由理性预期（\( B = 0 \) 或某个特定值）定义的，而是由自洽性定义的：代理人使用的预测规则（\( B \)）必须与由该规则产生的数据的统计特征（\( \rho \)）一致。在这个特例中，\( B = \rho = 1/T \)。
4. 与REE的对比：在理性预期下，代理人知道 \( T \)，因此 \( \mathbb{E}_t^*[x_{t+1}] = 0 \)（如果 \( T \) 使得模型有唯一解），从而 \( x_t = 0 \)。而在BLE中，由于代理人使用一个非零的 \( B \)，均衡可以产生非零的、自相关的波动。这解释了为什么BLE可能比REE更好地拟合实际数据（数据是有波动的）。
这个例子说明了什么：它揭示了BLE的本质——一个由“简单预测规则”和“数据样本矩”之间的固定点定义的均衡。它不依赖于代理人的完全理性，而是依赖于一个更弱的、基于统计学习的行为假设。这个特例虽然简单，但抓住了多变量BLE的核心数学困难：求解一个关于参数矩阵 \( \mathbf{B} \) 的固定点方程。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：将行为学习均衡（BLE）概念从单变量线性模型推广到多变量线性框架，并应用于新凯恩斯DSGE模型，以评估有限理性预期对模型拟合和货币政策设计的影响。
核心工具/方法：使用固定点理论定义多变量BLE，开发了基于贝叶斯估计（Metropolis-Hastings算法）和状态空间滤波（卡尔曼滤波）的估计方法，将BLE嵌入到Smets-Wouters (2007) 模型中。
主要结论：在拟合美国宏观数据（特别是通胀预期调查数据）方面，BLE模型优于理性预期（REE）基准，且与常数增益学习模型竞争力相当；在BLE下，最优泰勒规则具有历史依赖性，且所需的利率平滑程度低于REE。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

多变量线性DSGE模型：论文考虑一个标准的三方程新凯恩斯模型（IS曲线、菲利普斯曲线、泰勒规则），并将其写成状态空间形式：
\[\mathbf{x}_t = \mathbf{T} \mathbb{E}_t^*[\mathbf{x}_{t+1}] + \mathbf{R} \mathbf{u}_t\]
其中 \( \mathbf{x}_t = (\pi_t, y_t, i_t)' \)，\( \mathbf{u}_t \) 是外生冲击向量。这是模型的核心结构方程。
BLE的定义：一个多变量BLE是一个固定点 \( (\mathbf{a}, \mathbf{B}) \)，满足：
1. 预测规则：\( \mathbb{E}_t^*[\mathbf{x}_{t+1}] = \mathbf{a} + \mathbf{B} \mathbf{x}_t \)。
2. 一致性条件：\( \mathbf{a} = (\mathbf{I} - \mathbf{B}) \mathbf{\mu} \) 且 \( \mathbf{B} = \mathbf{\Gamma} \mathbf{\Sigma}^{-1} \)，其中 \( \mathbf{\mu}, \mathbf{\Gamma}, \mathbf{\Sigma} \) 是由DGP生成的 \( \mathbf{x}_t \) 的样本矩。
3. DGP：将预测规则代入结构方程，得到实际数据生成过程：
  \[\mathbf{x}_t = \mathbf{T}(\mathbf{a} + \mathbf{B} \mathbf{x}_t) + \mathbf{R} \mathbf{u}_t\]
  这可以重写为 \( \mathbf{x}_t = (\mathbf{I} - \mathbf{T}\mathbf{B})^{-1} (\mathbf{T}\mathbf{a} + \mathbf{R} \mathbf{u}_t) \)，前提是 \( (\mathbf{I} - \mathbf{T}\mathbf{B}) \) 可逆。
假设：
- 线性性：模型是线性的。这是BLE理论推导的基础。
- 平稳性：DGP生成的 \( \mathbf{x}_t \) 是协方差平稳的，因此样本矩 \( \mathbf{\mu}, \mathbf{\Gamma}, \mathbf{\Sigma} \) 存在且收敛到总体矩。
- 可逆性：\( (\mathbf{I} - \mathbf{T}\mathbf{B}) \) 是可逆的，以确保DGP有唯一解。
- 与已有文献的对比：相比Hommes and Zhu (2014) 的单变量设定，本文的主要放宽是允许 \( n > 1 \)，即多变量系统。相比Smets and Wouters (2007) 的REE设定，本文的主要强化是假设代理人使用AR(1)预测规则，而非理性预期。

主要结果¶

理论结果：
- 定理1（多变量BLE的存在性与唯一性）：在一定的条件下（主要是 \( \mathbf{T} \) 的谱半径小于1，且 \( \mathbf{B} \) 的谱半径也小于1），多变量BLE存在且唯一。这个定理将Hommes and Zhu (2014) 的单变量结果推广到了多变量情形。证明的关键是构造一个关于 \( \mathbf{B} \) 的压缩映射（contraction mapping），并应用巴拿赫不动点定理。
- 技术难点：证明多变量情形下的压缩映射性质比单变量复杂得多，需要处理矩阵的谱半径和范数。作者通过将一致性条件 \( \mathbf{B} = \mathbf{\Gamma} \mathbf{\Sigma}^{-1} \) 与DGP的矩条件结合，推导出一个关于 \( \mathbf{B} \) 的矩阵方程，并证明该方程的解是唯一的。
实证结果：
- 数据：使用美国1954Q3-2018Q4的季度数据，包括GDP、GDP平减指数、联邦基金利率，以及密歇根大学的短期通胀预期调查数据。
- 模型：估计了Smets-Wouters (2007) 模型的三个版本：REE、BLE、常数增益学习。
- 核心量化结论：
  1. 样本内拟合：BLE模型的边际似然（marginal likelihood）高于REE模型，表明BLE在拟合数据方面更好。BLE与常数增益学习模型的边际似然非常接近，难分伯仲。
  2. 样本外预测：BLE模型在预测通胀和产出方面，其均方根预测误差（RMSE）通常低于REE模型，与常数增益学习模型相当。
  3. 通胀预期拟合：当在估计中纳入通胀预期调查数据时，BLE模型（特别是其“样本自相关学习”版本）提供了最佳拟合，其预测的通胀预期与调查数据最为接近。这是本文最有力的实证发现。
- 政策应用：
  - 在BLE下，最优泰勒规则（最小化通胀和产出波动的损失函数）的系数具有历史依赖性，即最优规则依赖于当前的经济状态。而在REE下，最优规则是时间一致的。
  - BLE下的最优泰勒规则所需的利率平滑程度（interest rate smoothing）低于REE。这意味着，在有限理性下，央行不需要像在理性预期下那样缓慢地调整利率。

证明路线与技术技巧（理论型）¶

整体路线：
1. 定义映射：定义一个从预测规则参数 \( \mathbf{B} \) 到由该规则产生的数据的样本自相关矩阵 \( \mathbf{\Gamma} \mathbf{\Sigma}^{-1} \) 的映射 \( \Phi \)。
2. 推导矩条件：利用DGP \( \mathbf{x}_t = (\mathbf{I} - \mathbf{T}\mathbf{B})^{-1} (\mathbf{T}\mathbf{a} + \mathbf{R} \mathbf{u}_t) \)，推导出 \( \mathbf{x}_t \) 的方差-协方差矩阵 \( \mathbf{\Sigma} \) 和自协方差矩阵 \( \mathbf{\Gamma} \) 作为 \( \mathbf{B} \) 的函数。
3. 构造压缩映射：证明映射 \( \Phi \) 是一个压缩映射，即存在一个常数 \( 0 \le c < 1 \)，使得对于任意两个 \( \mathbf{B}_1, \mathbf{B}_2 \)，有 \( \|\Phi(\mathbf{B}_1) - \Phi(\mathbf{B}_2)\| \le c \|\mathbf{B}_1 - \mathbf{B}_2\| \)。
4. 应用不动点定理：根据巴拿赫不动点定理，压缩映射在完备度量空间中有唯一的不动点，这个不动点就是BLE的 \( \mathbf{B} \)。
关键跳跃点：证明 \( \Phi \) 是压缩映射。这需要将 \( \mathbf{\Gamma} \mathbf{\Sigma}^{-1} \) 表示为 \( \mathbf{B} \) 的复杂函数，并利用矩阵范数的性质（如谱半径的次可乘性）来放缩。作者的关键技巧是将问题转化为一个关于矩阵谱半径的方程，并利用 \( \mathbf{T} \) 的谱半径小于1的假设来保证压缩性。
技术技巧点名：
- 巴拿赫不动点定理：用于证明BLE的存在性和唯一性。
- 矩阵谱半径与范数：用于分析映射 \( \Phi \) 的压缩性质。
- 状态空间模型与卡尔曼滤波：用于计算似然函数，这是贝叶斯估计的基础。

真实例子与应用¶

用的什么数据/场景：美国宏观经济数据，包括GDP、通胀、利率，以及密歇根大学的通胀预期调查数据。场景是估计Smets-Wouters (2007) 模型。
怎么把本文方法用上去：作者将BLE的一致性条件作为先验信息（prior）或模型约束（model restriction）嵌入到DSGE模型的贝叶斯估计框架中。具体来说，在MCMC的每一步，给定参数 \( \mathbf{T}, \mathbf{R} \)，他们求解BLE的固定点 \( (\mathbf{a}, \mathbf{B}) \)，然后用卡尔曼滤波计算似然。
得到什么结果：见“主要结果”中的实证结果部分。
这个例子想说明什么：这个例子想说明两件事：
1. BLE是可行的：它不仅可以被理论定义，还可以被嵌入到复杂的、主流的DSGE模型中进行估计。
2. BLE是有用的：它在拟合数据（特别是通胀预期）方面优于REE，并且能产生与常数增益学习不同的政策含义。这为行为宏观经济学提供了实证支持。

🔎 结论是否比证明窄¶

窄的结论：论文严格证明的是多变量线性DSGE模型中BLE的存在性和唯一性。其结论的适用范围被限制在线性模型和AR(1)预测规则内。
泛泛的claim：作者在引言和结论中声称BLE“优于”REE，并暗示其“更符合实际”。然而，从实证结果看，BLE只是“优于”REE，但与常数增益学习“竞争力相当”。因此，“优于”的结论是有条件的（相对于REE），且不是压倒性的（与常数增益学习相比）。作者没有声称BLE在所有方面都优于常数增益学习，这是一个诚实的表述。
Conjecture：作者在政策应用部分提到，BLE下的最优泰勒规则具有“历史依赖性”。这个结论是基于特定模型和参数估计的，其一般性（是否在所有DSGE模型中都成立）是一个conjecture，需要进一步研究。

四、开放问题¶

非线性DSGE模型中的BLE：本文的理论和估计方法严格局限于线性模型。将BLE推广到非线性DSGE模型（如包含零利率下限、非线性菲利普斯曲线）是一个自然但困难的方向。这需要重新定义“样本矩”在非线性系统中的含义，并开发新的求解和估计方法。（扎根于：本文所有理论推导都基于线性状态空间形式。）
BLE与常数增益学习的理论比较：实证上两者“竞争力相当”，但理论上哪个更优？能否从渐近效率或minimax风险的角度，比较BLE（基于固定样本矩）和常数增益学习（基于递归更新）在估计预期方面的统计性质？这是一个纯粹的统计理论问题。（扎根于：实证结果中“BLE与常数增益学习模型竞争力相当”的结论。）
BLE的识别问题：在DSGE模型中，BLE的参数 \( (\mathbf{a}, \mathbf{B}) \) 是否可以被非参数地识别？即，是否可以不假设AR(1)形式，而直接从数据中识别出代理人的“最优简单预测规则”？这涉及到更一般的非参数预期形成模型。（扎根于：本文假设了AR(1)预测规则，这是一个很强的参数化假设。）
不同预测规则族下的BLE：本文假设代理人使用AR(1)规则。如果代理人使用更复杂的规则（如AR(2)、VAR(1)），BLE的定义和性质会如何变化？是否存在一个“最优”的规则族，使得BLE在某种意义下（如预测误差最小）是最优的？（扎根于：本文的“最优AR(1)信念”假设，以及作者在结论中提到的“未来研究可以考虑更一般的预测规则”。）

Maintained by 陈星宇 · Homepage · Source on GitHub