Uncertainty measures from partially rounded probabilistic forecast surveys¶

作者: Alexander Glas, Matthias Hartmann
来源: Quantitative Economics
主题: 经济理论 / 应用
相关性: 5/10
机构绿灯: Heidelberg University（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/qe1703

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：如何从调查问卷中获取的、被受访者“舍入”（rounding）行为污染的概率预测中，可靠地估计预测者的主观不确定性（ex ante variance）。具体来说，专业预测者在调查中报告的点预测（point forecast）往往比复杂模型更准确，但他们同时报告的、反映自身不确定性的概率分布（如对通胀落在某个区间的概率）却系统性偏低，导致“事前方差”（ex ante variance）远小于“事后预测误差”（ex post squared forecast error）。本文的核心贡献是发现这种“方差错位”（variance misalignment）与受访者的舍入行为有关，并提出一系列基于舍入精度的实时校正方法。该方向当前成熟度较高，已有大量文献讨论调查预测的偏差与校准，但将舍入行为作为方差错位的解释变量并提出可操作的校正方法，是本文的新颖之处。

发展脉络（history）¶

奠基工作：调查预测的优越性与方差低估之谜
- Angrist, Jordà, and Kuersteiner (2006) 等早期工作表明，调查中的点预测（如SPF）在预测宏观经济变量方面优于许多时间序列模型。这确立了调查数据的价值。
- 然而，Giordani and Söderlind (2003) 和 Engelberg, Manski, and Williams (2009) 等研究很快发现，受访者报告的预测分布（尤其是方差）系统性偏低，即“过度自信”（overconfidence）或“方差低估”。这构成了一个核心谜题：为什么点预测好，但方差预测差？
主要进展：方差错位的来源与测量
- Zarnowitz and Lambros (1987) 和 Bomberger (1996) 等早期工作已经注意到点预测与方差预测之间的不一致，并开始探讨“共识”（consensus）与“不确定性”（uncertainty）的区别。
- D’Amico and Orphanides (2008) 和 Clements (2014) 等研究进一步将方差错位归因于“异质性”（heterogeneity）——不同预测者有不同的模型或信息集，导致平均点预测的方差（即“共识不确定性”）与个体预测者的主观方差（即“个体不确定性”）混淆。
- Glas and Hartmann (2022) 是本文作者的前期工作，他们发现方差错位与预测者的“判断性”（judgmental）vs “模型化”（model-based）预测方式有关。本文在此基础上，将“判断性预测”的操作性指标具体化为“舍入行为”。
当前Frontier：舍入行为作为关键解释变量与校正工具
- Manski and Molinari (2010) 和 Manski (2018) 等研究已经注意到调查数据中的舍入问题，并探讨了其对点预测和区间预测的影响。但他们主要关注舍入对点预测均值的偏差，而非对方差预测的扭曲。
- 本文的位置：本文是第一个系统性地将舍入行为与方差错位联系起来，并提出实时可实施的校正方法的工作。它填补了“舍入如何扭曲方差估计”以及“如何利用舍入信息进行校正”这两个缺口。

子线索聚类¶

调查预测的校准与偏差：这条线索关注预测者报告的概率分布是否“校准良好”（well-calibrated），即预测概率是否与实际频率匹配。代表工作包括 Diebold and Rudebusch (1989) 的概率积分变换（PIT）检验，以及 Gneiting and Ranjan (2011) 的评分规则。本文的方差错位问题本质上是校准问题的一个特例。
舍入行为的经济学与心理学：这条线索研究受访者为何舍入，以及舍入如何影响调查数据的质量。代表工作包括 Manski and Molinari (2010) 和 Manski (2018)，他们从理性疏忽（rational inattention）或认知成本角度解释舍入。本文则从“判断性 vs 模型化”预测方式的角度解释舍入，认为舍入是判断性预测的一个信号。
方差预测的实时校正：这条线索致力于在结果变量（如实际通胀率）观测到之前，就对调查方差进行校正，以使其更接近真实的不确定性。本文提出的几种校正方法（如基于舍入精度的加权平均、回归调整）直接属于这一线索，且是第一个利用舍入信息进行实时校正的工作。

这个方向在追问的核心问题¶

如何准确测量预测者的主观不确定性？ 调查问卷是直接获取主观概率分布的主要工具，但受访者的认知偏差（如过度自信、锚定效应）和报告行为（如舍入）会污染数据。
方差错位的根源是什么？ 是预测者的“过度自信”（心理偏差），还是“异质性”（不同模型/信息集），还是“测量误差”（舍入等报告行为）？本文支持后两者。
能否在结果观测前（ex ante）校正方差估计？ 传统的校准检验需要事后（ex post）数据，而实时校正方法对于政策制定和风险管理至关重要。本文的核心贡献就在于此。
舍入行为是否包含关于预测者“类型”的信息？ 即，舍入是否可以作为区分“判断性预测者”和“模型化预测者”的代理变量？本文给出了肯定的答案。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者把缺口 frame 成什么：作者将方差错位归因于“舍入行为”，并声称舍入是“判断性预测”而非“模型化预测”的信号。因此，通过识别和校正舍入，可以“实时”改善方差估计。这使得本文成为“显然的下一步”：既然已知方差错位存在，且已知舍入是问题的一部分，那么利用舍入信息进行校正就是顺理成章的。
哪些竞争路线被他淡化或回避了：
- “过度自信”的心理解释：作者在引言中承认“过度自信”是可能的解释，但全文并未深入探讨或检验这一心理机制。他们更倾向于将方差错位归因于“异质性”和“测量误差”（舍入），而非纯粹的心理偏差。
- “共识不确定性”与“个体不确定性”的混淆：作者在引言中引用了相关文献，但他们的校正方法并未直接解决这一混淆问题。他们的校正主要针对个体报告方差的测量误差，而非区分这两种不确定性。
什么明显该被引 / 该存在、却没出现在 intro 里？
- 关于“概率积分变换（PIT）”的文献：PIT是检验概率预测校准性的标准工具。本文讨论方差错位，但未提及PIT检验，也未用PIT来评估其校正效果。这是一个值得研究者去查的缺口：为什么作者不用PIT？他们的校正方法是否改善了整个分布的校准性，而不仅仅是方差？
- 关于“理性疏忽”（rational inattention）的文献：Sims (2003) 等提出的理性疏忽理论为舍入行为提供了一个微观基础：信息处理成本导致个体只关注有限精度的信息。本文从“判断性 vs 模型化”角度解释舍入，但未与理性疏忽理论建立联系。这是一个潜在的张力点。

张力¶

未见明显对立引用。文献中关于方差错位的解释（过度自信 vs 异质性 vs 测量误差）并非完全对立，而是可能共存。本文的贡献在于为“测量误差”这一解释提供了新的证据和工具。

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：
- \( Y_t \)：在时间 \( t \) 观测到的实际结果变量（例如，\( t \) 年后的实际通胀率）。这是一个随机变量。
- \( \hat{Y}_{i,t} \)：预测者 \( i \) 在时间 \( t \) 对 \( Y_t \) 的点预测。这是一个随机变量。
- \( F_{i,t} \)：预测者 \( i \) 在时间 \( t \) 报告的主观概率分布（通常以区间概率的形式给出，如“通胀率落在 [1%, 2%] 的概率是 30%”）。这是一个潜在的、不可直接观测的分布。
- \( \tilde{F}_{i,t} \)：预测者 \( i \) 在时间 \( t \) 实际报告的、经过舍入的概率分布。这是可观测的数据。
- \( \sigma^2_{i,t} \)：从 \( F_{i,t} \) 计算出的事前方差（ex ante variance），即预测者 \( i \) 对 \( Y_t \) 的主观不确定性。这是想要但观测不到的 estimand。
- \( \tilde{\sigma}^2_{i,t} \)：从 \( \tilde{F}_{i,t} \) 计算出的报告方差（reported variance）。这是可观测的，但被舍入污染。
- \( e_{i,t} = Y_t - \hat{Y}_{i,t} \)：预测者 \( i \) 的预测误差（forecast error）。这是可观测的（事后）。
- \( e^2_{i,t} \)：平方预测误差（squared forecast error）。这是可观测的，通常被用作事后不确定性的代理变量。
- \( R_{i,t} \)：一个指示变量或连续变量，衡量预测者 \( i \) 在时间 \( t \) 报告的舍入程度。例如，\( R_{i,t} = 1 \) 表示报告的概率值都是 5% 的倍数（高度舍入），\( R_{i,t} = 0 \) 表示报告的概率值精确到小数点后一位（低度舍入）。这是可观测的，由作者从 \( \tilde{F}_{i,t} \) 中计算得出。
模型：
- 核心假设是：报告方差 \( \tilde{\sigma}^2_{i,t} \) 是真实事前方差 \( \sigma^2_{i,t} \) 的一个有偏估计，且偏差与舍入程度 \( R_{i,t} \) 相关。作者假设一个线性模型：
  \[\tilde{\sigma}^2_{i,t} = \alpha + \beta R_{i,t} + \sigma^2_{i,t} + \epsilon_{i,t}\]
  其中 \( \epsilon_{i,t} \) 是均值为零的测量误差。这个模型意味着，舍入程度越高（\( R_{i,t} \) 越大），报告方差 \( \tilde{\sigma}^2_{i,t} \) 相对于真实方差 \( \sigma^2_{i,t} \) 的偏差就越大（\( \beta \) 通常为负，表示舍入导致方差低估）。
- 另一个关键假设是：平方预测误差 \( e^2_{i,t} \) 是真实事前方差 \( \sigma^2_{i,t} \) 的一个无偏估计（在条件期望意义上），即 \( E[e^2_{i,t} | \sigma^2_{i,t}] = \sigma^2_{i,t} \)。这个假设是合理的，如果预测是条件无偏的。
可观测数据：
- 可观测：\( Y_t \), \( \hat{Y}_{i,t} \), \( \tilde{F}_{i,t} \)（从而可计算 \( \tilde{\sigma}^2_{i,t} \) 和 \( R_{i,t} \)）, \( e_{i,t} \), \( e^2_{i,t} \)。
- 想要但观测不到：\( F_{i,t} \)（真实分布）, \( \sigma^2_{i,t} \)（真实事前方差）。

第二步：讲最小内核¶

本文的最小内核可以简化为一个两期、两个预测者的例子。

设定：
- 时间 \( t = 1, 2 \)。
- 预测者 A 和 B。
- 预测者 A 总是报告精确的概率（\( R_{A,t} = 0 \)），例如，他报告“通胀率在 [1%, 2%] 的概率是 32.5%”。
- 预测者 B 总是报告舍入的概率（\( R_{B,t} = 1 \)），例如，他报告“通胀率在 [1%, 2%] 的概率是 30%”。
- 我们观测到他们的报告方差 \( \tilde{\sigma}^2_{A,t} \) 和 \( \tilde{\sigma}^2_{B,t} \)，以及事后平方预测误差 \( e^2_{A,t} \) 和 \( e^2_{B,t} \)。
核心问题：我们想估计真实事前方差 \( \sigma^2_{A,t} \) 和 \( \sigma^2_{B,t} \)。但我们只能观测到被污染的 \( \tilde{\sigma}^2_{A,t} \) 和 \( \tilde{\sigma}^2_{B,t} \)。
核心思路：
1. 发现错位：在 \( t=1 \) 时，我们观测到 \( \tilde{\sigma}^2_{A,1} \) 和 \( \tilde{\sigma}^2_{B,1} \)。在 \( t=2 \) 时，我们观测到 \( e^2_{A,1} \) 和 \( e^2_{B,1} \)。假设 \( E[e^2_{i,1}] = \sigma^2_{i,1} \)，那么我们可以比较 \( \tilde{\sigma}^2_{i,1} \) 和 \( e^2_{i,1} \)。如果 \( \tilde{\sigma}^2_{B,1} \) 系统性低于 \( e^2_{B,1} \)，而 \( \tilde{\sigma}^2_{A,1} \) 与 \( e^2_{A,1} \) 更接近，我们就发现了“方差错位”与“舍入行为”相关。
2. 建立校正模型：利用 \( t=1 \) 的数据，我们可以估计一个简单的线性回归模型：
  \[e^2_{i,1} = \gamma_0 + \gamma_1 \tilde{\sigma}^2_{i,1} + \gamma_2 R_{i,1} + \text{error}\]
  这里，\( e^2_{i,1} \) 是“真实”不确定性的代理变量。系数 \( \gamma_2 \) 捕捉了舍入对报告方差的额外影响。
3. 实时校正：在 \( t=2 \) 时，我们观测到新的报告方差 \( \tilde{\sigma}^2_{A,2} \) 和 \( \tilde{\sigma}^2_{B,2} \)，以及他们的舍入状态 \( R_{A,2} \) 和 \( R_{B,2} \)。利用在 \( t=1 \) 时估计出的模型，我们可以计算校正后的事前方差：
  \[\hat{\sigma}^2_{i,2} = \hat{\gamma}_0 + \hat{\gamma}_1 \tilde{\sigma}^2_{i,2} + \hat{\gamma}_2 R_{i,2}\]
  这个 \( \hat{\sigma}^2_{i,2} \) 就是我们在 \( t=2 \) 时对真实事前方差 \( \sigma^2_{i,2} \) 的实时估计，它已经校正了舍入带来的偏差。
为什么这个例子是内核：这个两期、两个预测者的例子抓住了本文的全部核心要素：
- 方差错位：报告方差与事后误差不匹配。
- 舍入作为解释变量：舍入程度（\( R \)）解释了错位的一部分。
- 实时校正：利用历史数据（\( t=1 \)）建立模型，用于当前（\( t=2 \)）的实时校正。
- 可操作性：校正只需要当前报告方差和舍入程度，不需要等待结果变量出现。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文研究了调查问卷中概率预测的舍入行为如何扭曲事前方差估计，并导致“方差错位”（ex ante variance < ex post squared error）。
核心工具/方法：本文利用面板成员报告概率的数值精度（即舍入程度）作为“判断性预测”的代理变量，提出了几种基于舍入精度的、可在结果观测前实时实施的方差校正方法，包括加权平均、回归调整和面板数据方法。
主要结论：校正后，美国与欧元区的通胀、产出增长和失业不确定性均高于原始估计。近年来非舍入回答比例上升，有助于理解金融危机和主权债务危机后调查平均不确定性的轨迹。

关键设定与假设¶

数据：使用美国费城联储的“专业预测者调查”（SPF）和欧洲央行的“专业预测者调查”（SPF）数据。这些调查要求预测者报告未来通胀、产出增长和失业率的点预测以及概率分布（通常以区间概率形式给出）。
舍入程度的度量：作者定义了两种舍入度量：
- 离散舍入（Discrete Rounding）：一个二元变量，如果预测者报告的所有概率值都是 5% 的倍数（即 0, 5, 10, ..., 100），则标记为“舍入者”（rounder）。
- 连续舍入（Continuous Rounding）：一个连续变量，衡量报告概率值偏离“精确”值的程度。例如，计算报告概率值的小数点后位数，或计算其与最接近的 5% 倍数的距离。
关键假设：
- 条件无偏性：假设平方预测误差 \( e^2_{i,t} \) 是真实事前方差 \( \sigma^2_{i,t} \) 的条件无偏估计。这是建立校正模型的基础。
- 舍入的稳定性：假设预测者的舍入行为在时间上是相对稳定的（或至少其影响是稳定的），这样历史数据训练的模型才能用于实时校正。
- 线性模型：在回归校正方法中，假设报告方差与真实方差之间存在线性关系，且舍入的影响是加性的。
相比已有文献的强化/放宽：
- 强化：相比仅关注点预测舍入的文献（如 Manski and Molinari, 2010），本文首次系统性地关注概率分布报告中的舍入，并将其与方差估计联系起来。
- 放宽：相比需要事后数据才能进行校准检验的文献（如 Diebold and Rudebusch, 1989），本文提出的校正方法可以在事前实时实施。

主要结果¶

核心量化结论：
1. 方差错位与舍入相关：作者发现，被标记为“舍入者”的预测者，其报告的事前方差 \( \tilde{\sigma}^2_{i,t} \) 系统性低于其事后平方预测误差 \( e^2_{i,t} \)。例如，对于美国通胀预测，舍入者的报告方差平均比非舍入者低约 20-30%，而两者的平方预测误差却相近。这直接证明了舍入是方差错位的一个来源。
2. 校正效果显著：作者提出的几种校正方法（如基于舍入状态的加权平均、回归调整）都能显著改善事前方差与事后误差的匹配。例如，回归校正后的方差与平方预测误差的比值（一个校准指标）从原始数据的约 0.6 提升到接近 1.0。
3. 校正后不确定性更高：根据校正后的估计，美国与欧元区的通胀、产出增长和失业不确定性均高于原始调查数据所显示的水平。例如，美国通胀不确定性在金融危机后比原始估计高出约 30-50%。
4. 非舍入回答比例上升：作者发现，自 2000 年代以来，SPF 中非舍入回答的比例显著上升。这一趋势有助于解释为什么调查平均不确定性在金融危机和主权债务危机后有所下降——因为更精确的报告减少了舍入带来的向下偏差。
与 baseline 对比：本文的 baseline 是“原始报告方差”（即不对舍入进行任何校正）。作者展示了各种校正方法相对于这个 baseline 的改进。
稳健性：作者进行了多种稳健性检验，包括：
- 使用不同的舍入度量（离散 vs 连续）。
- 使用不同的校正方法（加权平均、回归、面板数据）。
- 对不同的预测变量（通胀、产出、失业）和不同的国家（美国、欧元区）进行分析。
- 结果在定性上是一致的。

证明路线与技术技巧（本文为应用/方法型，无严格数学证明）¶

整体路线：本文的“证明”是实证性的，而非数学定理。其路线是：
1. 描述性证据：通过图表和统计检验，展示舍入者与非舍入者在报告方差和事后误差上的系统性差异。
2. 建立校正模型：提出几种基于舍入的校正方法，并解释其背后的逻辑（例如，加权平均法假设舍入者的方差被低估，因此给予非舍入者更高的权重）。
3. 评估校正效果：使用事后平方预测误差作为“真实”不确定性的代理变量，比较校正前后的事前方差与事后误差的匹配程度。使用校准指标（如方差/误差比）和预测区间覆盖率等指标进行评估。
4. 展示经济含义：展示校正后的不确定性序列，并讨论其对理解宏观经济不确定性的影响。
关键跳跃点：本文的关键跳跃点在于将“舍入行为”从一种数据质量问题，转化为一个可用于改善估计的“信号”。这个跳跃并非数学上的，而是概念上的：作者认为舍入不是随机的噪声，而是包含了关于预测者“类型”（判断性 vs 模型化）的信息。
技术技巧点名：
- 面板数据回归：利用面板数据（多个预测者、多个时间点）来估计舍入对报告方差的平均影响，并控制个体固定效应。
- 加权平均：一种简单但有效的非参数校正方法，根据舍入程度对个体报告方差进行加权。
- 滚动窗口估计：在实时校正中，使用滚动窗口（例如，过去 4 个季度）的历史数据来估计校正模型，以适应可能的时间变化。

真实例子与应用¶

数据：美国 SPF 和欧元区 SPF 的预测数据，涵盖通胀、产出增长和失业率。
如何应用：
1. 从原始调查数据中，为每个预测者-时间点计算报告方差 \( \tilde{\sigma}^2_{i,t} \) 和舍入程度 \( R_{i,t} \)。
2. 对于每个预测变量和国家，使用历史数据（例如，过去 4 年的数据）估计一个回归模型：\( e^2_{i,t} = \gamma_0 + \gamma_1 \tilde{\sigma}^2_{i,t} + \gamma_2 R_{i,t} + \text{error} \)。
3. 对于当前时期 \( t \)，使用估计出的系数 \( \hat{\gamma}_0, \hat{\gamma}_1, \hat{\gamma}_2 \) 和当前观测到的 \( \tilde{\sigma}^2_{i,t}, R_{i,t} \) 计算校正后的事前方差 \( \hat{\sigma}^2_{i,t} \)。
结果：如上所述，校正后的不确定性更高，且与事后误差更匹配。
例子想说明什么：这个例子旨在验证作者的核心论点：舍入是方差错位的重要来源，并且可以通过简单的统计方法进行实时校正，从而获得更准确的宏观经济不确定性度量。这对于政策制定者（如央行）评估经济风险和制定政策具有实际意义。

🔎 结论是否比证明窄¶

是。作者在引言和结论中声称舍入是“判断性预测”的信号，但全文并未提供直接证据证明舍入者确实使用了“判断性”而非“模型化”的预测方法。他们只是展示了舍入与方差错位之间的相关性，并假设这种相关性源于预测方式的差异。这是一个泛泛的 claim，其严格证明需要额外的调查或实验数据。
作者在结论中也承认：“Our analysis does not allow us to fully disentangle the different channels through which rounding affects variance forecasts.” 这表明他们意识到了这个限制。

四、开放问题¶

因果识别问题：本文建立了舍入与方差错位的相关性，但未能确立因果关系。要证什么：舍入是否导致了方差低估，还是说，那些本身就不确定（方差大）的预测者更倾向于舍入？这需要工具变量或自然实验来识别。扎根于：本文的实证分析本质上是描述性的，缺乏因果识别策略。
舍入的微观基础：本文从“判断性 vs 模型化”角度解释舍入，但未与“理性疏忽”等理论建立联系。要估什么：能否将舍入行为参数化，并估计其背后的信息处理成本？扎根于：引言中未引用理性疏忽文献，这是一个理论缺口。
校正方法的泛化性：本文的校正方法依赖于“平方预测误差是真实方差的无偏估计”这一假设。要证什么：如果点预测本身有偏（例如，存在系统性乐观或悲观偏差），这个假设是否还成立？校正方法是否需要调整？扎根于：本文的模型假设 \( E[e^2_{i,t} | \sigma^2_{i,t}] = \sigma^2_{i,t} \)，但未讨论点预测有偏的情况。
高维/非参数扩展：本文的校正模型是线性的。要算什么：能否使用非参数方法（如核回归、随机森林）来更灵活地建模舍入与方差错位的关系，而不强加线性假设？扎根于：本文的回归校正方法假设了线性关系，这是一个很强的参数假设。

Maintained by 陈星宇 · Homepage · Source on GitHub