Dans l’ère actuelle de surabondance d’informations, les décideurs sont confrontés à un volume massif d’informations, dont toutes ne sont pas pertinentes pour la prise de décision. Pour mieux prendre des décisions optimales dans un environnement riche en informations, le modèle de rationalité inattentive (Rational Inattention, RI) a été introduit dans le domaine économique. L’idée centrale de ce modèle est que les décideurs doivent répartir leur attention en fonction de la « pertinence » des informations afin de réduire les coûts de traitement superflus. Cependant, le modèle RI traditionnel suppose que les décideurs s’appuient entièrement sur une distribution a priori subjective, une hypothèse qui peut présenter des écarts dans les applications pratiques, en particulier en présence d’incertitudes sur la distribution a priori.

Cet article vise à résoudre ce problème en proposant un modèle de rationalité inattentive robuste basé sur l’incertitude a priori (Robust Rational Inattention). En permettant aux décideurs d’avoir une aversion pour l’ambiguïté relative à la distribution a priori, les auteurs tentent de construire un cadre de décision plus robuste pour faire face aux éventuelles erreurs de spécification de la distribution a priori. Cette robustesse non seulement améliore la fiabilité des décisions, mais elle explique également mieux les comportements de décision dans la réalité.

Source de l’article

Cet article est le fruit de la collaboration entre Lars Peter Hansen, Jianjun Miao et Hao Xing. Lars Peter Hansen provient du département d’économie et de la Booth School of Business de l’Université de Chicago, Jianjun Miao de l’École d’économie de l’Université de Zhejiang et du département d’économie de l’Université de Boston, et Hao Xing du département de finance de la Questrom School of Business de l’Université de Boston. L’article a été publié le 7 février 2025 dans PNAS (Proceedings of the National Academy of Sciences of the United States of America), et il est accessible en libre accès.

Méthodologie de recherche

1. Configuration du modèle

Cette étude commence par construire un modèle statique de choix discrets, dont le cœur est l’acquisition d’information et l’optimisation des décisions en présence d’incertitudes. Plus précisément, l’objectif du décideur est de maximiser l’utilité attendue tout en tenant compte du coût d’acquisition d’informations. Le coût d’information est quantifié par l’information mutuelle de Shannon, tandis que les écarts de la distribution a priori sont mesurés par l’entropie relative.

2. Proposition du problème de rationalité inattentive robuste

Dans le modèle RI traditionnel, le décideur prend ses décisions en se basant sur une distribution a priori fixe. Cette étude relâche cette hypothèse en permettant au décideur d’explorer différentes distributions a priori et en introduisant un paramètre de robustesse pour contrôler le degré de pénalisation de l’écart de la distribution a priori par rapport à une distribution de référence. Plus précisément, l’étude propose un problème de signal RI robuste (Robust Signal RI Problem), où le décideur doit optimiser l’acquisition d’informations et la prise de décision dans le pire des cas.

3. Simplification et résolution du problème d’optimisation

Pour simplifier le problème, les chercheurs transforment le problème d’acquisition d’information et de décision en un problème d’optimisation basé sur les choix. En introduisant une distribution de probabilité conditionnelle, ils unifient le coût d’information et le problème de décision, puis utilisent des méthodes numériques pour résoudre le problème. En particulier, ils conçoivent un algorithme Arimoto-Blahut généralisé basé sur l’algorithme de descente de coordonnées par blocs (Block Coordinate Descent Algorithm) pour résoudre le problème RI robuste.

Résultats de la recherche

1. Caractéristiques de la décision robuste

L’étude montre que l’introduction du paramètre de robustesse incite le décideur à incliner la distribution a priori vers des directions plus prudentes ou pessimistes. Ce biais reflète la préoccupation du décideur face à l’incertitude de la distribution a priori, rendant ainsi la décision plus robuste. Spécifiquement, plus le paramètre de robustesse est petit, plus l’aversion du décideur pour l’ambiguïté est forte, ce qui agrandit l’ensemble des choix considérés et fait en sorte que le décideur prenne en compte plus d’options.

2. Résultats des expériences numériques

Grâce à des expériences numériques sur des problèmes de choix de consommateur et de décision d’investissement, les chercheurs ont vérifié l’impact du paramètre de robustesse sur la décision. Par exemple, dans le problème de choix de consommateur, plus le paramètre de robustesse est faible, plus l’ensemble des choix est grand, et le décideur considère plus d’options de produits. Dans le problème de décision d’investissement, l’ajustement du paramètre de robustesse influence significativement les préférences du décideur pour différentes options d’investissement.

Conclusion et valeur ajoutée

La contribution centrale de cette étude réside dans la proposition d’un modèle de rationalité inattentive robuste basé sur l’incertitude a priori, dont l’efficacité a été validée par des analyses théoriques et des expériences numériques. Ce modèle non seulement étend le cadre traditionnel de la rationalité inattentive, mais fournit également un outil de décision plus proche de la réalité. Dans les applications pratiques, ce modèle aide les décideurs à prendre des décisions plus robustes dans un environnement riche en informations, en particulier en présence d’incertitudes sur la distribution a priori.

Points forts de la recherche

1. Nouveau cadre de robustesse : Cette étude introduit pour la première fois l’incertitude a priori dans le modèle de rationalité inattentive, construisant un nouveau cadre de décision robuste.
2. Combinaison de théorie et de simulation : Les chercheurs combinent des déductions théoriques et des expériences numériques pour fournir non seulement une solution analytique au modèle, mais aussi valider sa pertinence par des cas concrets.
3. Valeur d’application universelle : Ce modèle n’est pas seulement applicable en économie, mais peut être étendu à plusieurs disciplines telles que la statistique et la théorie du contrôle, offrant un large éventail de perspectives d’application.

Informations supplémentaires de valeur

Les chercheurs soulignent que des recherches futures peuvent étendre davantage ce modèle, par exemple en introduisant un cadre de décision dynamique ou en tenant compte de l’incertitude dans le processus d’acquisition d’informations. De plus, comment appliquer ce modèle à des études empiriques, notamment comment tester la capacité prédictive du modèle en présence d’ambiguïté a priori, est une direction d’exploration intéressante.