Сожаление (теория принятия решений) - Regret (decision theory)

В теория принятия решений, по созданию решения под неуверенность —Должна ли поступать информация о наиболее эффективных действиях после принятие фиксированного решения - эмоциональная реакция человека сожалеть часто бывает опытным и может быть измерен как разница между принятым и оптимальным решением.

Теория отвращение к сожалениям или же ожидаемое сожаление предлагает, чтобы при принятии решения люди могли предвидеть сожалеют и, таким образом, включают в свой выбор свое желание исключить или уменьшить эту возможность. Сожаление - это негатив эмоция с мощным социальным и репутационный компонент, и является центральным для того, как люди учатся на собственном опыте, и для человеческой психологии предотвращение риска. Сознательное ожидание сожаления создает Обратная связь поднимает сожаление из эмоциональной сферы - часто моделируется как простая человеческое поведение - в царство рациональный поведение выбора, моделируемое в теории принятия решений.

Описание

Теория сожаления - это модель в теоретическая экономика одновременно разработанная в 1982 г. Грэм Лумс и Роберт Сагден,^[1] Дэвид Э. Белл,^[2] и Питер С. Фишберн.^[3] Теория сожаления моделирует выбор в условиях неопределенности с учетом эффекта ожидаемого сожаления. Впоследствии несколько других авторов улучшили его.^[4]

Он включает термин сожаления в вспомогательная функция который отрицательно зависит от реализованного результата и положительно от наилучшего альтернативного результата с учетом разрешения неопределенности. Этот термин сожаления обычно представляет собой возрастающую, непрерывную и неотрицательную функцию, вычитаемую из традиционного индекса полезности. Такие предпочтения всегда нарушают транзитивность в традиционном смысле,^[5] хотя больше всего устраивает более слабая версия.^[4]

Свидетельство

Несколько экспериментов как над стимулированным, так и над гипотетическим выбором свидетельствуют о величине этого эффекта.

Эксперименты в аукционы первой цены показывают, что, манипулируя обратной связью, которую ожидают получить участники, наблюдаются значительные различия в средних ставках.^[6] В частности, «сожаление проигравшего» может быть вызвано раскрытием выигравшей ставки всем участникам аукциона и, таким образом, раскрытием проигравшим, могли ли они получить прибыль и сколько она могла быть получена (участник, который получил при оценке в 50 долларов, ставке 30 долларов и выяснении, что победившая ставка составила 35 долларов, она также узнает, что она могла бы заработать до 15 долларов, сделав ставку выше 35 долларов.) Это, в свою очередь, допускает возможность сожаления, и если участники торгов правильно это предвидят, они будут склонны предлагать более высокую ставку, чем в случае отсутствия обратной связи о выигравшей заявке, чтобы уменьшить вероятность сожаления.

При принятии решений о лотереях эксперименты также предоставляют подтверждающие доказательства ожидаемого сожаления.^[7][8][9] Как и в случае с аукционами первой цены, различия в обратной связи по разрешению неопределенности могут вызвать возможность сожаления, а если это ожидается, это может вызвать другие предпочтения, например, когда вы столкнулись с выбором между 40 долларами с уверенностью и при подбрасывании монеты, при котором выплачивается 100 долларов, если результат угадан правильно, и 0 долларов в противном случае, не только определенный вариант оплаты минимизирует риск, но и возможность сожаления, поскольку обычно монета не будет подброшена (и, следовательно, неопределенность не устранена), а если выбрано подбрасывание монеты, результат, при котором выпадет 0 долларов, вызовет сожаление. Если монета подбрасывается независимо от выбранной альтернативы, то альтернативный выигрыш всегда будет известен, и тогда не будет выбора, который исключил бы возможность сожаления.

Ожидаемое сожаление против пережитого сожаления

Ожидаемое сожаление обычно переоценивается как в отношении выбора, так и в отношении действий, за которые люди считают себя ответственными.^[10][11] Люди особенно склонны переоценивать сожаление, которое они испытают, если упустят желаемый результат с небольшим отрывом. В одном исследовании пассажиры предсказали, что они испытают большее сожаление, если опоздали на поезд на 1 минуту больше, чем, например, на 5 минут, но пассажиры, которые фактически опоздали на поезд на 1 или 5 минут, испытали (равное и) меньшее количество сожаления. Пассажиры пригородных поездов, по-видимому, переоценивали сожаление, которое они испытывали, опуская поезд с небольшим отрывом, потому что они, как правило, недооценивали степень, в которой они объясняли бы отсутствие поезда внешними причинами (например, отсутствием кошелька или проведением меньшего количества времени в душе) .^[10]

Приложения

Помимо традиционного выбора лотерей, в качестве объяснения обычно наблюдаемого завышения ставок на аукционах первой цены предлагалось неприятие сожаления.^[12] и эффект диспозиции,^[13] среди прочего.

Минимальное сожаление

В минимакс подход сожаления заключается в том, чтобы свести к минимуму наихудшее сожаление, первоначально представленное Леонард Сэвидж в 1951 г.^[14] Цель этого - максимально приблизиться к оптимальному курсу. Поскольку минимаксный критерий, применяемый здесь, касается сожаления (разницы или соотношения выигрышей), а не самого выигрыша, он не столь пессимистичен, как обычный минимаксный подход. Подобные подходы использовались в различных областях, таких как:

• Проверка гипотезы
• Прогноз
• Экономика

Одно из преимуществ минимакса (в отличие от ожидаемого сожаления) заключается в том, что он не зависит от вероятностей различных результатов: таким образом, если сожаление может быть точно вычислено, можно надежно использовать минимаксное сожаление. Однако вероятность исхода оценить сложно.

Это отличается от стандартного минимаксного подхода тем, что он использует различия или же соотношения между результатами и, следовательно, требует измерения интервалов или соотношений, а также порядковые измерения (ранжирование), как в стандартном минимаксе.

Пример

Предположим, инвестору нужно выбирать между инвестированием в акции, облигации или денежный рынок, а общий доход зависит от того, что происходит с процентными ставками. В следующей таблице показаны возможные варианты возврата:

Возвращаться	Повышение процентных ставок	Статические ставки	Процентные ставки падают	Худший возврат
Акции	−4	4	12	−4
Облигации	−2	3	8	−2
Денежный рынок	3	2	1	1
Лучшая отдача	3	4	12

Сырая Максимин выбор, основанный на доходности, состоял бы в том, чтобы инвестировать в денежный рынок, обеспечивая доходность по крайней мере 1. Однако, если процентные ставки упадут, то сожаление, связанное с этим выбором, будет большим. Это будет 11, что составляет разницу между 12, которые можно было бы получить, если бы результат был известен заранее, и полученным 1. Смешанный портфель, содержащий около 11,1% акций и 88,9% на денежном рынке, обеспечил бы доходность не менее 2,22%; но, если бы процентные ставки упали, было бы сожаление около 9,78.

Таблица сожалений для этого примера, построенная путем вычитания фактических доходов из лучших доходов, выглядит следующим образом:

Сожалеть	Повышение процентных ставок	Статические ставки	Процентные ставки падают	Худшее сожаление
Акции	7	0	0	7
Облигации	5	1	4	5
Денежный рынок	0	2	11	11

Поэтому, используя минимаксный выбор, основанный на сожалении, лучше всего было бы инвестировать в облигации, обеспечивая сожаление не хуже 5. Смешанный инвестиционный портфель подойдет еще лучше: 61,1% вложены в акции и 38,9% - в деньги. рынок выдал бы сожаление не хуже примерно 4,28.

Пример: настройка линейной оценки

Ниже приводится иллюстрация того, как концепция сожаления может быть использована для построения линейного оценщик. В этом примере задача состоит в том, чтобы построить линейную оценку конечномерного вектора параметров. ${ displaystyle x}$ от его линейного измерения с шумами с известной структурой ковариации шума. Утрата реконструкции ${ displaystyle x}$ измеряется с помощью среднеквадратичная ошибка (MSE). Известно, что вектор неизвестных параметров лежит в эллипсоид ${ displaystyle E}$ с центром в нуле. Сожаление определяется как разница между MSE линейной оценки, которая не знает параметр ${ displaystyle x}$, и MSE линейной оценки, которая знает ${ displaystyle x}$. Кроме того, поскольку оценка ограничена линейной, нулевая MSE не может быть достигнута в последнем случае. В этом случае решение задачи выпуклой оптимизации дает оптимальную минимаксную минимизирующую сожаление линейную оценку, что можно увидеть с помощью следующих аргументов.

Согласно предположениям, наблюдаемый вектор ${ displaystyle y}$ и неизвестный детерминированный вектор параметров ${ displaystyle x}$ связаны линейной моделью

${ displaystyle y = Hx + w}$

куда ${ displaystyle H}$ это известный ${ Displaystyle п раз м}$ матрица с полный ранг столбца ${ displaystyle m}$, и ${ displaystyle w}$ - случайный вектор с нулевым средним и известной ковариационной матрицей ${ displaystyle C_ {w}}$.

Позволять

${ displaystyle { hat {x}} = Гр}$

- линейная оценка ${ displaystyle x}$ из ${ displaystyle y}$, куда ${ displaystyle G}$ есть некоторые ${ Displaystyle м раз п}$ матрица. MSE этой оценки определяется как

${ displaystyle MSE = E left (|| { hat {x}} - x || ^ {2} right) = Tr (GC_ {w} G ^ {*}) + x ^ {*} (I -GH) ^ {*} (I-GH) x.}$

Поскольку MSE явно зависит от ${ displaystyle x}$ его нельзя минимизировать напрямую. Вместо этого можно использовать концепцию сожаления для определения линейного оценщика с хорошей производительностью MSE. Чтобы определить здесь сожаление, рассмотрим линейный оценщик, который знает значение параметра ${ displaystyle x}$, т.е. матрица ${ displaystyle G}$ может явно зависеть от ${ displaystyle x}$:

${ displaystyle { hat {x}} ^ {o} = G (x) y.}$

МСЭ ${ displaystyle { hat {x}} ^ {o}}$ является

${ displaystyle MSE ^ {o} = E left (|| { hat {x}} ^ {o} -x || ^ {2} right) = Tr (G (x) C_ {w} G ( x) ^ {*}) + x ^ {*} (IG (x) H) ^ {*} (IG (x) H) x.}$

Чтобы найти оптимальное ${ Displaystyle G (х)}$, ${ displaystyle MSE ^ {o}}$ дифференцируется по ${ displaystyle G}$ а производная равна 0, получая

${ displaystyle G (x) = xx ^ {*} H ^ {*} (C_ {w} + Hxx ^ {*} H ^ {*}) ^ {- 1}.}$

Затем, используя Лемма об обращении матрицы

${ displaystyle G (x) = { frac {1} {1 + x ^ {*} H ^ {*} C_ {w} ^ {- 1} Hx}} xx ^ {*} H ^ {*} C_ {w} ^ {- 1}.}$

Подставляя это ${ Displaystyle G (х)}$ назад в ${ displaystyle MSE ^ {o}}$, получается

${ displaystyle MSE ^ {o} = { frac {x ^ {*} x} {1 + x ^ {*} H ^ {*} C_ {w} ^ {- 1} Hx}}.}$

Это наименьшая MSE, достижимая при линейной оценке, которая знает ${ displaystyle x}$. На практике эта MSE не может быть достигнута, но она служит ограничением оптимальной MSE. Сожаление об использовании линейной оценки, указанной ${ displaystyle G}$ равно

${ Displaystyle R (x, G) = MSE-MSE ^ {o} = Tr (GC_ {w} G ^ {*}) + x ^ {*} (I-GH) ^ {*} (I-GH) x - { frac {x ^ {*} x} {1 + x ^ {*} H ^ {*} C_ {w} ^ {- 1} Hx}}.}$

Подход минимаксного сожаления здесь состоит в том, чтобы минимизировать наихудшее сожаление, т. Е. ${ displaystyle sup _ {x in E} R (x, G).}$ Это обеспечит производительность, максимально приближенную к наилучшей достижимой производительности в худшем случае параметра. ${ displaystyle x}$. Хотя эта проблема кажется сложной, это пример выпуклая оптимизация и, в частности, можно эффективно вычислить численное решение.^[15] Подобные идеи можно использовать, когда ${ displaystyle x}$ случайна с неопределенностью ковариационная матрица.^[16][17]

Смотрите также

• Конкурентное сожаление
• Теория принятия решений
• Теория принятия решений по информационным пробелам
• Функция потерь
• Минимакс
• Сожаление (эмоция)
• Модель максимина Вальда

Рекомендации

внешняя ссылка

• «Учебник G05: теория принятия решений». Архивировано из оригинал 3 июля 2015 г.