30/08/2025
2025計量經濟學會世界大會(World Congress of the Econometric Society)現場聽打紀錄
地點：韓國首爾COEX國際會議廳
19th August, 2025
14:15 - 16:15 Experimental and Behavioral Economics/Games II
Using Big Data and Machine Learning to Uncover How Players Choose Mixed Strategies (Akira Matsush*ta)
我們收集大量O’Neill Joker game的混和策略均衡實驗資料，比較機器學習模型和EWA學習理論模型，發現當資料量增加(一般實驗資料量的六倍)的時候，機器學習模型才能預測得比行為模型EWA更好(低KL divergence)。
由於一般沒有辦法收集到這麼多資料，我們開發新的混和EWA模型，把機器學習的發現加進去──我連續選Joker (或對手連續選Joker)會影響下一回合我的選擇。這個新模型能在一般實驗資料量下得到很好的結果。
Good-Citizen Lottery (Duk Gyoo Kim)
我們考慮「好公民大抽獎」，用抓到壞行為的罰款當獎金，讓一位好公民抽中。實驗結果顯示，當人數增加的時候，人們並不會如理論預測增加壞行為，雖然人們對被抓機率有反應。風險趨避程度無法解釋這種行為，但主觀機率評價可以。
From Partisanship to Preference: How Identity shapes Dependence Aversion (Holger Herz)
認同是否會影響人們把決策權交給別人，特別是當所有選項對你沒有差異的時候？我們在美國用Prolific做線上實驗，先找到對受試者沒有差別的兩個樂透，然後測量「選擇兩個對你效用相同的選項/樂透、而非交由他人決定」的願付價格，當作選擇的價值。
我們在不同實驗組對照組中改變「他人」的群體認同，實驗組設定為支持民主黨或共和黨，對照組則無政黨傾向。實驗結果顯示，當他人非同黨支持者的時候，自己選擇的價格約為同黨支持者的兩倍。整體而言，共和黨支持者願付價格較高，但對照組的願付價格不論政黨傾向均相同。改用最小組內認同或性別認同都沒有顯著結果。
Unveiling Lies in Disguise: A Test of Lying Aversion Theories (Jin Sohn)
我們考慮幾種解釋擲六面骰申報數字領取報酬的實驗結果的理論，一個是只會往上謊報、而且不同骰子結果謊報某個數字的機率都一樣，另一個是只有在誘因夠大的時候才謊報、而且就報很大的數字。
為了區分哪一個解釋比較正確，我們在實驗中詢問：「有些人擲出數字1/2/3/4/5/6，請你預測他們申報不同數字的機率各是多少？」然後根據申報不同數字的平均答案正確與否(這是實驗者唯一知道的數字)給予報酬：在2%以內則給予五元人民幣。
實驗結果顯示，人們的預測跟實際結果很接近，很少人會往下謊報，而且謊報數字6的機率不管骰子骰到多少幾乎都是30%，而且謊報數字愈大、機率也愈大(理論都沒有預測到)，但謊報數字n的機率幾乎都跟骰到多少無關。但人們並沒有「只有在誘因夠大的時候才謊報，而且就報很大的數字」。
Social Identity in Network Formation (Ying Chen)
人們似乎喜歡跟同質性高、共同點多的人(homophily)交朋友，但因此讓少數族裔在主流社群被忽略。我們使用兩種不同音樂來將人分群VG或WT來製造最低組內認同，讓人們有ID標籤VG1, VG2, …, VG6, WT1, WT2, …, WT6。然後我們進行25回合的網絡建構，選擇跟哪些人建立連結(要雙方都建立連結才會實現)、哪些人解友，並顯示交友或解友的ID標籤。接著人們要選擇「計畫支出」，會影響自身報酬和連結好友的報酬──每個人的報酬取決於自身計畫支出和好友計畫支出的中位數。
我們的實驗組設計是「一開始有兩位同質性高或低的好友(I或O)」和「流動成本高或低(80或30)」的2x2設計。實驗結果顯示，人們更傾向選擇跟自己同音樂群的人建立連結，在高流動成本下更少把同音樂群的人解友。在高流動成本下，人們更看重別人的過去歷史，傾向對自私的人解友。
16:45 - 18:00 Walras-Bowley Lecture
Association Rules: An Axiomatic Approach (Itzhak Gilboa)
我從當Schmeidler的研究生開始研究人們的信念如何形成，如何違反貝氏定理、期望效用理論等公設。現在我則看以個案(case-based)或規則(rule-based)為基礎的決策，比如說在新科博士就業市場上「某名校畢業的就會找到好工作」、「數學系主修的畢業生會找到好工作」，在戰場上「兵力多的會打贏兵力少的國家」，在預測AI所帶來的大未來上「人們會因為科技進步而獲益、找到更好的工作」。
個案要累積到甚麼時候才會變成規則？這是早在休謨就要處理的歸納法問題，但好像沒有很好的答案。現在用AI或機器學習，則是在學習特定變數的時候使用監督學習，否則就是單純從資料中發現規則的非監督學習。古時候有更多AI的學習法，像是基因演算法等等，而類神經網絡演算法其實不太成功。
我們建立一個研究「模型如何預測正/反結果」的模型，但允許模型覺得「兩者沒差」。比如說，我們觀察五回合的結果0或1，然後看哪些規則符合觀察結果，建立信念(credence)函數。我們則是定義「相似函數」，並將之公設化。(為什麼要公設化？我們可以用來建立協助人們做決定的專家系統，而且也能將決策模式背後的道理講清楚，比如說博士班入學審核是否有歧視。)
根據文獻，我們假設「有序公設」、「合併公設」(兩個資料庫如果結論相同，合併起來的資料庫結論也應相同)和「阿基米德『三人成虎』公設」(當兩個資料庫結論相反，其中一個資料庫如果不斷複製加入、結論就會根據該資料庫)，還有「單一證據公設」和「最後一個舊公設」。然後加入新公設：如果資料庫裏面某項變數都沒有出現某個結果，那出現該結果不應該影響結論。給定六個公設，存在唯一的決策規則。
這樣的規則可以解釋，比如說在重複囚犯兩難賽局或蜈蚣賽局中，「我對別人好，別人也會對我好」的互惠規則確實可以在一開始很有用，但是接近結尾的時候就會遇到有人違反規則了。
Wednesday, 20th August, 2025
09:00 - 10:45 Computer Science, Economic Theory, and Markets
Computer Science Tools in Economics: Reductions, Ratios, and Regrets (Jason Hartline)
首先歡迎經濟學家投稿ACM會議，因為許多經濟學問題可以用AI來處理的。使用在經濟學的資訊科學的工具，首先是穩定性(robustness)，雖然經濟學會用絕對穩定性、資訊科學則是用比例穩定性(或後悔穩定性)。其次是不後悔學習(no-regret learning)，也就是事後不會想要改變策略。在同步賽局中，這跟自我確認(self-confirming)均衡。
穩定性(robustness)是在不同未知參數下，依然能有好結果。相較於經濟學會用max-min或min-max絕對穩定性，資訊科學喜歡能夠放大規模(scale)的比例穩定性(ratio robustness)。絕對穩定性在誤差e小的時候很好用，但當我們不確定誤差e多大，或事前就知道需要放大規模的時候，比例穩定性或後悔穩定性就更好。
舉例來說，如果買家的價值v界於1和H之間，max-min絕對穩定性會訂價在p=1，但比例穩定性則會隨機訂價G(p)=(1+ln p)/(1+ln H)，後悔穩定性會隨機訂價G(p)=1+ln(p/H)。三者各有優缺點。
另外一個例子是買賣雙方一對一的雙邊交易，但買方價值v和賣方成本c的分配均未知。次佳2階逼近機制是隨機提議機制：隨機決定由買方或賣方提議某個價格、另一方只能接受或不接受。如果事前決定由買方提議、則對買方最佳，事前決定由賣方提議、則對賣方最佳。後續文獻則找出最佳機制。資訊科學常用「考慮最壞狀況也不後悔學習(worse-case no-regret learning)」。
參考Regulation of Algorithm Collusion (Hartline, Long, Zhang, 2024)的模型，我們考慮兩個賣家i=1,2，各自成本c_i、各自訂價p_i，買家v_j一個個出現選擇最便宜的商品購買，極大化v_j – p_i。在此重複訂價賽局中，強化學習演算法會收斂到比競爭均衡更高的價格，表示賣家在勾結。相反地，不後悔學習則會收斂到賣家不會勾結的自我確認均衡。
舉例來說，如果高或低價值買家是隨機出現，賣家訂高價有時會賣不出去，以致有後悔，但訂低價則會錯過賣好價錢的機會。如果不知道「另一個策略的結果」，存在賣方演算法可以讓後悔在長期消失，而且假設不後悔學習，我們可以推論賣方成本。
最後，我們考慮學習演算法能不能避免被操弄：沒有校準後悔 (no-calibrated-regret) 的學習不會被操弄，除了面對Stackelberg領先者被迫學會後進者的最佳反應之外。但許多沒有事後後悔(no-hindsight-regret)學習則會被對方操弄。
Algorithms and Competition in Agentic Markets (Giacomo Calzolari)
愈來愈多市場允許投資人交由代理人或演算法幫你下單，甚至有代理買家搜尋商品再買下來的服務。因此，相較於傳統產業結構講的競爭市場中買賣雙方都是價格接受者，AI參與的市場會有獨佔力的AI買家、AI賣家在市場上重複互動交易。這些代理下單演算法包括固定價格、記得過去交易品質的Q-learning演算法，短視不會往前看的演算法，甚至是預測未來的演算法。
比較簡單的代理賣家下單的演算法容易卡在太高的價格，即使有記憶的Q-learning也一樣。因此後續文獻嘗試解決這個問題，不管是更好的市場機制來避免，還是更好的演算法、甚至引入大語言模型(LLM)來改進。有趣的是，我的前同事David K. Levine最新的研究顯示，當演算法公開給對手知道的話，唯一的均衡是勾結均衡。
最新的文獻則開始討論代理買家下單的演算法，比如說透過買家在網站是的瀏覽與點選紀錄來訓練演算法了解買家的偏好、進而代理下單。舉例來說，Amazon和Netflix會建立消費者與商品配對價值的評價矩陣，並用來估計消費者需求，甚至提供建議。但這邊可能有利益衝突與勾結的空間。
最後，我考慮代理買家演算法對上兩個勾結賣家演算法會如何。相較於靜態的買家，代理買家演算法能找到更好的價錢，因為演算法會假裝對價格更敏感、把需求往前挪(到未來去)。如果是一對一的代理買家對上代理賣家演算法，當兩邊都能策略性假裝需求和供給，我們的模擬結果顯示，幾乎所有時候都會達到最有效率的結果，但交易的好處幾乎全部被買家拿走，賣方幾乎沒有利潤，雖然原因還不太清楚。
Nicole Immorlica(Chair)的評論：我目前在微軟研究部門，但是七天後會加入耶魯經濟系。我要討論經濟學如何影響微軟(或google、臉書等公司)的研究部門。
首先，產品訂價是微軟研究部門的重要課題。由於現實世界沒有完美的設計者，因此如何在不完美的情況下設計廣告拍賣等訂價機制就很重要。然後由於環境變動頻仍，因此設計「沒有後悔」的自動下單系統就很重要，這個經濟學提供不少福利與效率上的理論基礎。
另外，演算法了解市場的供給與需求，以致能協助人們下單。這表示演算法的策略空間不只是訂價，而是「如何代表買家做決定」。
最後，由於LLM的進步迅速，許多目前看到的結果幾年後都不會適用，但根據經濟學理得到的結果會長久適用。
11:15 - 12:45 Text and Data in Economics and Finance
Economic Representations (Suproteem Sarkar)
我嘗試用財經新聞大數據訓練大語言模型來代表不同公司的估值。為了不要使用未來資料，我用歷史新聞資料訓練出來的StoriesLM當基礎，用不同報紙編輯對同樣新聞內容下的不同標題來訓練RepresentLM理解相關字詞。最後加入語言結構和類比分類，比如說Tesla之於Car manufacturing ，相當於Peleton之於Fitness。這樣訓練出來的大語言模型能用來分析財經新聞然後影響股價。
Large Language Models: An Applied Econometric Framework (Ashesh Rambachan)
如何使用大語言模型來進行資料量不大的實證經濟學研究？我們建立一個計量經濟模型，據以提出兩個先決條件：第一，訓練大語言模型的資料不能摻雜研究者要分析的資料。第二，研究者需要收集驗證資料來確認大語言模型的分析有沒有犯錯。兩個示範研究顯示，這兩個條件缺一不可，不然結果就會偏誤。但如果符合，即使是資料量不太大也可以得到好結果。
Measuring Geoeconomic Coercion (Antonio Coppola)
我們數位化大量公司獲利報告，用大語言模型分析中美貿易戰、俄烏戰爭禁運、關稅和高科技出口管制等地緣政治對貿易、對不同公司直接或間接的影響。我們看到這些地緣政治效果提高美國國內價格，也變相鼓勵公司轉移生產基地。用分析師報告也會得到類似結果，而且可以使用非美國公司的資料，也能分析即時新聞的影響。
Charting the Uncharted:The (Un)Intended Consequences of Oil Sanctions and Dark Shipping (Jes´us Fern´andez-Villaverde)
我們使用機器學習模型分析船舶自動識別系統(AIS)在2017-2023年紀錄2150艘油輪 3.3億趟航行資料，嘗試找出俄羅斯用來突破禁運的暗船(dark ship)，用以估計俄烏戰爭禁運的政策效果，不管是對美俄的直接影響，還是對中國的間接影響。
由於沒有可訓練的正確答案，我們直接把航次分群，找到AIS訊號被關掉時靠近特定港口或另一艘船，和奇怪的航行路線，比如說繞圈圈。這些大概率是突破禁運的靠港、非法傳輸石油，或者是對AIS訊號動手腳。我們分析出555艘油輪大概率是暗船，並用衛星影像、文獻上其他實證分析結果來驗證我們的猜測。最後，我們論文今年七月投稿後，美國司法部7/30公布最新14艘非法油輪，其中12艘被我們的分析標定為暗船。
我們的實證結果顯示，突破禁運的伊朗、敘利亞、委內瑞拉和俄羅斯石油占全球石油出口的43%左右，以致大幅影響我們對油價和石油貿易量的估計。而且這讓中國得以進口大量便宜的石油，進而製造更多商品賣到美歐各國。
3:00-14:00 Geoeconomics
Matteo Maggiori (Stanford GSB): 地緣經濟學就是霸權國家利用其經濟影響力來達成其政治或戰略目標。舉例來說，艾斯摩爾在供應鏈上介於美國供應商和中國買家之間，因此會遵守美國政府的高科技禁運要求，不然它可能會被美國供應商斷供。
我們考慮一個各國政府制定產業補貼政策的模型，但允許一個霸權國家可以額外要求其他國家禁運，不然就斷供。舉例來說，美國能夠「不提供全球金融市場」，逼其他國家就範。
霸權國家跟計劃者一樣希望極大化全球福利，但霸權國家希望更多人使用其技術，以便屆時用這個關鍵技術來霸凌其他人。這個模型反映交易的好處和經濟安全之間的權衡，以致國家不希望完全分工、讓全球化走回頭路。舉例來說，美國和中國都有霸權可以影響其他國家。
根據此模型，我們可以用大語言模型分析公司獲利報告，來看當前貿易戰或關稅對他們的影響。
Jesús Fernández-Villaverde (UPenn): 相較於歷史學家討厭反事實推論，透過模型估計，經濟學家能提供這樣的分析角度給地緣經濟學。
在古典經濟學以前，重商主義其實就很地緣經濟學。Alexander Hamilton。但古典和新古典經濟學常忽略這個領域。兩次大戰間地緣經濟學主要是德文文獻，戰後又衰落，直到最近中國崛起成為美國的戰略對手，地緣經濟學才有成為顯學，因為前蘇聯此前也從未成為真正的挑戰。因此，近年來禁運盛行，區域衝突不斷，而且經濟全球化被逆轉。
範例如前述論文：Charting the Uncharted: The (Un)Intended Consequences of Oil Sanctions and Dark Shipping
未來，我建議研究：
1. 在職學習對晶片製造的影響，解釋晶片戰爭一書所講的故事。
2. 一國的外交政策如何受到國內政治影響，像是中國目前這個列寧國家資本主義型態。
3. 如何讓理論研究從單一霸權移轉到歷史和實證上的多極世界。
4. 開發新的計量經濟學工具來研究地緣經濟學。
14:15-16:15pm Strategic Communication
Hiding Lemons among Peaches: Optimal Retention and Promotion Policy Design (Takuma Habu)
我們把人資的升遷與留才問題轉成一個機制設計問題，解出最佳留才策略是放低標準留才，用來抵消原公司擁有更多資訊所造成的留才光環效果。相較之下，最佳升遷策略則跟可能過度或過少升遷。
Commitment and Randomization in Communication (Emir Kamenica)
我們考慮傳訊賽局中事前承諾的價值，特別是何時傳訊者會偏好事前承諾。我們考慮傳訊—接受賽局，其中真實狀態、訊息和決策空間都是有限集合。雙方的效用都在[0,1]之間，這樣我們能討論有多少比例的效用符合某個性質。
我們考慮奈許均衡，均衡結果跟PBE一樣。我們稱對傳訊者最佳的嘴砲賽局均衡(cheap talk equilibrium)為「嘴砲報酬」，貝氏說服賽局均衡最高的報酬為「說服報酬」。如果只看把狀態分區的(partitioned) 嘴砲賽局均衡和貝氏說服賽局均衡，同樣可以定義「分區嘴砲報酬」和「分區說服報酬」。
我們證明的定理一說，當傳訊者偏好事前承諾，也就是分區說服報酬比分區嘴砲報酬的時候，該貝氏說服賽局均衡必定有隨機性，也就是會犧牲傳訊效率。這讓我們可以透過計算貝氏說服賽局均衡(NP-hard)，來計算更難的嘴砲賽局均衡。
有趣的是，這個定理表示，當學校偏好事前承諾一個評分標準的時候，這表示學校希望用不公平、也就是隨機的方式來評分。最後，給定有a個決策的決策空間A，事前承諾沒有價值的效用空間至少有1/a^a。
Strategic Choice of Opinion Leader (Ting Pei)
我們考慮有多位接收者的兩階段傳訊—接收的嘴砲賽局，其中一位接收者是意見領袖或網紅。傳訊者的效用取決於所有接收者的平均決策有多接近真實狀態，每一位接收者則各自有偏好b_i，希望自己的決策偏離真實狀態剛好b_i，但又希望從眾、跟所有人的平均選擇差不多。
當傳訊者是對所有接收者公開演講的時候，此賽局均衡跟一對一的嘴砲賽局均衡相同。兩階段嘴砲賽局的均衡是傳訊者先告訴網紅真實狀態在某個分區，網紅將該分區擴大再轉告其他接收者。
A Role for Cheap Talk in Disclosure (Wenhao Wu)
我們考慮嘴砲可以核實(disclosure)的傳訊─接收賽局，其訊息空間能區分所有真實狀態。我們把其均衡跟貝氏說服賽局均衡報酬對接，然後在最低報酬夠高的情況下解出核實均衡。
16:45 - 18:00 Cowles Lecture: Silvana Tenreyro
許多國際貿易量都是採用美元計價，因此當美元貶值的時候，獨占性競爭廠商的邊際成本下降、交易數量增加、價格下降。但對完全競爭廠商來說，市場價格不變、只有交易數量增加。在兩者之間的情況是需求對價格敏感的情況。當美元價格僵固時，貨幣政策沒有效果，但當美元價格可以調整時，貨幣政策會有效果。
實證上，國際貿易的交易量有很高比例是同質商品，而且這些同質商品價格通常可以調整，而且常以外幣(美元)計價，因為生產者市佔率不大、沒有訂價能力。
我們考慮一個新凱因斯總體模型，允許不同價格僵固性、不同市場結構，而且不同產品間很難替代、但不同廠商或國家所生產的同一產品可以替代。校準模型時，我們只考慮三個產品：同質性的出口商品H，異質性不能貿易的產品N和異質性舶來品M。
我們看貨幣政策的效果：當地政府調降利率的時候，使用生產者幣別計價(PCP)的是生產者價格僵固的異質性出口商品，其生產者價格下降，經過一段時間才回復。使用美金計價的美金價格僵固異質性出口商品(DCP)，其價格幾乎不變、出口量也幾乎不變。但混和計價的同質性出口商品(MCP)則會有很大的出口量改變。接下來我們嘗試驗證本國貨幣貶值會增加出口的實證結果。確實如果貨幣政策緊縮，本國貨幣會升值，以致出口下降。
因此，即使外銷產品用美金計價，貨幣政策依然有效。
接下來我們看先進國家或新興或發展中國家的進出口如何影響其經濟成長。
Thursday, 21st August, 2025
13:00 - 14:00 The Current State of Central Bank Digital Currency
Panel Session Organizer: Yongsung Chang
Panelists:
* Silvana Tenreyro (London School of Economics)
相較於發行中央銀行數位貨幣(CBDC)，現在愈來愈多國家改發行連結該國貨幣的穩定幣。這可以避免中央銀行數位貨幣的缺點，開通投資加密貨幣的管道，但也因此增加整個金融體系的系統性風險，還有駭客的風險。
* Sung-Guan Yun (Bank of Korea)
韓國央行引進實驗性質的漢江計畫，用數位貨幣做存款支付和發行數位消費券，比如說數位教育券。
* David Andolfatto (University of Miami)
美國國會剛通過法律禁止聯邦準備銀行發行中央銀行數位貨幣，甚至聯準會的經濟學家也不能研究中央銀行數位貨幣。這是因為美國社會認為數位貨幣應該交由私部門來負責，而非公部門。
* Matteo Maggiori (Stanford GSB)
政府根本不需要考慮加密貨幣，至於穩定幣則好一點，但公部門在這方面牛步化，很可能因為大家常常忽略相關的政治經濟學爭議。
* Hyun Song Shin (Economic Adviser and Head of the Monetary and Economic Department)
從2021年起，境外使用穩定幣的比例大幅上升，而且穩定幣的市值98.95%都是美金！自2022年起，區塊鍊上的金融犯罪已經超過一半都是穩定幣，超越原本的第一名比特幣。這邊的挑戰是加密貨幣並沒有金融中介者可以檢查身分、洗錢行為等等，只剩下去中心化的共識，由每個驗證者因著本身的誘因來查驗。這邊的經濟理論還需要很多補強、需要理論經濟學家去研究這個去中心化均衡是不是唯一的均衡，也不知道均衡是不是穩定。
14:15 - 15:45 Auctions III
Pay-as-Bid Auctions with Budget Constrained Bidders (G V A Dharanan)
我們考慮贏家付下標金額的多單位拍賣，也就是第一高標拍賣的多單位推廣，而且兩邊均衡在買家不多、concave的條件下等價。此時買家需要考慮如何分配下標金額在兩個以上的單位，而且我們也可以考慮預算限制的問題。當市場變大的時候，這種多單位拍賣跟第一高標拍賣的均衡等價就不再成立，因此沒辦法直接套用第一高標拍賣的均衡。
All Pay Quality-Bids in Score Procurement Auctions (Jingfeng Lu)
採購招標的拍賣中，競標廠商的標單同時有投下金額和品質。相較於投標金額只有贏家才會支付，品質的投標比較接近全付拍賣，因此我們使用參數\rho來代表全付的比例。因此我們考慮N家廠商同時下標p, q，每家成本參數c_i不一樣。在均衡結果中，如果廠商c_i的評分是s(c_i)，那均衡策略會是p(c_i), q(c_i)。
我們將此均衡視為機制設計問題，應用Myerson的顯示性原則，可以用誘因符合(IC)條件來解出均衡策略。我們解出線性評分的例子，也看全付比例提高的比較靜態預測。然後如果政府補償所有未得標廠商的品質支出，均衡結果的整體效率會下降、廠商獲利也下降。最後，我們考慮最佳評分標準s=v(q)-p, 發現最佳評分標準隨q上升的速度比廠商的利潤函數隨q上升的速度慢。
Explaining deviations from the law of one price in pre-sale auction price estimates with an application to fine art markets (Johannes Fedderke)
我們考慮賣家可能知道或不知道買家資訊，然後報價給兩家拍賣平台來估計拍賣成交價格。然後我們使用南非藝術品拍賣資料來驗證理論。
16:15 - 17:30 Frisch Memorial Lecture: Hidehiko Ichimura
我要回顧個體計量經濟學多年來的發展，特別是政策效果的評估，因為沒有辦法觀察到同一個人「受惠於政策」跟「沒有受惠於政策」兩種狀況的結果。最乾淨的作法是Fisher等人在五十年代發展的隨機控制實驗(RCT)，但不見得有辦法做。
Imbens and Angrist (1994)發展LATE，使用工具變數來處理內生性，在三個假設下可以準確估計接受政策者(compliers)的平均效果：排除限制(ER)、D單調性(Mono)和隨機指派(RA)。 Imbens and Rubin (2015)放寬ER假設到只需要適用於不受政策影響的總是會做(always-takers)和總不會做(never-takers)的人即可。 Ichimura and Pantano (2025)處理時序上的落差會讓ER假設不成立，即使只是有隨機誤差。
(後面筆電沒電了…)
Friday, 22 August, 2025
09:00-10:45 Collection and Use of Subjective Beliefs Data in Economics
Recent Advances in the Collection and Use of Subjective Expectations Data by Central Banks (Wilbert Van der Klaauw)
近三十年總體經濟學研究最有趣的發展是愈來愈研究者開始蒐集人們的主觀預期，甚至是預期的機率分配(Handbook of Economic Expectations, 2023)。各國央行也很重視這些研究成果，因此我今天要來回顧這些研究。
為什麼央行會看重主觀預期的問卷調查結果？
因為人們的通膨預期跟央行的貨幣政策目標直接相關，而且人們對房價或其他資產價格的預期能幫助央行預防泡沫化、維持金融穩定。消費者信心等總體經濟預期也會影響施行財政政策的效果如何。最後，在研究上，主觀預期的測量結果能幫助我們研究市場信心和整個社會如何應對非預期的政策或外生衝擊。
央行如何使用問卷調查來測量人們的主觀預期？
早在上個世紀，義大利央行、荷蘭央行等等已經開始進行主觀預期問卷調查。2013年紐約央行開始每個月的消費者預期調查(SCE)，2014年加拿大央行跟進、2019年德國央行也開始做，後來愈來愈多央行跟進。不過每個央行的做法不儘相同，不管是問卷調查的頻率、調查對象是不是長期追蹤(或者是出去一陣子之後再回來)、還有委託機構的揭露(畢竟美國不少人討厭聯準會)。
問卷的問題也很多樣，美加的央行直接詢問「通膨」德國央行則是詢問「一般價格」。在開發消費者預期調查的期間(2006-2012)，我們也有做認知訪談，確認受訪者理解每個問題。詢問機率的方式也不太一樣，向我們紐約央行就允許人們使用鍵盤輸入一個百分比的數字或移動拉桿來輸入機率。如果是機率範圍的選項，這些範圍也可能隨時間改變。
我們從這些調查結果學到甚麼？
首先，這些調查結果確實能預測實際的消費、就業情況、貸款需求或移民行為，表示主觀問卷依舊可以準確測量人們的預期。不過實際的問卷細節很重要，因為那些才能解釋為何不同央行的調查得到不同結果。
而且，不同社經背景資料是造成人們有不同預期的原因，然後在COVID-19期間，消費者預期調查協助我們做出政策建議要發行消費券。這些長期追蹤調查資料也讓研究者有機會可以做進一步的研究、甚至進行問卷實驗。最後，我們也能看到人們如何學習做出更準確的預期。
舉例來說，人們在疫情後對通膨的預期，一年後的通膨預期很快就升高，雖然三年後的通膨預期就沒有多大改變，表示有定錨效果、大家覺得這次的通膨只是短期現象。我們甚至可以詢問假設性問題：「如果剛公布的通膨數字少1%、你對一年或三年後的通膨預期會如何改變？」
展望未來，我們需要研究如何正確詢問機率。目前有的問卷是詢問範圍、有的是詢問CDF或Q1, Q2, Q3等等。麻煩的是我們並不知道真正的答案是甚麼，因此就很難確認哪個詢問方是最好。心理學上的作法是給受試者看某個機率分配，然後再用不同詢問方式來調查他的預期。這樣我們就知道真正答案可以比對。另一個研究方向是測量幾個變數的聯合分布，因為總體變數之間多半並非獨立。而且我們需要做因果推論，但這就需要區分人們的偏好和預期。
最後，長期追蹤的消費者預期調查可以讓我們觀察同一位受訪者如何因為不同無預警的新聞事件而改變其主觀預期。可是實證上我們看到同一位受訪者會在第二次受訪時下修通膨預期、在第三次更多下修。這是因為有些人會在兩次受訪之間去蒐集資料，以致下次受訪會回答真正的通膨數字，而非自己的預期。但也有人會因為多次詢問而更理解問題、降低問卷調查誤差，即使是在同一次受訪也 樣。因此，我們需要進一步研究長期追蹤調查的影響。
觀眾問：你覺得未來人們會不會在受訪時使用AI找答案在回答問題？(答：現在已經會有人先問辜狗了，未來肯定更多人會問AI。)
觀眾問：央行的消費者預期調查如何處理拒訪率節節升高的問題？這可以給其他調查單位參考。(答：這是一個整體性的問題。我們的作法是讓問卷變得更容易、在手機、網路上都可以做。另外，我們也很重視問卷調查面向的多樣性，這樣受訪者才會更願意參與。最後，我們跟尼爾森合作，特別去找年輕人，讓問卷更有代表性。)
觀眾問：你如何連結人們的政治傾向？(答：我們不會直接詢問人們的政治傾向，但我們會用人們的居住地整個社區的政治傾向來看。)
觀眾問：有哪些東西合適使用主觀問卷來測量、哪些不適合？(答：央行本來就有做許多各種問卷調查，但在消費者預期調查中，受訪者的理財素養(financial literacy)好不好會嚴重影響他們能否回答測量主觀機率的問題。
Subjective Expectations and Inequalities in Human Capital Across the Early Life Course (Adeline Delavande)
父母如何對子女進行教育投資會影響子女人力資本的分布情形，不管是因為父母有預算限制(所以長女就被忽略)，或者是有個人偏好(比如說偏愛兒子)等等。我們可以用主觀預期問卷來測量這些限制或偏好，研究他們如何影響父母的教育投資決策。
我們假設人們會極大化自己的主觀期望效用，但同時會受到預算限制。因此，當我們看不到預算限制的時候，測量主觀預期就能幫助我們反推人們的偏好。我們專注在避孕決策、孩子小時候的教育投資和青少年時期的教育選擇。
首先是避孕決策：全世界有一半的懷孕是非預期的，而且集中在弱勢族群。面對懷孕或感染性病的風險，婦女需要選擇要不要付出避孕成本使用保險套等避孕方法。使用問卷調查測量婦女對避孕藥、避孕針、保險套和性交中斷法的懷孕風險主觀預期，結果預期大致正確、也跟所選擇的避孕決策相符。有趣的是，黑人女性的估計最準確，雖然她們也就是風險最高的族群。相反地，使用主觀問卷測量對自身是否願意懷孕、對未來的預期等偏好，才是影響避孕決策的關鍵。
接下來看父母對年幼子女的教育投資。父母的投資意願跟他們預期子女受教育後是否會變得更有出息正相關，因此我們測量父母對特定教育投資的預期回報。調查結果顯示，父母多半認為親餵母乳確實對子女的未來會有好處，而且社經地位愈高的父母預期的回報更高。
Cunha (2014)使用結構模型估計來得到給黑人父母正確的預期(白人父母的預期)可以縮小兩個族群父母投資差距，而且如果把黑人父母的偏好轉換成白人父母的偏好，則兩邊的投資沒有差異。但Bhalotra et al. (2024)則發現巴基斯坦的新生父母對早期教育投資的預期大致正確，而是產後憂鬱症等心理偏誤造成預期投資成本的偏誤會影養教育投資。
知道預期會有影響，我們該如何影響別人的預期？
這很不容易，因為即使告訴人們正確的機率，他們還是可能會覺得「國情不同」、這不適用於我。建議雙薪父母要多陪陪子女可能只會增加他們沒有辦法陪伴子女的焦慮，以致只會有反效果。面對像是COVID這種機率不確定的模糊狀況，假設人們會極大化主觀期望效率(SEU)可能不切實際，因為人們會有模糊趨避，可能會杞人憂天、希望極大化最糟情況的效用。最後，這些決策可能不是單一個人的決定，而是夫婦之間、父母子女之間的協商談判結果。集體決策時不同成員的資訊不對等可能也會有影響。
觀眾問：我們知道正確資訊如何在家戶內傳播嗎？(答：我有做過的研究是告知夫妻中的一方關於退休金的正確資訊，然後測量另一方得知多少。研究結果發現大概一半的正確資訊會在夫婦間傳遞，但是實際上能傳遞多少取決於夫妻的感情好不好。)
(Chair) Ori Heffetz回應：我念博士班的時候，經濟學家好像只願意看人們的選擇、不太看重問卷調查，認為那些是心理學家才看的。這些近年來漸漸扭轉過來，而且其實失業率調查、GDP統計調查都是問卷調查的結果，即使有大數據都還是需要研究者主動使用問卷調查來測量人們的信念或意向。可是問卷調查也面對許多危機，因為訪問不到年輕人、網路民調也充滿偏誤。
過去總體經濟學家假設理性預期，以致可以直接從行為顯示人們的偏好。自從Manski (ECMA 2004)開始，我們需要先測量人們主觀的不同預期，才能推論人們各自的偏好。今天我們看到主觀預期的問卷測量，甚至他們所面對的預算限制。但兩位講者並沒有仔細討論「預期」是甚麼，因為人們可能甚至不了解機率分布這個概念。這是我們未來需要進一步研究的。
最後，其實早在假設理性預期的總體經濟理論之前，人們就已經在使用問卷調查來測量各種預期和信念了。希望大家都來做這樣測量主觀預期或信念的研究，不管是經濟學家、央行等業界人士，還是其他社會科學的研究者。
