Decision making under uncertainty based on data: awareness, learning and interpersonal consistency – DATA-AWARE

Nous proposons un modèle, dans lequel l’information concernant les contingences possibles, ainsi que leurs probabilités, est disponible sous forme de données, comme dans la théorie des décisions à cas-par-cas. Les données sont intrinsèquement incomplètes. L’information concernant l’espace des états du monde est donc partielle. L’évaluation des actions doit combiner les informations objectives avec une évaluation subjective de l’incertitude sou jacente: ambiguïté (probabilités inconnues), et conscience limitée (ensemble des états du monde inconnu).
Ce modèle génère plusieurs types d’apprentissage: apprentissage Bayésien; apprentissage des nouveaux états du monde; affinement des états du monde connus; apprentissage des contrefactuels. Cet apprentissage induit une révision du modèle subjectif d’incertitude, mais aussi de la perception d’incertitude et de l’attitude envers celle-ci. Nous proposeons une définition de la valeur de l’information dans ce contexte et relions cette valeur aux caractèristiques subjectives du décideur: son attitude envers l’ambiguïté et l’incertitude profonde.

Nous avons développé un cadre de prise de décision sous incertitude dans lequel l'information sur les résultats des actions et les circonstances pertinentes à la décisions sont récueillies d'une base de données. Deux questions importantes ont été identifiées. Premièrement, les informations contenues dans la base de données permettent de représenter les actions en tant que distribution de masse (mass distributions), qui indique la probabilité de chaque ensemble des résultats possible. Ceci nous a permis d'obtenir une représentation axiomatique des préférences et étudier le cas spécial des capacités NEO-additives. Deuxièmement, la possibilité d'une recherche active de données nous permet d'étudier des actions de mesure, qui permettent d'identifier des nouvelles caractéristiques ou de mesurer les caractéristiques pertinentes à la décision. Cette approche permet d'étudier l'acquisition d'information supplémentaire ainsi que son valeur.
Cette dernière question a été étudiée en coopération avec Illia Pasichnichenko (University of Sussex) pour des situations d'information partielle sur le processus des signaux et les distributions à posteriori. La valeur d'information peut donc être liée à l'attitude du décideur envers l'ambiguïté. Ce travail introduit un nouveau concept de contenu en information (informativeness), propose un résultat, qui généralise Blackwell dans le cadre d'information partielle et caractérise la valeur d'information en fonction de l'attitude envers l'ambiguïté. Notamment, la valeur de l'information peut être négative.
Dans une collaboration avec John Quiggin, (Queensland University) and Evan Piermont (Royal Holloway), nous analysons la communication entre des agents qui ont des perceptions différentes de l'incertitude sous-jacente. Ces perceptions sont exprimées par des syntax / langages différentes - les agents doivent donc communiquer en traduisant des message d'une langage dans une autre. Nous identifions des conditions telle que les espaces de monde et les langages individuelles peuvent être intégré dans un espace des états de monde / langage commune, dont chaque agent ne perçoit qu'une partie. Nous identifions les conditions de non-existence d'un espace des états de monde commun n'existe pas.
Une collaboration avec Simon Grant (ANU) and David Kelsey (University of Nottingham) étudie le problème de cohérence dynamique à l'équilibre dans les jeux séquentiels sous ambiguïté. Un nouveau concept d'équiIibre est développé et appliqué aux jeux séquentiels. Il est démontré, que le comportement résultant peut expliquer des anomalies observées dans des expériences.

Dans la continuité du projet, nous comptons étudier la valeur d'information dans des modèles qui intègrent la conscience limitée. Nous allons aussi examiner le tradeoff entre l'acquisition et l'utilisation de l'information. Les résultats sur la communication entre des agents avec de la conscience hétérpogènes et sur le comportement stratégique sous incertitudes seront de plus utilisés pour étudier l'émergence d'une langage commune et d'un ensemble des états de monde commun dans des jeux de cheap-talk. Finalement, nous proposons également d'étudier la relation entre l'apprentissage humain et de machine avec des applications potentielles dans le marchés financiers.

Discussion Papers:

Eichberger, J. , Grant, S., Kelsey, D. (2025). «Ambiguity in Multi-Stage Games: Uncertainty about the Opponent’s Strategic Behavior«

Eichberger, J. , Guerdjikova, A.(2024). «Data, Cases and States«

Guerdjikova, A., Piermont, E., Quiggin, J. (2025). «Do You Know What I Mean? A Syntactic Representation for Differential Bounded Awareness«

Seminaires et Colloques:
1. Jürgen Eichberger: Présentation sur invitation lors de Workshop on Unawareness, University of Aarhus, Aarhus, Demark: “Data, Cases and States”, May 30 – June 1, 2024
2. Ani Gierdjikova: Présentation sur invitation lors de Workshop on Unawareness, University of Aarhus, Aarhus, Demark: “Do You Know What I mean: A Syntactic Representation for Differential Bounded Awareness”, May 30 – June 1, 2024
3. Jürgen Eichberger: FUR 2024, Brisbane “Data, Cases and States”, July 4 – July 7, 2024
4. Ani Guerdjikova: FUR 2024, Brisbane “Do You Know What I mean: A Syntactic Representation for Differential Bounded Awareness”, July 4 – July 7, 2024
5. Jürgen Eichberger: Séminaire invité, ANU, Canberra “Data, Cases and States”, August 8, 2024
6. Ani Guerdjikova: Séminaire invité University of Manchester: “Do You Know What I mean: A Syntactic Representation for Differential Bounded Awareness”, October 16, 2024
7. Ani Guerdjikova: Présentation lors de la réunion éditoriale de Journal of Mathematical Economics, : “Do You Know What I mean: A Syntactic Representation for Differential Bounded Awareness” December 16, 2024
8. Ani Guerdjikova: Présentation lors de SAET, Ischia: “Data, Cases and States”, June 29 – July 6, 2025
9. Ani Guerdjikova: Séminaire invité à Heidelberg University, “How Do You Know What I Mean?”, October 21, 2025
10. Ani Guerdjikova: Séminaire invité à Bielefeld University, “How Do You Know What I Mean?”, October 28, 2025
11. Jürgen Eichgberger: Présentation invitée lors du workshop Unforeseen Contingencies: Representations and Applications, June 5-6, 2025 in Grenoble: “Data, Cases and States”

The standard model of decision making under uncertainty relies on an exogenously given, objective, and observable state-space, which is common to all agents. Fundamental economic concepts such as no-arbitrage and dominance are based on the assumption that the state-space is common knowledge. Data are used only to inform probabilities over states. But how do economic agents arrive at a state space? And how is common knowledge of the underlying uncertainty model achieved?
In this project, we propose a model in which information about possible contingencies, and about their probabilities is obtained from available data as in the case-based decision theory. Data are intrinsically incomplete and provide only partial information about the underlying state-space and the relevant probabilities. The evaluation of actions thus has to combine the objective information with subjective evaluation of uncertainty: ambiguity (uncertain probabilities over outcomes), and unawareness (uncertainty about the relevant states).
The model allows for different types of learning: Bayesian updating; learning about new states; refining the state space; and, learning about counterfactuals. Such learning leads to a revision of the subjective model of uncertainty; may lead to updating of the perception of uncertainty; and allows for adjustments of the attitudes towards uncertainty.
Since different subjective features give rise to distinct models of uncertainty, individuals with access to identical data may differ both in terms of subjective predictions and implied behavior. Such heterogeneity has observable implications for economic behavior, allocations in markets, strategic interactions and social policy that go beyond the statistical content of data.
The proposed model is used to study relevant economic applications. First, we ask whether a society consisting of individuals who have access to the same publicly available data will agree on the model of underlying uncertainty of the economy and in particular, on the relevant state space and the corresponding probability distribution. Second, we model strategic decisions in which data about past choices in similar interactive situations co-determine equilibrium beliefs. We study the implication of data-based strategic decisions for long-term behavior and the emergence of social institutions. Third, we show that our model provides a natural decision-theoretical counterpart to the purely objective models used in statistical learning and artificial intelligence. We use this to explore its implications in the classical problem of classification. Finally, we apply our model to analyze behavior, equilibrium allocations and prices in financial markets. The goal is to to provide explanations for stylized-facts and understand the long-run implications of data-based decisions with respect to heterogeneity of agent-specific characteristics and beliefs.