Dominacja stochastyczna a użyteczność
Transkrypt
Dominacja stochastyczna a użyteczność
Dominacja stochastyczna a użyteczność Joanna Dys 16 lipca 2010 Streszczenie W poniższej pracy badany jest związek pomiędzy dominacją stochastyczną a użytecznością konsumenta. Zostanie wykazane, że porządek częściowy wyznaczony przez dominację pierwszego rzędu jest równoważny porządkowi wyznaczonemu przez preferencje. Praca powstała w oparciu o artykuł Josefa Hadara i Williama Russela, ”Rules for Ordering Uncertain Prospects”. 1 Wprowadzenie Rozwój teorii oczekiwanej użyteczności był niewątpliwie krokiem milowym w rozważaniach na temat wyboru konsumenta w warunkach ryzyka. W klasycznej już dziś pracy ”Theory of Games and Economic Behaviour”, John von Neumann i Oskar Morgenstern zaproponowali aksjomaty, które według nich powinny spełniać racjonalne i spójne wybory konsumenta. Formalniej rzecz ujmując, określili oni ”pożądane” własności relacji preferencji na zbiorze loterii, czy też losowych wypłat, a następnie, dla relacji spełniającej wszystkie postulowane aksjomaty, udowodnili fundamentalne twierdzenie o istnieniu funkcji użyteczności, o wartościach w zbiorze liczb rzeczywistych. Stało się jasne, że znając funkcję użyteczności decydenta, możemy określić jego wybór dla dowolnej sytuacji decyzyjnej, przed jaką zostanie on postawiony. Szybko jednak stało się jasne, że określenie dokładnej postaci funkcji użyteczności, czy choćby klasy, do której należy, jest zadaniem trudnym, o ile w ogóle możliwym do zrealizowania. Zaczęto więc badać, przy jakich warunkach można przewidzieć wybór konsumenta, nie znając jego funkcji użyteczności. Pierwsze pomysły na rozwiązanie tego zagadnienia, opierały się na dobrze znanych miernikach statystycznych: wartości oczekiwanej i wariancji zmiennych losowych, opisujących wypłaty w problemie decyzyjnym. Szybko jednak okazuje się, że metoda porównywania dwóch pierwszych momentów działa tylko dla pewnych wąskich klas funkcji użyteczności, bądź określonych rozkładów. W ogólności jednak, jako, że użyteczność jest funkcją wszystkich momentów zmiennej losowej, porównanie wartości oczekiwanej i wariancji nie wystarczy do jednoznacznego określenia wyboru konsumenta. 1 Josef Hadar i William Russell zaproponowali podejście alternatywne, oparte na nowym wówczas pojęciu dominacji stochastycznej. Koncepcja dominacji stochastycznej pierwszego rzędu określa częściowy porządek na przestrzeni zmiennych losowych, określających wypłaty decydenta. Porównywane są ze sobą wielkości dystrybuant zmiennych w każdym punkcie. Pomysł ten najlepiej można wytłumaczyć za pomocą ogonów dystrybuant. Zanalizujmy sytuację, w której prawdopodobieństwo tego, że X jest większe od pewnej ustalonej wartości jest zawsze większe (niezależnie od wyboru wartości) niż analogiczne prawdopodobieństwo dla Y . Oznacza to, że decydent częściej będzie wygrywał co najmniej t, gdy zdecyduje się wybrać wariant X, niż gdy wybierze Y . Jeśli ta zależność zachodzi dla wszystkich poziomów t, to decydent za każdym razem maksymalizując swoje szanse na dużą wygraną, wybierze X. Nie gorzej jest jednak ze stratami: po przekształceniu nierówności wiążącej ogony na taką wiążącą dystrybuanty, okaże się, że powyżej opisana zależność implikuje, iż prawdopodobieństwo wygrania mniej niż ustalona wielkość t jest zawsze mniejsze dla zmiennej X niż dla Y . Decydent, chcąc minimalizować szanse na małe wygrane, ponownie będzie preferował X wobec Y . Hadar i Russell na drodze tych obserwacji, postawili hipotezę, że stojąc przed wyborem między loterią zdominowaną a dominującą, decydent maksymalizujący swą użyteczność będzie zawsze wybierał tę ostatnią, gdyż oferuje ona większe prawdopodobieństwo wysokich wypłat i mniejsze prawdopodobieństwo strat. Okazało się również, że jeśli nie wiadomo, czy między zmiennymi istnieje dominacja stochastyczna pierwszego rzędu, można nieco zmienić to założenie, przy wykorzystaniu słabszej własności dominacji stochastycznej drugiego rzędu. W niniejszej pracy przytoczę obserwacje Hadara i Russella, jak również większość dowodów postulowanych twierdzeń, a także krótko omówię ich interpretację. Główną treść pracy została przedstawiona w kolejnych trzech rozdziałach. W pierwszym przedstawiam ogólną koncepcję dominacji stochastycznej pierwszego rzędu i motywację za nią stojącą. Następne dwa prezentuje formalny dowód twierdzeń, wiążących dominację z wyborami decydenta, dla przypadku ciągłego i dyskretnego. W czwartym rozdziale znaleźć można sformułowanie podobnych własności, tym razem dla dominacji stochastycznej drugiego rzędu. Po formalnej analizie następują przykłady zastosowania obu twierdzeń dla arbitralnie dobranych danych. Ostatecznie, zbiorę najważniejsze wnioski w podsumowaniu. 2 2.1 Dominacja stochastyczna I rzędu Motywacja Bezpośrednią motywacją stojącą za koncepcją dominacji stochastycznej była prosta własność preferencji, określonych przez von Neumanna i Morgensterna, która wynikała z tzw. aksjomatu niezależności. Własność ta jest następująca: jeśli % jest relacją preferencji spełniającą akjomatykę teorii oczekiwanej użyteczności i dla pewnych zmienych losowych X % Y , to dla β > α > 0 zachodzi: βX + (1 − β)Y % αX + (1 − αY ). 2 (1) Interpretacja jest jasna: decydent charakteryzujący się preferencjami typu von Neumanna i Morgensterna, będzie wybierał te loterie, które dają większe prawdopodobieństwo uzyskania preferowanej wypłaty. Skoro zachodzi taka nierówność dla dwóch zmiennych, ciekawym wydaje się pytanie, czy podobna zależność może zachodzić dla większej ilości zmiennych i co będzie ona oznaczać dla decydenta. Dla uproszczenia, przyjmijmy, że elementami loterii będą nie zmienne losowe, a pewne wypłaty – które dla wygody będziemy utożsamiać z ich użytecznościami ui . Przyjmijmy, że użyteczności są uszeregowane rosnąco, tj u1 < u2 < . . . < un . Mamy dane też prawdopodobieństwa αi wystąpienia kolejnych wypłat – innymi słowy, mamy zdefiniowaną loterię na wartościach ui . Będziemy się starać skonstruować inną loterię na tych samych wielkościach, tak, aby zapewnić redystrybucję prawdopodobieństw w kierunku wyższych wypłat. Przyjmijmy dla nowej loterii prawdopodobieństwa βi takie, że: ( αj > βj , αk < βk dla pewnych wybranych j, k, takich, że j < k αi = βi dla i ∈ / {j, k} Wówczas nietrudno zauważyć, że bezpośrednio z własności 1 wynika, iż: X X βi ui > αi ui i i Okazuje się, że wielkości βi można zdefiniować dużo ogólniej. Wystarczy, żeby tworzyć loterie tak, by odpowiednio grupować prawdopodobieństwa ”małych” wypłat. Konkretniej, dla każdego górnego limitu wypłat r powinien być spełniony następujący warunek: r X βi ¬ r X αi . i=1 i=1 Taką własność będziemy właśnie nazywać dominacją stochastyczną pierwszego rzędu. 2.2 Definicja Przystąpię teraz do formalizacji teorii. W pracy będziemy badali własności dominacji stochastycznej wyłącznie pierwszego i drugiego rzędu. Przytoczę jednak ogólniejszą definicję, dla dowolnego rzędu n całkowitego dodatniego. Definicja 1. Dystrybuantą n-tego rzędu zmiennej losowej X ∈ X nazwiemy (n) funkcję FX (x) spełniającą następującą rekurencję: (1) FX (x) (n) FX (x) = FX (x) Rx (n−1) = FX (t)dt −∞ 3 Definicja 2 (Dominacja stochastyczna n-tego rzędu). Powiemy, że zmienna losowa X dominuje zmienną Y w sensie dominacji stochastycznej n-tego rzędu, co oznaczymy przez X %d(n) Y , jeśli zachodzi: (n) (n) ∀x ∈ R FX (x) ¬ FY (x). Łatwo można zaobserwować, iż relacja dominacji stochastycznej n-tego rzędu tworzy porządek częściowy na przestrzeni zmiennych losowych. Nie jest to jednak porządek zupełny, co wyjaśnia następująca definicja: Definicja 3 (Nieporównywalność zmiennych). Powiemy, że X, Y są nieporównywalne w sensie dominacji stochastycznej n-tego rzędu, co oznaczymy przez X Gd(n) Y jeśli nie zachodzi żadna z zależności: X %d(n) Y oraz Y %d(n) X. 3 Twierdzenie o wyborze dla dominacji stochastycznej pierwszego rzędu Przystąpimy teraz do sformułowania i dowodu tezy sformułowanej przez Hadara i Russella, o tym, że dominacja stochastyczna determinuje wybór wszystkich decydentów o niemalejących funkcjach użyteczności i zachodzi też zależność odwrotna. Monotoniczność funkcji użyteczności jest niejako ”minimalnym” wymaganiem, jaki stawiają badacze, tym istotniejsze jest zatem, że wyłącznie to wystarczy, by badać własności dominacji pierwszego rzędu. 3.1 Przypadek dyskretny Zaczniemy od dowodu twierdzenia w przypadku dyskretnym. Twierdzenie 1. Niech X, Y ∈ X będą dyskretnymi zmiennymi losowymi na skończonej przestrzeni stanów. Wówczas X %d(1) Y wtedy i tylko wtedy, gdy dla każdej niemalejącej funkcji użyteczności u zachodzi: Eu(X) Eu(Y ). Prezentuję w tej pracy inny dowód niż oryginalnie zaproponowany przez Hadara i Russela, stąd przytoczę go w całości. Poniższy dowód jest oparty na pomyśle Quirka i Saposnika z pracy [QuSa]. Sformułuję najpierw i udowodnię lemat pomocniczy, dopiero później zaś przejdziemy do dowodu twierdzenia 1. Lemat 1. 1 Jeśli zachodzi X Gd(1) Y , to istnieją funkcje u,v, obie niemalejące, takie, że prawdziwy jest układ nierówności: ( Eu(X) < Eu(Y ) Ev(X) > Ev(Y ). 1 Poniższy lemat ukazuje implikację jedynie w jedną stronę. Implikacja w drugą również jest prawdziwa, ze względu jednak na czytelność pracy zdecydowałam się jej nie udowadniać. Dowód ”nie wprost” jest łatwy i pozostawiam go chętnemu Czytelnikowi bądź odsyłam do [QuSa] 4 Dowód lematu. Oznaczmy zbiór wartości zmiennych X i Y , odpowiednio przez AX i AY , a ich (dyskretne) gęstości prawopodobieństwa przez p(x), dla x ∈ Ax oraz q(y) dla y ∈ AY . Niech A = AX ∪AY . Bez straty ogólności możemy założyć, że elementy zbioru A są ustawione w ciąg niemalejący: a1 > a2 > . . . > an . Dodefiniujmy gęstości p i q następująco: p(ai ) = 0, jeśli ai ∈ / Ax oraz q(ai ) = 0, jeśli ai ∈ / Ay Dzięki temu zabiegowi możemy operować Pna−itych samych wartościach P −i dla obu zmiennych. Rozpatrzmy wielkości: ρX = 2 p(ai ) oraz rhoY = 2 q(ai ). i i Są to liczby rzeczywiste, zachodzi więc albo ρX < ρY albo ρX ρY . Załóżmy na początek, że ρX < ρY . Chcemy udowodnić istnienie takich funkcji u,v, że zachodzi Eu(X) < Eu(Y ) oraz Ev(X) > Ev(X). Kładąc u(ai ) = 2i otrzymujemy: X X X Eu(X) = u(ai )p(ai ) = 2−i p(ai ) = ρX < ρY = 2−i q(ai ) = Eu(Y ) i i i Oczywiście, u jest funkcją niemalejącą, więc spełnia warunki lematu. Poszukamy teraz funkcji v,P tak, aby spełniała ona nierówność przeciwną, co równoważP nie możemy zapisać: v(ai )[p(ai )−q(ai )] > 0 Wiemy, że: 2−i [p(ai )−q(ai )] < i i P 0 oraz [p(ai ) − q(ai )] = 0 Ponadto, z definicji stochastycznej nieporównywali ności, istnieją m, k takie, że: m X [p(ai ) − q(ai )] > 0 i=1 k X [p(ai ) − q(ai )] < 0 i=1 m P Zatem Ev(X)−Ev(Y ) można zapisać następująco: Ev(X)−Ev(Y ) = v(ai )[p(ai )− i=1 P q(ai )] + v(ai )[p(ai ) − q(ai )]. i>m Zatem możemy zdefiniować v następująco: ρ −ρ + Y X + 2−i dla ai am , czyli i ¬ m m P v(ai ) = i=1[p(ai )−q(ai )] −i 2 dla ai < am , czyli i > m, gdzie jest dowolną liczbą dodatnią. Wówczas mamy: X Ev(X) − Ev(Y ) = ρY − ρX + + 2i [q(ai ) − p(ai )] = > 0. i Funkcja v zdefiniowana jak powyżej jest rosnąca, spełnia więc warunki lematu. 5 Dowód w przypadku, gdy ρX > ρY przebiega analogicznie - wystarczy w powyższym dowodzie zamienić role funkcji p i q. PozostajePprzypadek,P gdy ρX = ρY . Wówczas można dobrać dowolne r ∈ (0, 1) takie, że ri p(ai ) 6= ri q(ai ). Istnienie takiego r wynika z jednoznaczności współczynników wielomianu. Mając już udowodniony lemat, możemy przejść do dowodu twierdzenia 1 Dowód twierdzenia. ”⇒” Udowodnimy impikację w prawą stronę. Przyjmijmy oznaczenia jak z dowodu lematu 1. Przypomnijmy, że wartości ai są ustawione w ciąg malejący. Dla Pm ustalonego m suma i=1 ai p(ai ) reprezentuje zatem ogon dystrybuanty i zgodnie z definicją dominacji stochastycznej pierwszego rzędu spełnia nierówność: m X ai p(ai ) i=1 m X ai p(ai ) (2) i=1 Chcemy wykazać, że dla każdej funkcji niemalejącej u zachodzi: X X u(ai )p(ai ) Eu(Y ) = u(ai )q(ai ). Eu(X) = i i Równoważnie: X u(ai )[p(ai ) − q(ai )] 0. (3) i Bez straty ogólności możemy założyć, że u(ai ) > 0 dla każdego i. Jeśli tak nie jest, możemy przesunąć u o dowolną stałą, która zagwarantuje nam żądaną nierówność.2 Dowód przeprowadzimy indukcyjnie po górnej granicy sumowania m. 1. Dla m = 1. Wówczas u(a1 )[p(a1 ) − q(a1 )] 0, bo u(ai ) > 0 oraz p(ai ) − q(ai ) 0 (z (2), dla m = 1). 2. Załóżmy, że nierówność (3) zachodzi dla sumowania od 1 do m − 1. Udowodnimy ją dla sumy od 1 do m. Mamy: m X u(ai )[p(ai ) − q(ai )] = i=1 m−1 X u(ai )[p(ai ) − q(ai )] + u(am )[p(am ) − q(am )]. i=1 (4) Z nierówności (2) po drobnych przekształceniach widzimy, że: p(am ) − q(am ) − m−1 X [p(ai ) − q(ai )]. i=1 Zatem, wstawiając to do (4) otrzymujemy: m X i=1 u(ai )[p(ai ) − q(ai )] m−1 X [u(ai ) − u(am )] · [p(ai ) − q(ai )] i=1 2 Zgodnie z teorią von Neumanna-Morgensterna, użyteczność kardynalna jest niezmienna ze względu na dodatnie przekształcenia afiniczne. 6 Połóżmy ũ(ai ) = u(ai ) − u(am ). Wówczas ũ jest monotoniczna i ũ jest funkcją kardynalnej użyteczności równoważną z u w sensie aksjomatów von Neumanna i Morgensterna (gdyż powstała przez dodatnie przekształcenie afiniczne u). Ponieważ dla funkcji u z założenia indukcyjnego zachodzi nierówność m−1 X u(ai )[p(ai ) − q(ai )] 0, i=1 więc zachodzi także: m−1 X v(ai )[p(ai ) − q(ai )] 0. i=1 To z kolei na mocy powyższej nierówności implikuje: m X u(ai )[p(ai ) − q(ai )] 0. i=1 Zakończyliśmy więc dowód implikacji w prawą stronę. ”⇐” Udowodnimy implikację w lewą stronę. Dowód przeprowadzimy nie wprost. Załóżmy, że dla każdej funkcji użyteczności u mamy Eu(X) Eu(Y ), ale nie zachodzi X %d(1) Y . Wówczas albo X Gd(1) Y albo X -d(1) Y . 1. Jeśli X Gd(1) Y , to na mocy lematu 1 istnieją funkcje u, v takie, że Eu(X) < Eu(Y ) i Eu(X) > Eu(Y ). Jest to sprzeczne z naszym pierwotnym założeniem. Zatem nie może zachodzić X Gd(1) Y . 2. Jeśli X -d(1) Y , to na mocy udowodnionej przed chwilą implikacji w prawą stronę, zachodzi Eu(X) ¬ Eu(Y ). Ponownie otrzymujemy sprzeczność. Wnioskujemy zatem, że musi zachodzić X %d(1) Y . Dowód twierdzenia został zakończony. 3.2 Przypadek ciągły Udowodnimy teraz analogiczne twierdzenie dla przypadku ciągłego. Okazuje się, że teza jest prawdziwa, jeśli o funkcji użyteczności założymy że jest nierosnąca i różniczkowalna w sposób ciągły. Dodatkowo, przyjmiemy, że zmienne X, Y oraz wszystkie funkcje u są określone na przedziale domkniętym [a, b]. Twierdzenie 2. Niech X, Y będą zmiennymi losowymi o wartościach na przedziale [a, b] o ciągłych gęstościach prawdopodobieństwa. Wówczas X %d(1) Y wtedy i tylko wtedy, gdy dla każdej niemalejącej i kawałkami różniczkowalnej funkcji użyteczności zachodzi: u : [a, b] → R zachodzi: Eu(X) Eu(Y ). 7 Ponownie, przed przystąpieniem do dowodu, sformułujemy analog lamtu 1 dla przypadku ciągłego. Lemat 2. Niech X, Y są zdefiniowane jak wyżej. Jeśli zachodzi X Gd(1) Y , to istnieją funkcje u,v, obie niemalejące, takie, że prawdziwy jest układ nierówności: ( Eu(X) < Eu(Y ) Ev(X) > Ev(Y ). Dowód lematu. Dowód lematu będzie analogiczny jak w przypadku dyskretnym, pozwolę sobie więc zastosować pewne skróty. Niech p(x) i q(x) oznaczają gęstości zmiennych X i Y , a f : [a, b] → R będzie taką funkcją niemalejącą, dla której Rb Rb istnieją całki a f (x)p(x) oraz a f (x)q(x). Oznaczmy te całki, odpowiednio, przez ρX i ρY . Załóżmy na początek, że ρX < ρY . Chcemy udowodnić istnienie takich funkcji u,v, że zachodzi Eu(X) < Eu(Y ) oraz Ev(X) > Ev(X). Kładąc u(x) = f (x) otrzymujemy, jak poprzednio, pierwszą nierówność. Poszukamy teraz funkcji v, która spełnia drugą nierówność, którą możemy zapisać: Zb f (x)[p(x) − q(x)] > 0 a Z definicji stochastycznej nieporównywalności, istnieją s, t takie, że: Zs Zb [p(x) − q(x)dx] > 0 ⇔ [p(x) − q(x)dx] < 0 a s Zt Zb [p(x) − q(x)dx] < 0 ⇔ a [p(x) − q(x)dx] > 0 t Zatem, definiując analogicznie jak w dowodzie pierwszego lematu funkcję v następująco: ρ −ρ + f (x) dla x > s Rb Y X [p(x)−q(x)]+ v(x) = t f (x) dla x ¬ s, otrzymujemy kawałkami ciągłą i różniczkowalną funkcję użyteczności. Ponadto, v(x) jest niemalejąca, więc spełnia warunki lematu i zachodzi Ev(x)[p(x) − q(x)] > 0 Podobnie uzasadniamy przypadek ρX > ρY . Dla ρX = ρY dobieramy inną funkcję f . Przystąpimy teraz do dowodu twierdzenia 2. Dowód zaczerpnięty jest z [HaRu]. Co zaskakujące, jest zarówno krótszy, jak i prostszy niż jego dyskretny odpowiednik. 8 Dowód. ”⇒” Niech p(x), q(x) oznaczają ciągłe gęstości zmiennych X i Y , a P (x), Q(x) – odpowiadające im dystrybuanty. Chcemmy pokazać, że Eu(X) − Eu(Y ) 0. Z definicji wartości oczekiwanej mamy: Zb u(x)[p(x) − q(x)]dx. Eu(X) − Eu(Y ) = a Całkując przez części, mamy: Zb u(x)[p(x) − q(x)]dx = u(x)[P (x) − a b Q(x)]dx|a Zb − u0 (x)[P (x) − Q(x)]dx a Pierwszy składnik jest równy zeru, gdyż P (b) = Q(b) = 1 i P (a) = Q(a) = 0 z definicji dystrybuant. Drugi człon jest dodatni, gdyż z założenia X %d(1) Y mamy P (x) − Q(x) ¬ 0 oraz −u0 (x) ¬ 0, bo u jest niemalejąca. Zatem bez trudu otrzymujemy, że: Eu(X) − Eu(Y ) 0, co kończy dowód implikacji w prawo. ”⇐” Dowód przebiega z wykorzystaniem lematu 2 i jest bezpośrednim przeniesieniem dowodu dla przypadku dyskretnego. 4 Dominacja stochastyczna drugiego rzędu Dzięki dominacji stochastycznej pierwszego rzędu potrafimy przewidzieć zachowania każdego decydenta o rosnącej funkcji użyteczności. Niestety, własność ta jest na tyle silna, że występuje stosunkowo rzadko. Dla zmiennych, które są nieporównywalne w sensie dominacji stochastycznej pierwszego rzędu, skutecznym może się okazać zbadanie dominacji drugiego rzędu. Rezultat będzie nieco słabszy - zmuszeni jesteśmy dodać dodatkowe założenie o funkcji użyteczności u. Metoda dominacji drugiego rzędu sprawdza się dla klasy decydentów, charakteryzujących się awersją do ryzyka. Behawioralnie, oznacza to, że mając do wyboru wzięcie udziału w loterii lub uzyskanie średniej wypłaty z tej loterii bez ponoszenia ryzyka, wybiorą tą drugą opcję. Matematycznie, oznacza to, że jeśli ich funkcja użyteczności jest dwukrotnie różniczkowalna, to u00 (x) ¬ 0. Okazuje się, jak wykazał Hadar i Russel, że dla takiej grupy konsumentów można sformułować nieco słabszą wersję twierdzenia 1. Twierdzenie to sformułuję od razu w ogólności - nie ma potrzeby rozpatrywać osobno przypadku dyskretnego i ciągłego, gdyż po przejściu na dystrybuanty automatycznie otrzymujemy funkcje kawałkami ciągłe. Milcząco zakładam, że wszystkie całki są całkami Lebesgue’a, toteż skończenie wiele punktów nieciągłości nie będzie nam ”przeszkadzać” w definicji. 9 Tym razem dowód opiera się wyłącznie na cytowanej pracy Hadara i Russella, pozwolę sobie go zatem ominąć, formułoując tylko twierdzenie: Twierdzenie 3. Niech X, Y są zmiennymi losowymi o wartościach w przedziale [a, b], o dystrybuantach, odpowiednio P (x) i Q(x). Wówczas, jeżeli nierówność: Zt Zt P (x)dx ¬ Q(x)dx, a a zachodzi dla każdego t ∈ [a, b], to dla każdej niemalejącej funkcji u kawałkami klasy C2 , o niedodatniej drugiej pochodnej zachodzi Eu(X) Eu(Y ). Dowód. [HaRu]. 5 Przykłady Podam teraz dwa przykłady ilustrujące wykorzystanie powyższych twierdzeń. Najpierw poddamy analizie przykład ciągły, w którym z dominacji stochastycznej pierwszego rzędu będziemy wnioskować o wyborze decydenta. Następnie, zbadamy przypadek dyskretny, w którym z wyboru decydentów będziemy wnioskować o dominacji stochastycznej drugiego rzędu. 5.1 Przykład 1 Rozważmy dwie zmienne losowe, określone na przedziale [0, 1], reprezentujące dwa ryzyka, między którymi będzie wybierał decydent. Niech X będzie zmienną o rozkładzie jednostajnym na tym przedziale - to jest, gęstość X wyraża się wzorem gX (t) = I[0,1] (t), co oznacza, że każda wypłata z X jest w pewnym sensie ”jednakowo prawdopodobna”. Niech Y będzie zmienną na tym samym przedziale o gęstości gY (t) = (−2t + 2) · I[0,1] (t). Gęstość funkcji Y jest malejąca, co oznacza, że im wyższe wartości wypłat, tym mniejsze prawdopodobieństwo ich uzyskania. Intuicyjnie widać zatem, że mamy do czynienia z sytuacją, gdy dla ustalonej wartości t prawdopodobieństwo wypłaty niższej niż t jest zawsze wyższe dla zmiennej Y niż analogiczne prawdopodobieństwo dla zmiennej X. Istotnie, mamy: Zt FX (t) = 1ds = t dla t ∈ [0, 1] 0 Zt FY (t) = (−2s + 2)ds = −t2 + 2t dla t ∈ [0, 1] 0 FY (t) − FX (t) = −t2 + t = −t(t − 1) ¬ 0 dla t ∈ [0, 1] 10 Oczywiście FY (t) = FX (t) dla t ∈ / [0, 1], więc nieostra nierówność zostaje zachowana. Mamy zatem w ogólności FX (t) ¬ FY (t) ∀t, zatem X dominuje Y w sensie dominacji stochastycznej pierwszego rzędu. Z twierdzenia 2 wiemy, że jest to równoważne sytuacji, w której każdy decydent o rosnącej funkcji użyteczności będzie wybierał X zamiast Y . O tym, że istotnie tak jest możemy się przekonać, licząc wartość oczekiwaną obu zmiennych: Z1 1 EX = sds = 2 0 Z1 EY = (2s − 2s2 )ds = 1 3 0 Zatem EX > EY , skąd wnioskujemy, że decydent maksymalizujący swoją użyteczność będzie wybierał X wobec alternatywy Y . 5.2 Przykład 2 Zanalizujmy teraz przykład działania dominacji stochastycznej drugiego rzędu. Niech X będzie, ponownie, zmienną losową o rozkładzie jednostajnym na przedziale [0, 1], a Y - zmienną o rozkładzie dwupunktowym, przy czym P(Y = 1) = P(Y = 0) = 21 . Aby zbadać wybor decydenta, przyjmiemy - bez straty ogólności - że jego funkcja użyteczności jest unormowane tj. u(0) = 0 oraz u(1) = 1. Ponadto, jak w twierdzeniu 3, będziemy zakładać, że funkcja użyteczności jest kawałkami klasy C 2 i wklęsła. Wówczas decydent dla dowolnej funkcji u będzie preferował ryzyko X wobec Y , bowiem przy takiej samej wartości oczekiwanej charakteryzuje się mniejszą wariancją. Udowodnimy to formalnie. Nietrudno wyliczyć wartość oczekiwaną użyteczności ze zmiennej Y : Eu(Y ) = 1 1 1 u(1) + u(0) = 2 2 2 Nieco bardziej skomplikowana jest wielkość Eu(X). Znając gęstość X możemy napisać: Z Z1 Eu(X) = u(t)gX (t)dt = u(t)dt 0 R Ponadto, z definicji wklęsłości mamy dla każdego t ∈ [0, 1]: u(t) = u(t · 1 + (1 − t) · 0) t · u(1) + (1 − t) · u(0) = t Oczywiście, całka zachowuje monotoniczność, możemy zatem zapisać: Z1 Z1 u(t)dt 0 tdt = 0 11 1 2 Co ostatecznie dowodzi tego, że: Eu(X) Eu(Y ) Zbadajmy teraz kwestię dominacji stochastycznej. Dystrybuanty zmiennych X i Y przedstawiają się następująco: dla t < 0 0 FX (t) = 1/2 dla 0 ¬ t < 1 1 dla t 1 0 FY (t) = t 1 dla t < 0 dla 0 ¬ t < 1 dla t 1 FX (t) = FY (t) dla t ∈ / [0, 1], zatem pozostaje zbadać zachowanie dystrybunat na przedziale [0, 1]. Jest oczywistym, że nie zachodzi ani FX (t) FY (t)∀t, ani FX (t) ¬ FY (t)∀t, zatem X Gd(1) Y . Jednak dla całek z dystrybuant mamy dla t ∈ [0, 1]: Zt Zt FX (s)ds = 0 t t2 ¬ = sds = 2 2 Zt 0 0 1 = 2 Zt FY (s)ds 0 Zachodzi zatem warunek dominacji drugiego rzędu X %d(2) Y . 6 Podsumowanie W porównaniu z innymi metodami przewidywania zachowań konsumenta, metody oparte na dominacji stochastycznej pierwszego i drugiego rzędu wyróżniają się dwiema ogromnymi zaletami. Po pierwsze, stawiane są bardzo niewielkie wymagania wobec funkcji użyteczności. W przeciwieństwie do metody momentów, nie musimy nic zakładać o wielkościach pochodnych, a tylko nieujemność pierwszej dla dominacji pierwszego rzędu oraz dodatkowo niedodatniość drugiej dla dominacji drugiego rzędu. To czyni tę metodę szczególnie ważną zwłaszcza dla rozważań teoretycznych, które zazwyczaj chcemy prowadzić na jak najwyższym stopniu ogólności. Po drugie, warunki definiujące dominację są koniecznie i dostateczne. To sprawia, że obie strony analizy – zarówno od dominacji do preferencji, jak i od preferencji do dominacji mogą byż przeprowadzane dla każdego rozkładu ciągłego lub dyskretnego i dla każdej funkcji użyteczności spełniającej zadane warunki. Wiemy też, że niespełnienie dowolnego warunku automatycznie wyklucza prawdziwość twierdzenia, co znacznie przyspiesza i ułatwia rozwiązanie problemu. 12 Literatura [HaRu] Josef Hadar, William Russell, Rules for Ordering Uncertain Prospects [online]. Dostępne w Internecie: darp.lse.ac.uk [NeMo] John von Neumann, Oskar Morgenstern Theory of games and economic behaviour, Princeton 1953. [QuSa] James Quirk, Rubin Saposnik, Admissibility and Measurable Utility Functions, The Review of Economic Studies, 22 (1962), s. 140-146. 13