Paul Bettega soutient sa thèse

Paul Bettega soutient sa thèse le 25 février 2022 à 9h30 (BATEG, salle 227 du GAEL, 1241 rue des Résidences à Saint-Martin-d'Hères).

La soutenance est également accessible sur ce lien Zoom
Meeting ID: 937 3607 1817
Passcode: 816314

Titre : Deux approches expérimentales pour tester la tentation et un test de stabilité des préférences individuelles pour le risque.

Composition du jury :

• Paolo Crosetto, directeur de recherche, INRAE, Université Grenoble Alpes, directeur de thèse ;
• Guillaume Hollard, directeur de recherche, Centre de recherche en économie et statistique, rapporteur ;
• Antonio Filippin, professeur, Universitá degli Studi di Milano, Italie, rapporteur ;
• Ani Guerdjikova, professeure, Université Grenoble Alpes, examinatrice ;
• Séverine Toussaert, professeure associée, St John's College, Royaume-Uni, examinatrice.

Résumé : Cette thèse présente trois expériences menées en ligne entre 2018 et 2021. Les deux premières expériences visent à tester le modèle de tentation proposé par Gul and Pesendorfer (2001) (ci-après G-P). La première expérience étudie l’impact d’un engagement contraignant ou non sur les préférences en matière de risque. Elle confirme les résultats précédents de la littérature selon lesquels environ 30% des sujets manifestent une demande pour un engagement contraignant. Elle nous éclaire sur la façon dont les sujets utilisent leur self-control lorsque la limite qu’ils ont demandée n’est pas appliquée. Cette étude montre que l’engagement réduit le niveau de risque pris par les sujets qu’il soit contraignant ou non. De plus cette réduction du risque est plus importante lorsque l’engagement est contraignant. La deuxième expérience teste la performance descriptive du modèle G-P et le compare au modèle de l’utilité espérée et à deux modèles statistiques. Cette expérience montre que le modèle G-P décrit les choix des sujets pour des menus de loterie plus précisément que le modèle d’utilité espérée en termes de précision, de tendance et de préférences. Cependant, nous montrons qu’aucun des deux modèles n’est significativement plus précis qu’un modèle de réponse constante individuelle qui ne prend pas en compte la composition des menus. La troisième expérience teste la stabilité des préférences individuelle en matière de risque. Elle montre que les préférences des sujets sont extrêmement variables à la fois entre les sujets et pour un même sujet. Cette expérience montre que les choix des sujets ne sont pas normalement distribués et que leur moyenne ne l’est pas non plus. Cette expérience montre également que la distribution des choix individuels a pour conséquence d’augmenter les risques de type I pour les tests statistiques quand le protocole est en within ou en between. Il en résulte également une faible performance prédictive et descriptive du modèle d’utilité espérée sur les choix individuels. Les prédictions faites par un modèle basé sur une fonction d’utilité de type CRRA sont moins efficaces que celles faites par un modèle simple qui prédit la valeur moyenne de l’intervalle possible. Bien que nous ne proposions pas d’explication à ces résultats, nous montrons qu’un modèle de régression linéaire qui intégre les choix précédents d’un sujet sont plus performants que les modèles basés sur un paramètre d’aversion au risque. Cette thèse montre aussi qu’il peut être pertinent de comparer des modèles économiques a des modèles statistiques de référence afin de tester leur capacité descriptive ou prédictive. Cette approche permet aussi d’appliquer les méthodes de comparaison de modèles développés en apprentissage automatique au cours des dernières années et permet de comparer les avantages des modèles économiques et d’apprentissage automatique.

Abstract: This thesis presents three experiments conducted online between 2018 and 2021. The first two experiments aim to test the temptation model proposed by Gul and Pesendorfer (2001) (hereafter G-P). The first experiment studies the impact of hard and soft commitment on risk preferences. It confirms previous results in the literature whereby about 30% of the subjects display a demand for a commitment and allows us to sehd light on the way subjects use their self-control when the limit they requested is not applied. This allows us to show that asking for a constraint has the effect of reducing the level of risk taken by the subjects and that this reduction of risk is larger when the commitment is hard instead of soft. The second experiment tests the descriptive performance of the G-P model and compares it to the expected utility model and to two statistical models. This experiment shows that the G-P model is able to describe subjects’ choices for lottery menus more accurately than the expected utility model in terms of precision, tendency and preferences. However, we show that neither model is significantly more accurate than an individual constant response model that does not take into account the composition of the menus. The third experiment tests the stability of individuals’ risk preferences. It shows that subjects’ preferences are extremely variable both between and within subjects. This experiment shows that the choices of the subjects are not only not normally distributed but that they are not even distributed in such a way that their mean is normally distributed. This experiment also shows that the distribution of individual choices has the consequence of increase the type-I risks for statistical tests on both witin- and between-subjects experimental designs. It also results in poor predictive and descriptive performance of the expected utility model on individual choices. The predictions made by a model based on a CRRA-type utility function are less efficient than those made by a dummy model that simply predicts the average value over the possible interval. Although we do not propose an explanation for these results, we show that simple linear regression models that take into account a subject’s previous choices perform much better than models based on a risk aversion parameter. This thesis also shows that it can be relevant to compare economic models with statistical reference models in order to test their descriptive or predictive capacity. This approach allows to apply the methods of comparison of models developed in machine learning during the last years and will allow to compare the contributions of economic models and machine learning models.