Päätösanalyysi. Aiheet. 1. Päätöspuut. 2. Informaation arvo. 3. Herkkyysanalyysi. 1 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

Transkriptio

1 Päätösanalyysi Aiheet 1. Päätöspuut 2. Informaation arvo 3. Herkkyysanalyysi 1 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

2 Päätöspuut (Decision trees) - Osat 1. Päätösnoodit (decision nodes) merkitty neliöinä 2. Tulemat (outcomes) merkitty oksina 3. Tulos (payoff) merkitty viimeisen oksan kohdalle 4. Epävarmuutta kuvaavat kohdat merkitty ympyröinä Vaihtoehtoisten tulemien todennäköisyydet merkitty Menetelmä päätösprosessin formalisoimiseksi - selventää olemassaolevat vaihtoehdot - helpottaa kommunikaatiota päätöstilanteesta - strategisten päätöksentekotilanteiden hahmottaminen Ratkaisutapa: käänteinen induktio (backward induction) 2 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

3 Odotusarvo (Expected Value, EV): Lyhyt kertaus Projekti, jonka mahdolliset tulemat ovat 100 voitto, todennäköisyys 25% 20 tappio, todennäköisyys 75% EV = ( 20) = = 10 Kaikkien vaihtoehtojen todennäköisyyksien summa on yksi N mahdollista tulemaa todennäköisyydet p1, p2,, pn (jossa p1 + p2 + + pn = 1) tulokset V1,V2,, VN EV = p1v1 + p2v2 + + pnvn Jos päätöksentekijä on riskinkarttaja, niin tuloksiin voidaan lisätä riskipreemiot. 3 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

4 Decision tree under uncertainty: You ve been sued Win [ 0.5 ] Win [ 0.2 ] Appeal Go to court Lose [ 0.8 ] Lose [ 0.5 ] -5 $ mio Accept 4 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

5 Decision tree under uncertainty: You ve been sued Go to court EV = 0.5() + 0.5() =.5 Lose [ 0.5 ] Win [ 0.5 ] EV = 0.2()+0.8(-5) Appeal = Win [ 0.2 ] Lose [ 0.8 ] $ mio -5 Accept Solution by backwards induction: calculate the EV at chance nodes choose highest EV at decision nodes 5 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

6 Decision tree under uncertainty: You ve been sued Go to court EV = 0.5() + 0.5() =.5 Lose [ 0.5 ] Win [ 0.5 ] EV = 0.2()+0.8(-5) Appeal = Win [ 0.2 ] Lose [ 0.8 ] $ mio -5 Accept -x Q. You re the plaintiff. How much should you settle for? 6 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

7 Esimerkki: You ve been sued Tilanne: - Kantaja (plaintiff) tarjoaa sopua hintaan $2m - Oikeudenkäyntikulut ovat $1m per oikeudenkäynti - Oikeudenkäynnin voittoon on 50% todennäköisyys - Jos voitat, et joudu maksamaan korvauksia; jos häviät, joudut maksamaan $3m kantajalle - Jos häviät, voit vedota ylempään oikeusasteeseen - Vetoomustuomioistuimessa voittoon on 20% todennäköisyys Mitkä ovat mahdolliset tulokset ($m)? Oikeudenkäynti, voitto: 1 Oikeudenkäynti, tappio, vetoa, voitto: 1 1 = 2 Oikeudenkäynti, tappio, vetoa, tappio: = 5 Oikeudenkäynti, tappio, hyväksy: 1 3 = 4 Sovi: 2 7 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

8 You ve been sued $ m Oikeuskulut: Korvaukset: -3 Oikeuskulut: = Korvaukset peruuntuvat: +3-3 = -5 Sopukorvaus: -3 = Päätöspuuanalyysi. Ensin laske lopulliset tulokset (payoffs), sitten ratkaise optimaalinen päätös. Ks data edellisellä sivulla Lopullinen tulos on kaikkien matkan varrella koettujen tulosten summa 8 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

9 Recall the You ve been sued problem $ mio Win [ 0.5 ] Win [ 0.2 ] Appeal Go to court Lose [ 0.8 ] Lose [ 0.5 ] Accept 9 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

10 Decision tree under uncertainty: You ve been sued.5 Win [ 0.5 ] $ mio Go to court Lose and accept [ 0.5 ] The tree can be simplified by eliminating outcomes where we ll never end up 10 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

11 Informaation arvo Informaation arvo = ottaen huomioon informaation vaikutuksen optimaaliseen päätökseen, kuinka paljon se nostaa päätöstilanteen EV:tä Informaatio on arvokasta vain jos se voi vaikuttaa optimaaliseen päätökseen Jatkoa oikeudenkäyntiesimerkistä. Kuinka arvokasta olisi tietää kuka voittaa oikeudenkäynnin ennen kuin päättää hyväksyäkö sopuehdotus? Kuinka arvokasta olisi tietää vetoomustuomioistuimen voittaja etukäteen? 11 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

12 You ve been sued Win [ 0.5 ] Is it worth hiring an expert? For simplicity, let s assume the expert makes perfect predictions.5 Payoff before cost of expert $ mio Lose and accept [ 0.5 ] Go to court Don t hire Go to court & win You ll win [0.5 ] Hire expert Go to court & lose You ll lose [0.5] 12 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

13 Win [ 0.5 ] You ve been sued Is it worth hiring an expert?.5 $ mio Lose and accept [ 0.5 ] Go to court Don t hire Go to court & win You ll win [0.5 ] Hire expert Go to court & lose Cost of hiring expert: X - X - X - X - X You ll lose [0.5] Hire expert if.5 X > X < 0.5 EV = 0.5() + 0.5() X =.5 X - X - X 13 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

14 Sensitivity analysis EV = p() + (1 p)() = 3p 4 Go to court Lose [ 1 p ] Win [ p ] Appeal.4 Win [ 0.2 ] Lose [ 0.8 ] $ mio -5 Accept What if our assumptions are wrong? Suppose the true win probability is p Better to settle if 3p 4 < p < 2/3 14 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

15 Herkkyysanalyysi Kuinka paljon päätöstilanteen EV muuttuu, jos jokin oletus onkin väärä? Kuinkä väärässä oletus saa olla, ennen kuin optimaalinen päätös ei enää olisikaan optimaalinen? - Korvaa oletettu arvo muuttujalla, kuten p or x - Ratkaise päätösongelman EV muuttujan funktiona - Missä rajoissa muuttujan täytyy olla, jotta optimaalinen päätös ei muutu? 15 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

16 Päätöspuut: tärkeimmät taidot Osaa tehdä päätöspuu verbaalisen tilannekuvauksen perusteella. Ratkaise päätös ja sen EV Osaa tarkastella kuinka herkkä optimaalinen päätös ja EV ovat päätöksen pohjana käytetyille oletuksille Osaa ratkaista lisäinformaation arvo 16 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

17 3G Auctions: The sunk cost fallacy Q1. Effect of C on investment decision? Q2. Maximum price that an operator should pay? Buy license Don t buy license 0 Good economy [0.5] Bad economy [0.5] EV buy = K C EV buy = 200 C EV buy = 235 C K = 3G investment cost C = Price for the 3G license C C 10 - C -C 0 Assumption K = 100 Assumption K = 40 Invest Don t invest Invest Don t invest K C C C 50 K - C -C -C -50 -C 10 C 17 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

18 Decision analysis: old exam question Acme Inc is considering two alternative projects, called A and B. Project A would result in a cost of 20 immediately, and a revenue of 25 two years from now. (All payoffs in $m). Project B would result in a cost of 25 immediately and in an uncertain revenue three years from now: 40 or 24 with equal probabilities. Acme s discount rate is 6%. The investment decision must be done now and it is irreversible. a) Which project, if any, should Acme choose and why? b) What would be the value for Acme of knowing beforehand which one of the revenue levels for project B will be realized? 18 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

19 Solution a) The discount factor used by Acme is 1/1.06. Acme should choose whichever project gives the highest expected value in today s dollars. The payoffs of project A are: X0 = 20 and X2 = 25. Present value is /(1.06) 2 = 2.25 The expected payoffs of project B are: X1 = 25 and X3 = = 32, where X3 is an expected value. Present value is /(1.06) 3 = 1.87 Acme should choose project A. (Note that if the two projects were not alternative, then Acme should undertake both, since both give positive PV). b) Knowing what the payoff of project B will be three years from now allows Acme to choose it only if it promises the higher payoff of 40 and to choose Project A otherwise. If Acme obtains a forecast and it promises a high payoff then the PV is /(1.06) 3 = If the forecast promises a low payoff, then the PV is only /(1.06) 3 = The forecast promises a high payoff if and only if the payoff really is high --- so the forecast must be high with probability 0.5. To illustrate the situation, we can draw the decision tree (this was not asked in the question, and if you could think through the problem without a tree that s fine). Notice that we already figured out (in part a) that if Acme doesn t have a forecast then it goes for project A and gets PV= Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

20 Value of information to Acme Payoffs in today s $m Don t get a forecast 2.25 Invest in project A 2.25 Get a forecast EV = 0.5* *2.25 = 5.42 Good news [ 0.5 ] B 8.58 Value of information Bad news [ 0.5 ] A 2.25 = = 3.17 B.85 Therefore Acme should be willing to pay at most $3.17million today for a perfect forecast about the outcome of project B. 20 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

21 Simplifying decision trees by combining successive chance outcomes Payoff A Payoff A good & nice [ P*Q ] Chance 2: nice [ Q ] B C B C D good & awful [ P*(1-Q) ] Chance 2: awful [ 1-Q ] Chance 1: good [ P ] Bad & nice [ (1 P)*Q ] Chance 2: nice [ Q ] Chance 1: bad [ 1- P ] Bad & awful [ (1 P)*(1-Q) ] D Chance 2: awful [ 1-Q ] The right tree is an equivalent simplification of the left tree 21 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto

22 Päätösanalyysi Mikä on tavoite, millä kriteerillä mitataan tulosta? Mitkä ovat relevantit faktat? Mitä vaihtoehtoja on mitkä ovat niiden seuraukset? Ratkaisu: vaihtoehto, joka johtaa parhaaseen tulokseen Kannattaako hankkia lisää informaatiota päätöstä varten? Kuinka herkkä tulos on faktojen tarkkuudelle, oletuksille? Mitä voisivat olla tahattomat seuraukset? (law of unintended consequences) 22 Mikrotaloustiede (31C00100) Prof. Marko Terviö Aalto-yliopisto