Algorithm Aversion and Other Causes of Bias in Decision Behavior

Studies on Algorithm Aversion, Capital Market Forecasting, and Price Dispersion

by Marco Lorenz
Cumulative thesis
Date of Examination:2022-11-25
Date of issue:2022-11-28
Advisor:Prof. Dr. Markus, Spiwoks
Referee:Prof. Dr. Kilian, Bizer
Referee:Prof. Dr. Markus, Spiwoks
Referee:Prof. Dr. Holger A., Rau
Persistent Address: http://dx.doi.org/10.53846/goediss-9591

 

 

Files in this item

Name:Onlineformat_Dissertation_Marco_Lorenz_20221119.pdf
Size:5.46Mb
Format:PDF

The following license files are associated with this item:

Abstract

English

The present thesis contributes to the debate on whether the neoclassical economic theory is suitable to describe economic reality. It covers the three topics of algorithm aversion, analysis of capital market forecasts, and analysis of price dispersion. The first research area in this dissertation is the rather new field of "algorithm aversion". Dietvorst et al. (2015) had shown that people tend to refrain from using highly effective automated processes (algorithms) even when their use would clearly be to their own advantage. The first paper uses an economic experiment to demonstrate that algorithm aversion can be partially reduced with increasing experience in using a prediction task and an algorithm. The second study examines the extent to which algorithm aversion is pronounced in six decision situations with different contexts. It is revealed that the aversion is particularly strong where an error can have dramatic consequences (e.g., in the detection of tumors on MRI scans). The third study examines the extent to which algorithm aversion declines when decision-makers can influence an algorithm at different points in the prediction process. The ability to adjust an algorithm's forecasts at the end of the process proves to be particularly effective. Influencing the configuration of an algorithm does not lead to a comparable reduction in algorithm aversion. Finally, studies four and five show that algorithm aversion cannot be significantly reduced either by the decoy effect or by making decisions on behalf of others. Taken as a whole, the studies show how algorithm aversion is a hindrance to the establishment of innovations such as robo-advisors and how difficult it can be to overcome it. When working with algorithms, subjects regularly deviate from the rational behavior suggested by the homo economicus model from neoclassical theory. The sixth and seventh studies examine the accuracy of interest rate and stock index forecasts. They show that developments in capital markets can mostly not be predicted with sufficient accuracy. With a few exceptions, it is therefore not to be expected that systematic excess returns can be achieved by taking the forecasts into account. The observed adherence to overly cautious and present-oriented forecasts is also at odds with the homo economicus model. Finally, the eighth study analyzes a large database of retail prices called between 2020 and 2022. The observed deviations from the neoclassical model of equilibrium price formation are so striking that here, too, it must be stated that neoclassical theory only inaccurately describes practice. Overall, the conclusion is that the popularity of neoclassical theory in research and teaching should be questioned. Subject behavior is clearly more in line with more modern approaches, such as behavioral economics, in all three topics covered in this dissertation.
Keywords: Algorithm Aversion; Behavioral Economics; Capital Markets; Equilibrium Price; Experimental Economics; Forecasting; Homo Economicus; Interest Rates; Technology Adoption

German

Diese Arbeit leistet einen Beitrag zu der Debatte, inwiefern die neoklassische Wirtschaftstheorie geeignet ist, die ökonomische Wirklichkeit zu beschreiben. Sie umfasst die drei Themengebiete Algorithm Aversion, Analyse von Kapitalmarktprognosen und Analyse von Preisdifferenzen. Der erste Themenblock (Studien 1-5) ist das noch junge Forschungsfeld der „Algorithm Aversion“. Dietvorst et al. (2015) hatten gezeigt, dass Menschen dazu neigen, auf die Verwendung leistungsstarker, automatisierter Verfahren (Algorithmen) zu verzichten, selbst wenn deren Verwendung eindeutig zu ihrem eigenen Vorteil wäre. In der ersten Studie wird mithilfe eines ökonomischen Experiments nachgewiesen, dass die Algorithm Aversion mit zunehmender Erfahrung im Umgang mit einer Prognoseaufgabe und einem Algorithmus teilweise abgebaut werden kann. In der zweiten Studie wird untersucht, wie stark die Algorithm Aversion in sechs verschiedenen Entscheidungssituationen mit unterschiedlichen Kontexten ausgeprägt ist. Vor allem dort, wo ein Fehler dramatische Konsequenzen haben kann (z.B. bei der Erkennung von Tumoren auf MRT-Scans), ist die Aversion besonders stark ausgeprägt. Die dritte Studie untersucht, inwiefern die Algorithm Aversion zurückgeht, wenn Entscheidungsträger an unterschiedlichen Stellen des Prognoseprozesses Einfluss auf einen Algorithmus ausüben können. Die Möglichkeit, die Prognosen eines Algorithmus im Nachgang anpassen zu können, erweist sich als besonders effektiv. Ein Einfluss auf die Konfiguration eines Algorithmus führt zu keiner vergleichbaren Reduzierung der Aversion. Studie vier und Studie fünf zeigen schließlich, dass die Algorithm Aversion weder durch den Decoy-Effekt, noch durch das Treffen von Entscheidungen für Dritte („Stellvertreterentscheidungen“) nennenswert abgebaut werden kann. Insgesamt zeigen die Studien, wie hinderlich die Algorithm Aversion für die Etablierung von Innovationen wie Robo-Advisors ist und wie schwierig es sein kann, sie zu überwinden. In der Zusammenarbeit mit Algorithmen weichen Subjekte regelmäßig von dem rationalen Verhalten ab, dass das Modell des Homo Oeconomicus aus der neoklassischen Theorie nahelegt. Die sechste und siebte Studie untersuchen die Genauigkeit von Zins- und Aktienindexprognosen. Dabei zeigt sich, dass die Entwicklungen an Kapitalmärkten in aller Regel nicht ausreichend präzise vorhergesagt werden können. Eine systematische Erzielung von Überrenditen durch Berücksichtigung der Prognosen ist deshalb bis auf wenige Ausnahmen nicht zu erwarten. Das beobachtete Festhalten an zu vorsichtigen und gegenwartsorientierten Prognosen steht ebenfalls im Widerspruch zum Modell des Homo Oeconomicus. In der achten Studie wird schließlich eine große Datenbasis von Preisen aus dem Einzelhandel, die zwischen 2020 und 2022 aufgerufen worden, analysiert. Die dabei beobachteten Abweichungen vom neoklassischen Modell des Gleichgewichtspreises sind derart eklatant, dass auch hier konstatiert werden muss, dass die neoklassische Theorie die Praxis nur unzutreffend beschreibt. Insgesamt wird deshalb das Fazit gezogen, dass die Vormachtstellung der Neoklassik in Forschung und Lehre hinterfragt werden sollte. Das Verhalten der Subjekte steht in allen drei Themengebieten dieser Dissertation eindeutig eher im Einklang mit moderneren Ansätzen, wie zum Beispiel den Behavioral Economics.
 
Statistik