1

Chapitre 2. lutilit espre et le

comportement vis--vis du risque
1. Principes et axiomatique de
lesprance dutilit
2. La prime de risque
3. Les indices daversion au risque
4. Les mesures de risque
5. Remises en causes et critiques du
critre dEU Philip Kaufman (1983), Ltoffe des hros (The Right Stuff)
2
1) Lesprance dutilit (Von Neumann et Morgenstern)
a) principes

=
j
ij j i
G U p EU ) (
3
100
= 1/2 (50) +1/2 (150)
50 150
U(50)
U(150)
gain
Utilit
U(50) +
U(150)
U{(50)+
(150)}=
u(100)
70=EC
Prime
de risque
Prime de risque =
100 70 = 30
Soit une loterie A {(50;150),(1/2;1/2)}
=U(70)
La fonction dutilit concave (utilit marginale
dcroissante) indique laversion au risque
4
Prime de risque et prfrence vis-vis du risque
Si PR>0, alors UE > EU et lagent est risquophobe
(averse au risque)
Si PR<0, alors UE < EU et lagent est risquophile (got
pour le risque)
Si PR=0, alors UE = EU et lagent est neutre vis--vis
du risque
5
Lesprance dutilit
Si Pr (X=x) = {0,2 ; 0,5 ; 0,3} et U =ln(x)
Alors EU (A) = 0,2ln(100) +0,5 ln50 + 0,3 ln 30 = 3,9
EMG (B) = 4.1
EMG (C) = 3.8
Do B > A > C
6
Comparaison des loteries et comparaison des
distributions de probabilits
Une dcision di est en fait
une loterie, ie une
distribution de
consquences attache
une distribution de
probabilits :
De mme pour di :
Comme les consquences
peuvent en gnral tre
ordonnes, alors il est
possible de regrouper
toutes les consquences et
de diffrencier les loteries
par leur distribution de
probabilits :
( )
i i i i i i
d
n
d d d
n
d d
i
p p p c c c L d ,..., , ; ,..., ,
2 1 2 1
=
( )
' ' ' ' ' '
,..., , ; ,..., ,
2 1 2 1
'
i i i i i i
d
n
d d d
n
d d
i
p p p c c c L d =
( )
' ' '
,..., , , ,..., , ; ,..., ,
2 1 2 1 2 2 1
i i i i i i
d
n
d d d
n
d d
n
p p p p p p c c c L D =
7
exemple
50 45 35
C
Bus articul en
site protg
40 70 65
B
Bus guid
30 50 100
A
Tramway
Faible
(0.3)
Moyenne
(0.5)
leve
(0.2)
Demande
projet
8
exemple
Lensemble des
consquences sur ces 3
loteries est :
Si on lordonne :
Chaque dcision (loterie)
peut alors tre compare
par sa distribution de
probabilit sur lensemble
des consquences C
{ } 50 , 45 , 35 , 40 , 70 , 65 , 30 , 50 , 100 = C
{ } 100 ; 70 ; 65 ; 50 ; 45 ; 40 ; 35 ; 30 = C
{ } 100 ; 70 ; 65 ; 50 ; 45 ; 40 ; 35 ; 30 = C
( ) { } 2 . 0 ; 0 ; 0 ; 5 . 0 ; 0 ; 0 ; 0 ; 3 . 0 = A P
{ } 100 ; 70 ; 65 ; 50 ; 45 ; 40 ; 35 ; 30 = C
( ) { } 0 ; 5 . 0 ; 2 . 0 ; 0 ; 0 ; 3 . 0 ; 0 ; 0 = B P
{ } 100 ; 70 ; 65 ; 50 ; 45 ; 40 ; 35 ; 30 = C
( ) { } 0 ; 0 ; 0 ; 3 . 0 ; 5 . 0 ; 0 ; 2 . 0 ; 0 = C P
9
b) Axiomatique de Von Neumann-Morgenstern
Par consquent, si on prend le cardinal des
consquences des toutes les loteries, chaque loterie ne
diffre que par sa distribution de probabilits,
Si on suppose que lagent dispose dun prordre complet
sur les consquences (relation de prfrence et
dindiffrence sur les consquences), alors la dfinition
dune relation de prfrence sur les loteries suffit
caractriser le comportement vis--vis du risque dun
agent,
Cette relation de prfrence doit respecter les axiomes
suivants pour que la fonction dutilit VNM existe :
10
Axiomes dexistence de lesprance dutilit
Axiome 1 de comparabilit. soit p et q 2 distributions de
probabilits appartenant lespace P, on a :
Cela implique que toute distribution de probabilits peut tre
compare une autre.
q p q p q p P q p ~ soit ; soit ; soit , p f
11
Axiomes dexistence de lesprance dutilit
Axiome 2 de transitivit. Soit 3 distributions de
probabilit, p, q et z. Lhypothse de transitivit
implique que :
Cette hypothse correspond une hypothse de
rationalit parfaite.
z p alors z q et q p si P z q p f f f , ,
12
Axiomes dexistence de lesprance dutilit
Axiome 3 dindpendance. Soit 3 distributions de probabilit, p,
q et z et un rel compris entre 0 et 1. Lhypothse
dindpendance implique que :
Cet axiome peut galement sinterprter de la manire suivante :
[ ]
( ) ( )z q z p alors
q p si
P z q p

+ +

1 . 1 .
1 , 0 , , ,
f
f
( ) ( ) ) 1 ( , ; , ) 1 ( , ; , z q L z p L alors
q p si
f
f
13
Axiomes dexistence de lesprance dutilit
Axiome 4 de continuit. Soit 3 distributions de probabilit, p, q
et z. Lhypothse de continuit implique que :
[ ]
( ) ( )z q q z p
tels que :
alors
z q p si
P z q p


+ +


1 . 1 .
1 , 0 ,
, , ,
f f
f f
14
Axiomes dexistence de lesprance dutilit
Axiome 5 de rduction des loteries composes.
Un agent doit tre indiffrent entre une loterie A qui lui donne une probabilit
p de gagner x$ et (1-p) de gagner 0$ et une loterie qui lui donne une probabilit
q de gagner une loterie B (x$,0$); (z, (1-z)) et une probabilit (1-q) de gagner 0$
ssi :
Exemple : un agent doit tre indiffrent entre une loterie A qui lui donne 25%
de chances de gagner 100$ et une loterie qui lui donne 50% de chances de
gagner une loterie B qui lui donne 50% de chances de gagner 100$
( ) ( ) ( )( ) ( ) p z q z q z q
p z q
= + +
=
1 1 1 1 1
15
Thorme de VNM
Si les 5 axiomes prcdents sont respects, alors il existe une
fonction u tq :
( ) ( ) C u E C u E q p
P q p
q p
>

si seulement et si
, ,
f
16
Implication de la concavit des fonctions dutilit
Si la drive seconde de la fonction dutilit est
ngative, alors la fonction est concave, ce qui signifie
que plus le niveau de richesse dun individu est
important, moins il est averse au risque,
Un agent infiniment riche est donc neutre vis--vis du
risque
17
2. La prime de risque : dfinition formelle (1)
Soit U(x) la fonction dutilit dun individu
soit une loterie :
On a lesprance mathmatique de la loterie :
Soit lesprance dUtilit (VNM) de la loterie :
( )
j j
j
e x p x =

%
( )
( )
j j
j
e U x p U x =


%
( ) ( )
1 1
,...., ; ,....,
J J
x x x p p =

%
(1)
(2)
18
La prime de risque : dfinition formelle (2)
Soit lutilit de lesprance mathmatique des gains affrents la
loterie :
Par dfinition de lEU, on peut avoir :
On appelle Equivalent-Certain dune loterie :
tant la prime de risque affrente cette loterie.
( ) ( )
U e x e U x <

% %
( ) ( )
x
ec x e x =
%
% %
x

%
(3) ( )
j j
j
U e x U p x

=

%
(4)
19
La prime de risque : dfinition formelle (3)
Par dfinition de lEC, on a forcment :
Par consquent, on peut crire :
O est la fonction rciproque de U(x)
[ ] ( )
( )
( )
j j
j
U ec x e U x p U x = =


% %
( )
1
( )
j j
j
ec x U p U x

%
( ) y U
1
(5)
(6)
20
La prime de risque : dfinition formelle (4)
En croisant (4) et (6), on peut crire la valeur de la
prime de risque :
( )
( )
1
x j j
j
e x U p U x


=


%
%
21
Un exemple
Exemple : dans le cas dune loterie [(50$ ; 150$)(1/2 ;
1/2)] et dune fonction dutilit bernoullienne U(x) =
ln(x)
Lquivalent certain est calcul comme suit :
1 1
( ) exp (50) (150) 86.6
2 2
ec x U U

= + =


%
22
Graphique : lutilit de la loterie pour U(x) = ln(x)
50 60 70 80 90 100 110 120 130 140 150
4.0
4.2
4.4
4.6
4.8
5.0
x
y
23
Lapproximation dArrow-Pratt (1964) (1)
On sait que :
Par dfinition de lquivalent-certain de la
loterie, on a :
Supposons une VA :
Sa moyenne est et sa variance
suffisamment petite
Supposons que la fonction U(.) soit 2 fois
diffrentiable, concave et strictement
croissante,
La prime de risque sur cette loterie scrit :

~ ~
+ = x x
[ ] ( )
( )
( )
j j
j
U ec x e U x p U x = =


% %
( ) [ ] ( ) [ ] ( ) [ ]
~
,
~ ~
x x U x U e x U e = + =
x
2

( ) [ ] ( ) [ ] x U e x e U
x
~ ~
~ =
24
Lapproximation dArrow-Pratt (1964) (2)
Un utilisant la formule des DL dordre 2
(expansion de Taylor), on peut crire, ce
pour toute valeur prise par
Soit compte tenu du fait que est lui-
mme un paramtre alatoire :
Application : supposons que et
que
Question : en supposant une distribution
uniforme de probabilits, montrez que
lquation (2) sapplique en partant de lquation
(1)

~
( ) ( ) ( ) ( ) x U x U x U x U
' '
2
'
2

+ + +

~
( ) [ ] ( ) ( ) x U x U x U e
' '
2
2

+ +
{ } 1 ; 1
~
+ =
(1)
(2)
0 = x
25
Dmonstration par lexemple
( ) [ ] ( ) ( ) ( )
( )
( ) ( ) ( ) ( )
( )
( )
( ) [ ] ( )
( )
( ) ( )
( )
( )
( ) [ ] ( ) ( ) x U x U x U e
x U
x U
x U x U
x U
x U x U e
x U x U x U x U x U x U x U e
' '
2
1
' '
4
1
2
'
2
1
' '
4
1
2
'
2
1
' '
2
1
' 1
2
1
' '
2
1
' 1
2
1
2 2
+ +
|

\
|
+ + +
|

\
|
+ +

+ + +

+ + +

1
2
=

Comme la variance de la loterie est gale , on a bien :

( ) [ ] ( ) ( ) x U x U x U e ' '
2
2

+ +
26
Lapproximation dArrow-Pratt (1964) (3)
Si on reprend leqn (2) :
Comme on suppose que
est suffisamment petit, alors la prime de
risque sera galement petite, do (voir
exemple*) :
Par dfinition de lquivalent-certain, on
peut crire que (2)=(1), soit :
On extrait alors la prime de risque

~
( ) [ ] ( ) ( ) x U x U x U e
' '
2
2

+ +
( ) [ ] ( ) ( ) ( ) x U x x U x x U '
~
,
~
,
( )
( )
( ) 2 '
' '
~
,
2

x U
x U
x
( ) ( ) ( ) ( ) ( ) x U x x U x U x U '
~
,
2
' '
2

= +
27
(*) Exemple avec U(x)=ln(x)
Exemple : dans le cas dune loterie [(50$ ; 150$)(1/2 ; 1/2)]
et dune fonction dutilit bernoullienne U(x) = ln(x)
Lquivalent certain tait de 86.6$
On a bien approximativement :
[ ] ( ) ( )
( ) ( )
144 . 0 605 . 4 461 . 4
100
1
4 . 14 100 ln 6 . 86 ln
100 ' 4 . 14 100 4 . 14 100

|

\
|

U U U
28
3. Indices daversion au risque : Le niveau absolu
et relatif daversion au risque
Pour une fonction dutilit
du type lnx ou racine
carre de x, le principe est
que lutilit marginale de la
richesse est dcroissante
(D. Bernoulli, 1738),
Par ailleurs, si laversion au
risque correspond au
rapport de la drive
seconde sur la drive
premire, celle-ci dcroit
en raison de x
-1
0
1
2
3
4
5
6
0 20 40 60 80 100 120 140
x
U
(
x
)
lnx
x^0.5
29
Aversion au risque et utilit marginale de la
richesse
Plus gnralement, pour des
fonctions de type puissance
dune puissance infrieure ou
gale 1 (aversion au risque),
lutilit marginale va tre
dautant plus faible que la
puissance est faible,
Si r reprsente lindice relatif
daversion au risque, alors on
a :
0
20
40
60
80
100
120
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
x
x
^
(
1
-
r
)
r=0
r=0.2
r=0.4
r=0.6
r=0.8
( )
r
x x U

=
1
30
Fonctions CARA et fonctions CRRA
CARA : Constant Absolute Risk Aversion
CRRA : Constant Relative Risk Aversion
Lindice Absolu dAversion au Risque (IAAR) est une des
composantes de la prime de risque :
( )
( )
w x X
x U
x U
w
x
~
avec
2 '
' '
0
2
~
0
0
+ =
=

IAAR
31
Fonctions CARA et fonctions CRRA
Lindice Relatif dAversion au Risque (IRAR) scrit :
Une fonction dutilit dont lIAAR est constant (ne dpend pas
de x) est dite CARA
Une fonction dont lIAAR est variable et dont lIRAR est
constant est dite CRRA.
( )
( )
x
x U
x U
IRAR
x
=
'
' '
32
Exemples de fonction CARA et CRRA
La fonction U(x) = ln (x) est une fonction CRRA car lIAAR
est gal 1/x
La fonction ln(x) est donc une fonction DARA (Decreasing
Absolute Risk Aversion) et une fonction CRRA (lIRAR est gal
1)
La fonction exp(x) est CARA car lIAAR est gal -1.
La fonction U(x)=exp(-rx) est une fonction CARA car lIAAR
est gal r (concrtement fonction type U(x)=cste exp(-rx)) r>0
Pour une fonction gnrique de type , cette
fonction est CRRA (IAAR=r/x), lindice relatif daversion au
risque tant gal r
( )
r
x x U

=
1
33
Lestimation de la fonction dutilit du dcideur :
un exemple
Option A Option B
% de
chanc
e
gain % de
chance
gain %de
chance
gain % de
chance
gain Diff. Gain
esprs

10% 2 euros 90% 1,6 euros 10% 3,85 euros 90% 0,10 euros 1,17 euros 1

20% 2 euros 80% 1,6 euros 20% 3,85 euros 80% 0,10 euros 0,83 euros 2

30% 2 euros 70% 1,6 euros 30% 3,85 euros 70% 0,10 euros 3

0,50 euros
40% 2 euros 60% 1,6 euros 40% 3,85 euros 60% 0,10 euros 4

0,16 euros
50% 2 euros 50% 1,6 euros 50% 3,85 euros 50% 0,10 euros 5

-0,18 euros
60% 2 euros 40% 1,6 euros 60% 3,85 euros 40% 0,10 euros 6

-0,51 euros
70% 2 euros 30% 1,6 euros 70% 3,85 euros 30% 0,10 euros 7

-0,85 euros
80% 2 euros 20% 1,6 euros 80% 3,85 euros 20% 0,10 euros 8

-1,18 euros
90% 2 euros 10% 1,6 euros 90% 3,85 euros 10% 0,10 euros 9

-1,52 euros
10 100% 2 euros 0% 1,6 euros 100% 3,85 euros 0% 0,10 euros -1,85 euros


34
Estimation des prfrences vis--vis du risque :
une mthode
Si on suppose que la fonction dutilit est de type
puissance, alors sur la base des loteries prcdentes, on
peut faire les calculs suivants
Calculer lutilit des paiements de chaque loterie avec une
fonction de type x^(1-r)
Calculer les utilits espres des loteries en pondrant par les
probabilits respectives
La rgle est que lindividu choisit A tant que
U(A)>U(B) et switche sur B quand lingalit
sinverse
Voir loterie.xls
35
Classification des types dindividus
Source : Holt and Laury (2002), AER.
36
Application : questionnaire distribu en cours en
dcembre 2006, master 2
Questionnaire 1 = 4 choix A et 6 choix B, donc sujet
neutre vis--vis du risque (r compris entre -0.15 et
+0.15 soit 0 en moyenne),
Questionnaire 2 (2005) = 6 choix A et 4 choix B, donc
sujet averse au risque (r compris entre +0.41 et
+0.68 soit 0.55 en moyenne).
.
37
2 4 6 8 10
5
10
15
20
25
30
7 , 0 1
) (
7 , 0 1
+
=
+
x
x U
2 choix A
38
2 4 6 8 10
2
4
6
8
85 , 0 1
) (
85 , 0 1

x
x U
7 choix A
39
Prfrence moyenne de la classe (n=10,
6/12/2006)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1 2 3 4 5 6 7 8 9 10
numro de la dcision
f
r

q
u
e
n
c
e

d
e

c
h
o
i
x

A
neutre
frquence observe
3,4 choix A : r = -0.3 risk loving
risk neutral
40
Masclet, Colombier, Denant-Boemont &
Loheac, 2008, JEBO
72 students + 36
salaries+ 36 self
employed
144 Choice
(endogeneous, strangers
design)
10 periods,
sequential, random
order
(3)
72 students + 36
salaries+ 36 self
employed
144 Groups
(strangers design)
10 periods,
sequential, random
order
(2)
72 students + 36
salaries+ 36 self
employed
144 Individuals 10 periods,
sequential, random
order
(1)
Population Participants
number
Who choose? Set of lottery choices Treatme
nts
41
Proportion of safe choices, sessions 1-4
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1 2 3 4 5 6 7 8 9 10
Decision
P
e
r
c
e
n
t
a
g
e

c
h
o
o
s
i
n
g

A
Individual treat. Group treat. af ter individual treat. Choice treat Risk neutrality
Groups
become
less risk
averse
42
Importance des gains et aversion au risque (Colombier,
Denant-Boemont, Loheac & Masclet, 2007)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1 2 3 4 5 6 7 8 9 10
dcision
F
r

q
u
e
n
c
e

d
u

c
h
o
i
x

A
trait 1 trait2 trait 3 trait4 trait5 neutre au risque
P
P X 20
43
4. Mesures de risque
Supposons quil existe 2 alternatives dinvestissement, F
et G, avec un rsultat stochastique x, x tant compris
entre [a,b].
Si on dfinit F(x) et G(x) comme tant les distributions
de probabilits cumules respectivement de F et G
Il est alors possible de classer ces alternatives avec les
critres de dominance stochastique de 1
er
ordre et de 2d
ordre.
44
Dominance stochastique de 1
er
ordre
La distribution de probabilits F domine stochastiquement
la distribution de probabilits G si la probabilit cumule que
la variable prenne une valeur infrieure x est plus
importante dans le cas de la distribution G que dans le cas de
la distribution F, cd si :
Et si pour au moins une valeur de x, lquation (1) est une
ingalit stricte.
Si F domine stochastiquement G, alors tous les investisseurs avec une
fonction dutilit non dcroissante prfreront F G.
( ) ( ) x G x F (1)
45
Exemple : DS 1 (Levy & Levy, 2001)
Soit deux loteries F et G
F domine stochastiquement
au 1
er
ordre G :
+2500 2/3 +2500
-500 1/3 -500
proba Gain
/perte
proba gains/p
ertes
G F
46
Dominance stochastique de 2d ordre
La distribution F domine stochastiquement au 2d ordre la distribution G si
laire comprise sous la distribution de probabilit cumule de G jusqu G(x)
est plus grande que laire comprise sous la distribution de probabilit cumule
sous F jusqu G(x), ce pour toutes les fonctions dutilit non dcroissantes
(DS1) cd si pour tout x :
Et si, pour au moins une valeur de x, lquation (2) est une ingalit stricte.
De manire quivalente, F domine G si pour toute fonction U, U tant une
fonction dutilit non dcroissante (DS1) et croissante concave (DS2), on a :
( ) ( ) ( ) ( ) [ ]



x x x
dy y F y G dy y G dy y F 0
(2)
( ) ( ) ( ) ( )

+

+

x dG x U x dF x U
47
Exemple : DS 2 (Levy & Levy, 2001)
Soit deux loteries F et G
G domine stochastiquement au 2d
ordre F (G en dessous de F pour
au moins 1 x) :
+500
+1500 +1000
+2000
0 -500
proba Gain
/perte
proba gains/pert
es
G F
48
Implication des critres de DS
Ainsi un pari F est prfr un pari G par tous les
parieurs si F Domine Stochastiquement G lordre 1
Si F domine stochastiquement G lordre 2, alors F
sera prfr G par tous les parieurs averses au risque
Si F domine stochastiquement G lordre 1, F domine
stochastiquement ncessairement G lordre 2, mais
linverse nest pas vrai.
49
Rsultats des expriences de Levy & Levy, 2001
50
5. limites du critre dUE et rsultats
exprimentaux
a) Axiome dindpendance : le paradoxe dAllais
b) Axiome de transitivit : le renversement des
prfrences
c) Lunicit de la fonction dutilit et laversion aux
pertes
d) Laversion lambigut et le paradoxe de Ellsberg
51
a) laxiome dindpendance et le paradoxe dAllais
M. Allais, Prix Nobel dconomie 1989
Soit deux billets de loterie A et B, lequel choisiriez vous ?
A
15 000
0
0.09
0.91
B
10 000
0
0.1
0.9
A prfr B en majorit !
52
Le paradoxe dAllais
Soit deux billets de loterie C et D, lequel choisiriez vous ?
C
15 000
0
0.9
0.1
D
10 000
0
1
0
D prfr C en majorit !
53
Analyse des choix
Si A prfr B et D prfr C, alors incohrence des
choix !
En effet, supposons que je propose des loteries de
loteries (loteries composes E et F) de ce type aux
individus :
E
D
0
0.1
0.9
F
C
0
0.1
0.9
54
Analyse des choix
E est une compose de la loterie D et F est une compose de la
loterie C
Les loteries composes ne divergent que par la diffrence
entre C et D puisque les probabilits dobtenir C ou D sont de
0.1 et la probabilit contraire dobtenir 0 est de 0.9
Par consquent, comme D prfr C, E devrait tre prfre
F(axiome dindpendance)
E
D
0
0.1
0.9
F
C
0
0.1
0.9
55
Si on rduit E
E
0
0.1
0.9
10 000
0
1
0
E
10 000
0
0.1
0.9
B !
56
Si on rduit F
F
0
0.1
0.9
15 000
0
0.9
0.1
F
15 000
0
0.1 x 0.9 = 0.09
0.9
A !
0
0.1 x 0.1 = 0.01
F
15 000
0
0.09
0.01+0.9=0.91
57
Conclusion
Comme D est prfr C, E devrait tre prfr F (car E est
une compose de D et dune autre loterie et F est une compose
de C et dune autre loterie identique)
Mais E est en ralit quivalent B et F est en ralit
quivalent A.
Donc si les sujets sont cohrents avec la thorie de lUE ils auraient d
choisir B en 1
re
tape sils ont choisi D en 2de tape (ou choisir A sils ont
choisi C)
Si A est prfr B alors ncessairement C prfr D ou
inversement si B prfr A alors ncessairement D prfr
C
Mais il est impossible dans la thorie de lutilit espre dobserver le
rsultat A prfr B ET D prfr C
Conclusion : lutilit espre ne reflte quimparfaitement les
mcanismes de choix des individus !
58
b) laxiome de transitivit et le renversement des
prfrences
Q1. Choisissez entre :
A. 18 avec proba de 30%, 0 avec proba de 70%
B. 4 avec proba 100%
Q2. Choisissez entre :
C. 8 avec proba de 60%, 0 avec proba de 40%
B. 4 avec proba 100%
Q3. Choisissez entre :
C. 8 avec proba de 60%, 0 avec proba de 40%
A. 18 avec proba 30%, 0 avec proba 70%
Une majorit de sujets prfrent A B (Q1), puis prfrent B C
(Q2), et enfin prfrent C A (Q3), ce qui est une violation de
laxiome de transivit ( Si A prfr B et B prfr C, alors A
prfr C).
59
Le renversement des prfrences
Phnomne dit de preference reversal
Toutefois, explication relativement simple ce paradoxe :
Si les sujets ralisent que les loteries diffrent sur les gains ET sur
les probabilits, leurs choix peuvent tre fonction dune
combinaison des deux dimensions :
Quand les gains des loteries sont proches, ils vont privilgier la
diffrence de probabilits (Q2 : B prfr C car gains proches mais
certitude pour B ; Q3 : C prfr A car proba de gain 2 fois suprieure,
pour un gain 2.25 fois suprieur)
Quand les gains des loteries sont loigns, la diffrence de gain va
compenser la diffrence de probabilits (Q1 : choix A prfr au choix B
car gain 4.5 fois plus grand pour proba 3.33 fois plus faible)
60
c) Lunicit de la fonction dutilit et laversion aux pertes
(Kahneman et Tversky)
problmes daversion aux pertes et de biais des
choix en faveur du statu quo (Kahneman, Knetsch and
Thaler, 1991) : les sujets exprimentaux ne valorisent
pas les euros de la mme manire selon quils sont
perdus ou gagns,
Cd que la fonction dutilit nest pas forcment la
mme dans lespace des pertes ou dans lespace des
gains !
61
Tversky et Kahneman, 1986
Q1. supposez que vous soyez de 300 $ plus riche quaujourdhui. Que
choisissez-vous ?
A. un gain certain de 100$ (72%)
B. 50% de chances de gagner 200$ et 50% de chances de gagner 0$ (28%)
Q2. supposez que vous soyez de 500 $ plus riche quaujourdhui. Que
choisissez-vous ?
A. une perte certaine de 100$ (36%)
B. 50% de chances de perdre 200$ et 50% de chances de ne rien perdre
(64%)
La diffrence de frquence dans les rponses aux questions (en
gras, en comparant les rponses A et les rponses B pour chaque
question), traduit le phnomne daversion aux pertes des
individus (Voir Eber et Willinger, 2005)
62
La thorie des perspectives ( prospect theory , Kahneman, Tversky,
1979, 1992)
Hypothses :
1. Dpendance un point de rfrence : les individus valuent leurs
perspectives en termes de gains ou pertes par rapport un
point de rfrence (statu quo) plutt quen termes de
rsultat net final,
2. Sensibilit dcroissante : la valeur marginale perue dun gain ou
dune perte est dcroissante,
3. Aversion aux pertes : une perte a davantage dimpact
psychologique quun gain de mme montant.
63
La thorie des perspectives (Prospect Theory) de
Kahneman et Tversky (1)
La thorie des perspectives peut formellement scrire :
O la fonction transforme les probabilits en
poids dcisionnels compris entre 0 et 1.
( ) ( )
i
n
i
x v p

=1

( ) ( )
i
x p
64
Un exemple de fonction de transformation des
probabilits
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
proba
p
i
e
(
p
)
65
La thorie des perspectives (2)
Fonction de pondration des probabilits (p) + fonction de valeurs v(x),
Pour w(p) :
1. (0)=0 et (1)=1 (ie les agents ne dforment pas la certitude),
2. Pour de faibles probabilits, (p) > p, mais (p)+ (1-p) 1 (les agents
surestiment les faibles probas et sous estiment les fortes probas mais le second
effet est plus faible que le premier),
3. (pr)/ (p) > (prq)/ (pq) (pour tout ratio de probabilit q, le ratio est plus
proche de 1 quand les probas sont faibles que quand les probas sont fortes
exemple : (0.1/ (0.2) > (0.4/ (0.8)
Pour v(x) :
1. V(x) change dallure partir du point de rfrence
2. V(x) est concave pour les gains (risquophobie pour les gains) et convexe pour les
pertes (risquophilie pour les pertes), cd v(x)<0 qd x>0 et v(x)>0 qd x<0
3. V(x) est plus pentue pour les pertes que pour les gains (aversion aux pertes), cd
v(x) < - v(-x) pour x > 0
66
Kahneman, Knetsch and Thaler, 1991
Gains
Pertes
valeur
67
Quelques problmes de la TP
Ne respecte par le principe de dominance stochastique (un agent
prfre plus de gain moins de gain)
Exemple : soit une VA x+yi avec 3 tats quiprobables, x positif
et important, yi positif et suffisamment petit
Si x =1000 et yi={50 ; 100 ; 150}
Supposons que (p) = {0.34 ; 0.32 ; 0.33} et que v(x)=x
1-r
avec
r=0.5
Alors v(x) < v(x+yi), ce qui viole la DS puisque yi est strictement positif !
En effet (1)* v(1000)= 1.(1000)
0.5
=100
Et (p1)*v(1050) + (p2)*v(1100) + (p3)*v(1150) =
0.34*(1050)
0.5
+ 0.32 * (1100)
0.5
+ 0.33(1150)
0.5
= 99.5
Ce qui implique que x est prfre x+yi (une somme certaine
est prfre cette somme certaine + une variable alatoire dont
les ralisations sont strictement positives..
68
d) laversion lambigut et le paradoxe
dEllsberg
Dans une urne, 90 boules
30 boules sont rouges, 60 sont blanches ou noires
Les individus doivent choisir des billets de loteries de manire
binaire : on leur propose dabord de choisir entre E et F, puis
entre G et H
Les gains montaires sont fonction de leurs choix et du tirage au
sort (on tire lissue de leur choix une boule dans lurne dont on
leur annonce la couleur, ce qui dtermine leur gain)
69
Le paradoxe dEllsberg
0
100
0
100
Boule
blanche
100
100
100
0
G
H
0
0
100
0
E
F
Boule noire Boule rouge Etats
Dcisions
70
Le paradoxe de Ellsberg
Mis dans cette situation, la majorit des sujets prfrent E F et H G.
Cette rponse nest pas cohrente avec la thorie de lutilit espre (aversion
lambigut)
En effet si E prfr F alors Pr(B) < 1/3
Car Pr(R)*100+Pr(B)*0+Pr(N)*0 > Pr(R)*0+Pr(B)*100+Pr(N)*0
Pr (R) > Pr(B)
mais si H prfr G alors Pr(B) > 1/3
Car Pr(R)*0+Pr(B)*100+Pr(N)*100 > Pr(R)*100+Pr(B)*0+Pr(N)*100 Pr
(B) + Pr(N) > Pr(R) + Pr(N)
Pr(B) > Pr(R)
ce qui est incohrent (la probabilit dun tat ne doit pas dpendre du choix
de lindividu, car les probabilits des tats sont indpendantes des choix dans
le calcul de lutilit espre !!!
71
Conclusion
Remises en causes nombreuses et nourries de la thorie de
lesprance dutilit,
Certains conomistes ou exprimentalistes ont dj appel
labandon de cette thorie pour dcrire le comportement des
individus face au risque au profit de la thorie des perspectives
(Camerer, Starmer)
Toutefois, cette thorie reste de loin la thorie dominante utilise
en conomie, la justification tant essentiellement normative (les
sujets devraient choisir conformment lEU pour maximiser
leur BE),
Par ailleurs, aucune thorie alternative lEU ne parvient
intgrer tous les paradoxes exprimentaux, ce qui signifie que
lon sait quelles sont galement dficientes (mme si moins que
lEU)