不完全观察

不完全观察 (Incomplete Observation)

不完全观察（Incomplete Observation）是指经济主体或分析者因信息系统的结构性限制而无法完整获知某一变量、行动或状态的全部信息。这一概念在不同经济学子领域中具有差异化的技术含义：在博弈论中，它对应不完全监督（Imperfect Monitoring）问题——参与者无法直接观察对手的行动，仅能获得关于行动组合的随机信号；在计量经济学中，它涵盖数据截断、删失、缺失值和不完全面板等数据结构缺陷；在信息经济学中，它与道德风险问题深度挂钩——委托人无法完全观察代理人的努力水平。不完全观察并非简单的"信息缺失"，而是信息结构的内生约束，其对均衡结果、推断效力和合约效率的影响构成了现代经济分析的核心理念。

博弈论中的不完全观察：不完全监督

在重复博弈理论中，不完全观察对应不完全监督（Imperfect Monitoring）环境。经典无名氏定理（Folk Theorem）在完全监督条件下成立——参与者可观察所有历史行动，并据此实施策略性惩罚。然而，当行动不可直接观察而仅能通过有噪声的公共或私人信号推断时，均衡维持的难度显著上升。

公开监督（Public Monitoring）设定下，参与者观察一个公共信号 $y \in Y$，其分布 $\pi(y \mid a)$ 依赖于所有参与者的联合行动配置 $a$。参与者根据公共信号历史更新信念并制定策略。如果噪声过大，信号对偏离行为不敏感，则惩罚机制难以精准实施，合作均衡可能无法维持。Green-Porter模型（1984）是不完全监督下的经典范例：古诺寡头无法直接观察彼此的产量决策，仅能观察共同的市场价格（受加性随机冲击影响）。企业通过触发策略维持默契合谋——当价格低于某一阈值时所有企业恢复竞争性产量。由于价格冲击与监督噪声无法区分，均衡中必然出现随机的"价格战"阶段作为惩罚机制，即使没有任何企业实际偏离合谋。

私人监督（Private Monitoring）设定更为严苛：参与者各自接收一个私人信号 $y_i \sim \pi_i(\cdot \mid a)$，无法观察他人信号甚至无法确认他人是否接收到信号。在此条件下，偏离者无法确认他人是否已观察到偏离并被触发惩罚，而忠诚者也难以协调惩罚实施。Kandori和Mailath、Rob的研究发现，私人监督条件下维持合作的充要条件比公开监督更为严苛——参与者需根据不同私人信号形成的信念层级（Belief Hierarchy）进行协调惩罚。

不完全监督问题的核心难点在于信念不一致：不同参与者对历史状态和偏离事实的认知可能产生分歧，导致惩罚难以协调。序贯均衡和完美贝叶斯均衡在动态不完全观察环境下需要额外的信念一致性约束。

计量经济学中的不完全观察

在计量经济学中，不完全观察广泛表现为数据结构的不完整性，其处理方法直接影响估计的一致性和效率。

删失数据（Censored Data）和截断数据（Truncated Data）是最常见的不完全观察形式。Tobit模型（由James Tobin于1958年提出）处理因变量在某一阈值处被删失的情形——如家庭耐用品的消费额在零处堆积，但潜在需求可能是负值。若用OLS直接估计删失样本，将产生有偏和不一致的估计量。Tobit模型通过潜变量框架，将观察到的部分（非删失值）与删失概率结合起来进行极大似然估计，实现了对不完全观察的校正。

非随机缺失（Nonrandom Missingness）是不完全观察的另一重要类型。在小面额货币、低收入人群或尾部观测值缺失较为系统性的情况下，缺失机制的建模至关重要。Rubin（1976）的分类框架（MCAR、MAR、MNAR）为分析各类缺失提供了基础：当缺失机制依赖于不可观察变量时（MNAR），需要引入辅助信息或利用Heckman选择模型进行二阶段校正——这一方法使Heckman获得了2000年诺贝尔经济学奖。

测量误差（Measurement Error）亦可视为不完全观察的表现：研究者观察到的 $X^* = X + \varepsilon$ 并非真实变量 $X$，而是带有噪声的版本。如果测量误差是经典性的（与真实值及回归误差均不相关），则导致衰减偏误（Attenuation Bias）——回归系数向零收缩。计量经济学中发展出的工具变量法（IV）和误差校正模型（Errors-in-Variables Models）正是为应对这种不完全观察而设计。

此外，非平衡面板（Unbalanced Panel）和抽样选择（Sample Selection）问题均属于不完全观察在面板数据和微观计量经济学中的现实映射。

信息经济学中的不完全观察：道德风险

在委托—代理模型（Principal-Agent Model）中，不完全观察是道德风险产生的根源。委托人试图激励代理人选择某一努力水平 $e \in [0,1]$，但无法直接观察代理人的行动，仅能通过随机产出 $q \sim f(q \mid e)$ 推断努力程度。若委托人的信息结构是完全观察的，则支付合约可将努力水平直接契约化而不产生效率损失。然而，由于不完全观察的存在，代理人拥有采取低努力并归咎于随机冲击的动机，合约设计面临激励与保险的权衡。

在标准Holmström-Milgrom模型中，当代理人的行动不完全可观察时，最优线性合约 $w = \alpha + \beta q$ 中，激励强度 $\beta$ 随产出对努力的敏感度增大、随代理人的风险厌恶程度和产出方差（即监督噪声）增大而减小。这一激励强度原理（Incentive Intensity Principle）表明：不完全观察的程度越深（噪声越大），激励合约越弱。

多任务模型（Multitasking Model）进一步揭示不完全观察的扭曲效应：当委托人在某些任务维度存在观察劣势时，代理人的努力将系统性地从不可观察的任务向可观察的任务转移，导致组织内资源配置扭曲。这种"可观察性偏误"（Observability Bias）在高校教师激励（重科研轻教学）、医疗服务付费（重程序轻质量）等场景中有显著实证表现。

相对绩效评估（Relative Performance Evaluation）是缓解不完全观察效应的途径之一：通过将代理人的产出与同行进行比较，可以剔除共同冲击对观察信号的影响，使委托人更准确地推断代理人的努力。但这一方法在代理人面临共同冲击且相互合谋时可能失效。

不完全观察的深层结构

从方法论层面审视，不完全观察问题的统一框架是信息结构的建模。博弈论中的不完全监督可看作信息结构决定参与者信息集（Information Set）划分的精度；计量经济学中的不完全数据可视为统计信息矩阵的秩缺损；合约理论中的不完全观察则体现了努力可验证性（Verifiability）条件的存在性约束。

不完全观察与不完全信息（Incomplete Information）的区别在于：前者关注观察能力而非知识缺乏——即使所有参与者对博弈结构拥有完全信息（类型为共同知识），如果行动不可观察，不完全观察的问题仍然存在。例如在完全信息动态博弈中引入行动噪声（Action Noise），参与者虽知对方类型但不知其实际选择——这系统性地属于不完全观察而非不完全信息。

当代研究前沿正将不完全观察与机器学习和逆强化学习相结合，探讨在观测数据有限且含有噪声的条件下，如何从行为数据中推断主体的偏好结构和信息结构。