기대 신호 연결: LLM 기반 실험 및 행동 칼만 필터 프레임워크

Bridging Expectation Signals: LLM-Based Experiments and a Behavioral Kalman Filter Framework

LLM이 경제 주체로서 점점 더 중요한 역할을 수행함에 따라, LLM이 다양한 신호를 통해 자신의 믿음을 업데이트하는 구체적인 메커니즘은 여전히 불투명합니다. 본 연구에서는 실험을 설계하고 행동 칼만 필터 프레임워크를 개발하여 LLM 기반 에이전트가 개별 및 집계 신호를 받았을 때, 가구 또는 기업 CEO로서 어떻게 기대를 업데이트하는지 정량적으로 분석합니다. 실험 결과 및 모델 추정 결과는 네 가지 일관된 패턴을 보여줍니다: (1) 에이전트가 사전 정보와 신호에 부여하는 가중치가 1에서 벗어남; (2) 가구 및 기업 CEO 에이전트 모두 집계 신호보다 개별 신호에 훨씬 더 큰 가중치를 부여함; (3) 동시에 수신된 신호 간에 상당하고 부정적인 상호작용이 존재하며, 이는 여러 정보 출처가 존재할수록 각 개별 신호에 부여되는 한계 가중치가 감소한다는 것을 의미함; (4) 가구 및 기업 CEO 에이전트 간의 기대 형성 패턴이 크게 다름. 마지막으로, LoRA 미세 조정은 LLM의 기대 형성 과정에서 나타나는 행동적 편향을 완화하지만, 완전히 제거하지는 못한다는 것을 보여줍니다.

As LLMs increasingly function as economic agents, the specific mechanisms LLMs use to update their belief with heterogeneous signals remain opaque. We design experiments and develop a Behavioral Kalman Filter framework to quantify how LLM-based agents update expectations, acting as households or firm CEOs, update expectations when presented with individual and aggregate signals. The results from experiments and model estimation reveal four consistent patterns: (1) agents' weighting of priors and signals deviates from unity; (2) both household and firm CEO agents place substantially larger weights on individual signals compared to aggregate signals; (3) we identify a significant and negative interaction between concurrent signals, implying that the presence of multiple information sources diminishes the marginal weight assigned to each individual signal; and (4) expectation formation patterns differ significantly between household and firm CEO agents. Finally, we demonstrate that LoRA fine-tuning mitigates, but does not fully eliminate, behavioral biases in LLM expectation formation.