文件名称：动态博弈中的分散贝叶斯学习：研究信息级联的框架-研究论文
文件大小：306KB
文件格式：PDF
更新时间：2024-06-30 07:35:48
Bayesian Learning Social
我们研究了动态系统中的贝叶斯学习问题，该系统涉及具有不对称信息的战略代理。 在文献中的一系列开创性论文中，基于对系统状态的私人嘈杂观察和对过去玩家行为的公开观察，在简化模型下研究了这个问题，其中近视自私的玩家依次出现并在游戏中行动一次。 已经表明存在信息级联，用户丢弃他们的私人信息并模仿他们前任的行为。 在本文中，我们提供了一个框架，用于在比上述更一般的环境中研究贝叶斯学习动态。 特别是，我们的模型包含了玩家不近视并在整个游戏过程中战略性参与的情况，以及内生过程选择哪个玩家子集将在每个时间点采取行动的情况。 所提出的框架取决于一种顺序分解方法，用于寻找具有不对称信息的一般动态博弈类的结构化完美贝叶斯均衡 (PBE)，其中用户特定状态演变为条件独立的马尔可夫过程，并且用户对其状态进行独立的噪声观察。 使用这种方法，我们研究了一个特定的动态学习模型，在该模型中，参与者根据他们对每个人类型的估计做出有关公共投资的决策。 我们针对这个问题描述了一组信息级联，其中整个团队的学习停止。 我们表明，在这样的级联中，即使每个玩家渐近地学习自己的真实类型，所有玩家对其他玩家类型的估计也会冻结。