错误指定的学习模型中的稳定性和鲁棒性-研究论文

【文件属性】：
文件名称：错误指定的学习模型中的稳定性和鲁棒性-研究论文
文件大小：1.22MB
文件格式：PDF
更新时间：2021-05-20 20:41:28
Misspecified learning Stability Robustness Berk-Nash 我们提供了一种在广泛的错误指定环境中分析学习成果的方法，涵盖了单一代理和社交学习。 我们的主要结果提供了确定（而不需要明确分析学习动态）何时在给定环境中的信念收敛到本地或全局某些长期信念（即从某些或所有初始信念）开始的一般标准。 这些标准背后的关键要素是对主观模型的新颖“预测准确性”排序，该模型对基于Kullback-Leibler散度的现有比较进行了细化。 我们表明，这些标准可以首先应用，以统一和归纳先前研究的环境中的各种收敛结果。 其次，它们使我们能够识别和分析自然的环境类别，包括昂贵的信息获取和顺序的社会学习，而迄今为止，与文献所关注的大多数设置不同的是，长期的信念可能无法稳固环境的细节。真实的数据生成过程或代理对其的感知。 尤其是，即使特工在正确指定了他们的情况下学到了真相，极少的错误指定现象也可能导致学习的极度失败。