[論文レビュー] Player-Compatible Equilibrium

Drew Fudenberg, Kevin He|arXiv (Cornell University)|Dec 24, 2017

Game Theory and Applications参考文献 1被引用数 3

ひとこと要約

この論文は、経験の浅いエージェントによる意図的な実験に基づいて、行動の大きさにプレイヤー間の制約を課すナッシュ均衡の精錬であるプレイヤー同伴型均衡（PCE）を導入する。PCEは、伝統的な概念（ふらつき手の完全均衡や適切な均衡）が機能しないゲームにおいて直感的な均衡を選択でき、学習に基づく微視的基礎と実験的検証により、優れた予測力が裏付けられている。

ABSTRACT

We define Player-Compatible Equilibrium or PCE, which imposes cross-player restrictions on magnitudes of the players' onto different actions. These restrictions are inspired by the idea that trembles correspond to deliberate experiments by inexperienced agents who are unsure of the prevailing distribution of strategies in opponent populations. We show that PCE selects the intuitive equilibria in a number of examples where trembling-hand perfect equilibrium (Selten, 1975) and proper equilibrium (Myerson, 1978) have no bite. We also provide a learning-based microfoundation for PCE in some easy-to-analyze classes of games. Finally, we conduct a lab experiment based on one of our examples and verify PCE leads to better predictions than other equilibrium concepts.

研究の動機と目的

• ふらつき手の完全均衡や適切な均衡といった既存の均衡精錬が直感的な均衡を選択できない問題を解決すること。
• プレイヤーの戦略選択が、相手の行動に関する不確実性に起因する意図的な実験を反映しているという考えを形式化すること。
• 概念的に根拠があり、実証的に検証可能な均衡精錬を構築し、現実のプレイヤー行動を捉えること。
• 特定のゲームクラスにおいて、提案された均衡概念の学習に基づく微視的基礎を提供すること。
• ラボ実験を通じて、PCEの他の均衡概念に対する予測優位性を実証的に検証すること。

提案手法

• 経験の浅いプレイヤーによる不確実性下での意図的な実験に基づき、プレイヤー間の行動の大きさに制約を課すことによってPCEを定義すること。
• ふらつきをランダムな誤差ではなく、経験の浅いエージェントの戦略学習に起因する意図的な探索行動としてモデル化すること。
• 他の精錬が失敗するゲームにおいて、PCEが直感的な均衡を選択する理論的条件を確立すること。
• 特定のゲームクラスにおいてPCEの学習に基づく微視的基礎を導出し、妥当な学習ダイナミクス下でPCEへの収束を示すこと。
• 代表的なゲームに基づいた制御されたラボ実験を設計・実施し、予測性能をテストすること。
• 実験データを用いて、PCEの予測精度を他の均衡概念と比較すること。

実験結果

リサーチクエスチョン

• RQ1 どのゲームにおいて、ふらつき手の完全均衡や適切な均衡といった既存の均衡精錬が直感的な均衡を選択できないのか。
• RQ2 経験の浅いプレイヤーによる意図的な実験をどのように形式的にモデル化すれば、均衡選択を精錬できるのか。
• RQ3 どのような学習プロセスが提案されたプレイヤー同伴型均衡の微視的基礎として機能できるのか。
• RQ4 PCEは、戦略的状況における実際の人間行動を他の均衡概念よりもうまく予測できるのか。
• RQ5 経験的学習に基づく形式的均衡概念は、ラボ実験で観察された行動を標準的な精錬よりもよく説明できるのか。

主な発見

• PCEは、ふらつき手の完全均衡や適切な均衡が判別力を持たないゲームにおいて、直感的な均衡を的確に選択できた。
• PCEは、解析可能なゲームクラスにおいて学習に基づく微視的基礎により裏付けられており、妥当な学習プロセスの長期的結果としてPCEが出現することを示した。
• ラボ実験の結果、PCEは他の均衡概念よりも観察された行動をより正確に予測した。
• 実験結果は、PCEが標準的な精錬よりも、特に均衡選択が曖昧な状況において戦略的行動をよりよく捉えていることを示した。
• PCEにおけるプレイヤー間の制約は、意図的な実験を効果的にモデル化し、より強固で直感的な均衡結果をもたらした。