[論文レビュー] Social Learning with Endogenous Network Formation

Yangbo Song|arXiv (Cornell University)|Apr 20, 2015

Opinion Dynamics and Social Influence参考文献 27被引用数 9

ひとこと要約

この論文は、報酬を伴う選択的観察を許容する逐次的意思決定モデルにおける社会的学習を研究しており、『最大学習』——コストが存在しても極限において真の状態を確率1で学習すること——を導入している。正のコスト下で、近い先行者だけを観察することは最大学習を達成するのに不十分であることが示され、代わりに非有界な数の先行者を観察する必要がある。

ABSTRACT

I study the problem of social learning in a model where agents move sequentially. Each agent receives a private signal about the underlying state of the world, observes the past actions in a neighborhood of individuals, and chooses her action attempting to match the true state. Earlier research in this field emphasizes that herding behavior occurs with a positive probability in certain special cases; recent studies show that asymptotic learning is achievable under a more general observation structure. In particular, with unbounded private beliefs, asymptotic learning occurs if and only if agents observe a close predecessor, i.e., the action of a close predecessor reveals the true state in the limit. However, a prevailing assumption in these studies is that the observation structure in the society is exogenous. In contrast to most of the previous literature, I assume in this paper that observation is endogenous and costly. More specifically, each agent must pay a specific cost to make any observation and can strategically choose the set of actions to observe privately. I introduce the notion of maximal learning (relative to cost) as a natural extension of asymptotic learning: society achieves maximal learning when agents can learn the true state with probability 1 in the limit after paying the cost of observation. I show that observing only a close predecessor is no longer sufficient for learning the true state with unbounded private beliefs and positive costs. Instead, maximal learning occurs if and only if the size of the observations extends to infinity. I provide interesting comparative statics as to how various settings in the model affect the learning probability. For instance, the probability to learn the true state may be higher under positive costs than under zero cost; in addition, the probability to learn the true state may be higher under weaker private signals.

研究の動機と目的

• 報酬を伴う情報取得のための内生的観察ネットワーク形成が生じる状況における社会的学習を分析すること。
• 従来のモデルが外生的観察構造を仮定している点に起因する制限を是正すること——これは現実の戦略的かつコストを伴う情報収集を反映していない。
• 内生的観察と正のコスト下で「最大学習」——極限において真の状態を確率1で学習すること——を定義し、特徴づけること。
• この内生的ネットワーク設定下で最大学習を達成するための必要十分条件を同定すること。
• 戦略的観察選択とコスト制約を統合することで、標準的な漸近的学習フレームワークを拡張すること。

提案手法

• エージェントは世界の二値状態に関するプライベート信号を受信し、真の状態と一致する行動を選択する。
• 各エージェントは、任意の先行者集合を観察するために固定コストを負担し、期待される情報価値に基づいてどの行動を観察するかを戦略的に選択する。
• モデルは完全ベイジアンナッシュ均衡を用いて戦略的行動を分析し、エージェントは観察された行動とプライベート信号に基づいて信念を更新する。
• 論文は、漸近的学習の強化として「最大学習」の概念を導入し、極限において正しい行動に収束する確率が1に達することを要請する。
• 主な分析的ツールには、行動頻度の長期的挙動を評価するための弱大数法則と、異なる状態下での事後確率の比較が含まれる。
• 証明は、信号分布を用いて信念更新をバウンディングし、非有界な観察集合がコスト制約下でも状態を漸近的に区別可能にすることを示す。

実験結果

リサーチクエスチョン

• RQ1 観察がコストを伴い、内生的である場合、真の状態を極限において確率1で学習する『最大学習』が成立する条件は何か？
• RQ2 プライベート信念が非有界でコストが正である場合、近い先行者だけを観察することは最大学習を達成するのに十分か？
• RQ3 内生的ネットワーク形成は、外生的観察構造を持つモデルと比較して、情報集約にどのように影響するか？
• RQ4 報酬を伴う情報取得下で、漸近的学習を達成するにあたり、観察集合のサイズはどのような役割を果たすか？
• RQ5 初期情報が限られている場合でも、観察集合が非有界に拡大するならば、エージェントは近似的完全学習（ε-最大学習）を達成できるか？

主な発見

• 正の観察コスト下では、プライベート信念が非有界であっても、近い先行者だけを観察することは最大学習を達成するのに不十分である。
• 最大学習は、観察集合のサイズが無限大に達する場合にかつその場合にのみ成立する。つまり、エージェントは非有界な数の先行者を観察する必要がある。
• エージェントが非有界な数の先行者を観察できる場合、世界の両状態下で正しい行動を選択する確率は1に収束する。
• 論文は、観察集合が非有界に拡大する場合、信念更新の収束によりε-最大学習が成立することを確立している。
• 観察集合が拡大するとき、状態θ=1とθ=0の下で行動0を選択する事後確率の比は1未満に厳密に小さくなり、これが漸近的学習を保証する。
• モデルは、コスト制約下での戦略的観察選択が学習の条件を根本的に変容させることを示しており、外生的モデルと比較してより広範な観察集合を必要とすることを示している。