[논문 리뷰] An Equilibrium Framework for Players with Misspecified Models

Ignacio Esponda, Demián Pouzo|arXiv (Cornell University)|2014. 11. 05.

Experimental Behavioral Economics Studies인용 수 2

한 줄 요약

이 논문은 모델 오특사용 시 전략적 상호작용을 위한 베르크-네쉬 균형 프레임워크를 제안한다. 여기서 플레이어들은 주관적 모델을 사용하고 베이지안 업데이트를 통해 클로이브-라이블러 발산 최소화 원리에 따라 믿음을 갱신한다. 이는 네쉬 균형과 자기확인 균형을 일반화하여 믿음 정확도를 내생적으로 다루며, 통계학과 게임 이론에 기반한 학습 기반을 제공한다.

ABSTRACT

We develop an equilibrium framework that relaxes the standard assumption that people have a correctly-specified view of their environment. Each player is characterized by a (possibly misspecified) subjective model, which describes the set of feasible beliefs over payoff-relevant consequences as a function of actions. We introduce the notion of a Berk-Nash equilibrium: Each player follows a strategy that is optimal given her belief, and her belief is restricted to be the best fit among the set of beliefs she considers possible. The notion of best fit is formalized in terms of minimizing the Kullback-Leibler divergence, which is endogenous and depends on the equilibrium strategy profile. Standard solution concepts such as Nash equilibrium and self-confirming equilibrium constitute special cases where players have correctly-specified models. We provide a learning foundation for Berk-Nash equilibrium by extending and combining results from the statistics literature on misspecified learning and the economics literature on learning in games.

연구 동기 및 목표

• 게임 이론적 균형 분석에서 표준적인 정확한 모델 사양 가정을 완화하기 위해.
• 플레이어들이 고려한 모델들 중에서 최적의 적합도를 갖는 주관적 믿음을 가진 채로 최적화하는 새로운 균형 개념—베르크-네쉬—를 수학적으로 정의하기 위해.
• 통계학습 이론과 동적 게임 이론적 추론을 융합하여 이 균형에 대한 학습 기반을 제공하기 위해.
• 모델이 정확하게 사양되었을 때 네쉬 균형과 자기확인 균형이 특수한 경우로 나타나는 방식을 보여주기 위해.

제안 방법

• 각 플레이어의 전략이 그녀의 주관적 모델 하에서 최적화되는 베르크-네쉬 균형을 제안한다.
• ‘최적 적합도’ 믿음을 균형 전략 프로파일에 의해 유도된 경험 분포로부터 KL 발산을 최소화하는 것으로 정의한다.
• 실제 플레이(균형 전략)에 따라 발산 측정을 내생적으로 만들며, 믿음 정확도를 행동에 따라 적응시키는 방식으로 발산 측정을 내생화한다.
• 통계학습 이론을 사용하여 반복 플레이 하에서 믿음이 최적 적합 모형으로 수렴함을 정당화한다.
• 통계학에서의 오특사용 학습 결과를 다수의 에이전트가 참여하는 동적 전략적 환경으로 확장한다.
• 플레이어들이 관측된 결과에 기반해 믿음을 개선하는 학습 과정과 일관된 균형 개념임을 보여준다.

실험 결과

연구 질문

• RQ1 플레이어들이 환경에 대해 오특사용 모델을 갖는 경우 균형은 어떻게 정의될 수 있는가?
• RQ2 반복 플레이 하에서 플레이어의 믿음이 일관되고 최적의 적합 모형으로 수렴하기 위한 조건은 무엇인가?
• RQ3 베르크-네쉬 균형은 네쉬 균형과 자기확인 균형과 어떻게 관련되어 있으며, 이를 어떻게 일반화하는가?
• RQ4 모델 오특사용 하에서 균형에 대한 학습 기반을 설정할 수 있는가?
• RQ5 클로이브-라이블러 발산은 전략적 환경에서 믿음 선택을 내생적으로 다루는 데 어떤 역할을 하는가?

주요 결과

• 베르크-네쉬 균형 개념은 모델 오특사용을 允허함으로써 네쉬 균형과 자기확인 균형을 일반화한다.
• 균형에서 믿음은 균형 전략 하에서 관측된 데이터에 대해 최소 KL 발산을 갖는 것으로 수학적으로 정의된다.
• 반복 플레이 하에서 믿음 갱신이 최적 적합 모형으로 수렴함을 보여주는 학습 기반을 제공한다.
• 플레이어의 모델이 잘못되었더라도 균형은 통계학습 원칙과 일관된다.
• 클로이브-라이블러 발산이 내생화되어 믿음 정확도가 외생적 가정이 아닌 실제 행동에 따라 결정된다.
• 에이전트들이 잘못되지만 내부적으로 일관된 믿음을 갖는 환경에서의 현실적인 학습 역학을 모델링할 수 있다.