[논문 리뷰] Social Learning with Endogenous Network Formation

Yangbo Song|arXiv (Cornell University)|2015. 04. 20.

Opinion Dynamics and Social Influence참고 문헌 27인용 수 9

한 줄 요약

이 논문은 비용이 들지만 자기 결정적으로 관찰 대상을 선택하는 순차적 의사결정 모델에서 사회적 학습을 연구한다. 여기서 '최대 학습'(maximal learning)이란 비용이 존재함에도 불구하고 한계에서 진정한 상태를 확률 1로 학습하는 것을 의미한다. 이 논문은 비용이 양수일 때만 가까운 이전 자료를 관찰하는 것만으로는 최대 학습이 불가능하다는 것을 보여주며, 대신 무한한 수의 이전 자료를 관찰해야만 점차적 학습이 가능하다.

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.

연구 동기 및 목표

• 정보 획득 비용이 존재할 때 내생적 관찰 네트워크 형성에 기반한 사회적 학습을 분석하기 위해.
• 기존 모델이 외생적 관찰 구조를 가정하는 데서 비롯하는 한계를 다루며, 현실 세계의 전략적이고 비용이 드는 정보 확보 방식을 반영하지 못한다는 점을 지적하기 위해.
• 내생적 관찰과 양의 비용 하에서 '최대 학습'—한계에서 진정한 상태를 확률 1로 학습하는 것—을 정의하고 특성화하기 위해.
• 이 내생적 네트워크 환경에서 최대 학습을 달성하기 위한 필수 및 필요조건을 규명하기 위해.
• 표준 점차적 학습 프레임워크를 전략적 관찰 선택과 비용 제약 조건을 통합함으로써 확장하기 위해.

제안 방법

• 에이전트들은 세계의 이진 상태에 대해 사전 신호를 받으며, 진정한 상태와 일치하는 행동을 선택한다.
• 각 에이전트는 어떤 이전 자료의 부분집합을 관찰하는 데도 고정된 비용을 지불하며, 기대 정보 가치를 기반으로 어떤 행동을 관찰할지 전략적으로 선택한다.
• 모델은 완벽 베이지안 균형을 사용하여 전략적 행동을 분석하며, 에이전트는 관찰된 행동과 사전 신호를 바탕으로 믿음을 업데이트한다.
• 논문은 점차적 학습의 개선으로서 '최대 학습' 개념을 도입하여, 한계에서 정확한 행동으로 수렴할 확률이 1이 되는 조건을 요구한다.
• 핵심 분석 도구로는 장기적인 행동 빈도의 행동을 평가하기 위한 약한 대수법칙과, 서로 다른 상태 하에서의 사후 확률 비교이다.
• 증명은 신호 분포를 사용하여 믿음 업데이트의 범위를 제한하고, 비용 제약 조건 속에서도 무한한 관찰 집합이 존재할 경우 상태를 점차적으로 구분할 수 있음을 보여준다.

실험 결과

연구 질문

• RQ1 관찰 비용이 존재하고 관찰 네트워크가 내생적으로 형성될 때, 최대 학습—한계에서 진정한 상태를 확률 1로 학습하는 것—이 성립하는 조건은 무엇인가?
• RQ2 사전 믿음이 유한하지 않고 비용이 양수일 때, 오직 가까운 이전 자료만 관찰하는 것이 최대 학습을 위한 충분한가?
• RQ3 내생적 네트워크 형성이 외생적 관찰 구조를 가진 모델과 비교해 정보 집약에 어떤 영향을 미치는가?
• RQ4 비용이 드는 정보 획득 조건에서 점차적 학습을 달성하기 위해 관찰 집합의 크기는 어떤 역할을 하는가?
• RQ5 관찰 집합이 무한히 증가할 경우, 초기 정보가 제한되어 있어도 에이전트는 거의 완벽한 학습(ε-최대 학습)을 달성할 수 있는가?

주요 결과

• 관찰 비용이 양수일 때조차도, 사전 믿음이 유한하지 않더라도 오직 가까운 이전 자료만 관찰하는 것은 최대 학습을 위한 충분조건이 아니다.
• 최대 학습은 관찰 집합의 크기가 무한해질 때에만 성립하며, 이는 에이전트가 무한한 수의 이전 자료를 관찰해야 한다는 것을 의미한다.
• 에이전트가 무한한 수의 이전 자료를 관찰할 수 있다면, 세계의 두 상태에서나 정확한 행동을 선택할 확률이 1로 수렴한다.
• 논문은 관찰 집합이 무한히 증가할 경우, 즉 사용자가 모든 이전 자료를 관찰하지 못하더라도 믿음 업데이트의 수렴성 덕분에 ε-최대 학습이 성립함을 입증한다.
• 관찰 집합이 증가할수록 상태 θ=1과 θ=0에서 행동 0을 선택할 사후 확률의 비율은 1보다 작게 유지되며, 이는 점차적 학습을 보장한다.
• 모델은 비용 제약 조건 하에서 전략적 관찰 선택이 학습 조건을 근본적으로 변화시킨다는 것을 보여주며, 이는 외생 모델보다 더 넓은 관찰 집합이 필요하다는 것을 의미한다.