[论文解读] Identification in discrete choice models with imperfect information
本文提出一种在不完全信息下识别离散选择模型中偏好与反事实结果的方法，利用单玩家贝叶斯相关均衡（1BCE）通过线性规划刻画精确识别集。该方法应用于2017年英国大选的空间投票模型，表明信息不完善显著影响选民福利与政党支持度，工党得票率的提升部分归因于其意识形态定位，尽管选民信息有限。
We study identification of preferences in static single-agent discrete choice models where decision makers may be imperfectly informed about the state of the world. We leverage the notion of one-player Bayes Correlated Equilibrium by Bergemann and Morris (2016) to provide a tractable characterization of the sharp identified set. We develop a procedure to practically construct the sharp identified set following a sieve approach, and provide sharp bounds on counterfactual outcomes of interest. We use our methodology and data on the 2017 UK general election to estimate a spatial voting model under weak assumptions on agents' information about the returns to voting. Counterfactual exercises quantify the consequences of imperfect information on the well-being of voters and parties.
研究动机与目标
- 开发一种在代理人对收益相关状态信息不完全时，对离散选择模型进行稳健识别的方法。
- 在不施加对代理人信息结构的强假设下，刻画收益参数的精确识别集。
- 为不完全信息下的政策干预反事实结果提供计算上可行的边界。
- 评估不完全信息对现实世界选举中选民与政党福利的影响。
- 在信息假设较弱的条件下，将该方法应用于2017年英国大选的空间投票模型。
提出的方法
- 将离散选择模型重新解释为与自然对抗的单玩家博弈，从而利用单玩家贝叶斯相关均衡（1BCE）表示所有可能的信息结构。
- 使用1BCE集合的Aumann期望，该集合由线性等式与不等式定义，以刻画精确识别集。
- 采用基于Sieve的程序，当世界状态为连续时构造精确识别集。
- 通过求解线性规划判断给定参数值是否属于识别集，确保计算可行性。
- 通过结合1BCE下的模型隐含概率与观测数据，推导反事实选择概率的精确边界。
- 将该框架应用于2017年英国大选数据，估计空间投票模型，并通过模拟政策立场变化生成反事实结果。
实验结果
研究问题
- RQ1当决策者对世界状态信息不完全时，如何识别离散选择模型中的偏好？
- RQ2当信息结构未知且仅受弱限制时，收益参数的精确识别集是什么？
- RQ3在信息不完全条件下，反事实政策干预如何影响选民选择概率？
- RQ4不完全信息在多大程度上改变了现实世界选举中选民与政党的福利？
- RQ5与完全信息假设下的结果相比，本研究结果有何差异？对民主结果有何启示？
主要发现
- 2017年英国大选期间，工党得票率的提升部分归因于其在社会护理议题上的左倾立场，即使在信息不完全的情况下亦然。
- 在信息不完全条件下，工党得票率的反事实变化估计范围为 -0.5682 至 0.0163（95% 置信集），表明可能存在损失或微小增益。
- 在完全信息假设下，工党得票率的反事实损失估计为 -0.2283，表明不完全信息可能掩盖了政策调整的全部负面影响。
- 通过基于Sieve的线性规划方法构建了空间投票模型的精确识别集，确保了计算可行性。
- 该方法在不假设完全掌握代理人信息结构的前提下，提供了有效且精确的反事实结果边界。
- 结果证实，信息摩擦显著影响政治结果与选民福利，对民主回应性与政党策略具有重要启示。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。