[论文解读] Information Design with Elicitation and Strategic Coordination

Alessandro Bonatti, Munther A. Dahleh+1 more|arXiv (Cornell University)|Feb 23, 2023

Auction Theory and ApplicationsDecision Sciences被引用 3

一句话总结

本文研究对称n人博弈中具有二次收益和高斯不确定性的情境下，最优信息设计与机制设计问题，其中数据提供方向私人信息的玩家出售信号以诱导有效协调。关键结果为：在战略互补情形下，福利最优机制诱导行动间最大正相关；在战略替代情形下，诱导最大负相关，且采用依赖于状态与类型的确定性线性推荐，无需完全揭示信息。

ABSTRACT

We study linear-quadratic games of incomplete information with Gaussian uncertainty, where each player's payoff depends on a privately observed type and a common state. The designer observes the state, elicits types, and sells action recommendations. We characterize all implementable mechanisms with Gaussian joint distributions of actions and fundamentals, and identify the players-optimal, consumer-optimal, and revenue-maximizing designs. In games of strategic complements (substitutes), these optimal mechanisms maximally correlate (anticorrelate) players' actions. When type uncertainty is large, recommendations become deterministic linear functions of the state and reports, but remain only partially revealing.

研究动机与目标

• 研究不完全信息博弈中的联合信息与机制设计，其中玩家具有私人类型，且对自然状态存在共同不确定性。
• 刻画可实施的机制，使其能真实获取类型信息，并推荐形成贝叶斯相关均衡（BCE）的行动。
• 在对称二次收益博弈的高斯机制类别中，推导福利最优与收益最优的机制。
• 理解类型获取与行动推荐在激励相容设计中的相互作用。
• 分析战略互补与替代博弈中，最优信号与行动推荐的结构特征。

提出的方法

• 作者利用揭示原理，将问题简化为设计一种机制，以真实获取类型信息并推荐形成贝叶斯相关均衡（BCE）的行动。
• 在高斯假设下，刻画状态、类型与行动联合分布的所有可实施形式，重点聚焦于多元正态分布。
• 通过在行动与信号分布的协方差参数上求解约束优化问题，推导出最优机制。
• 解法涉及推导全局激励相容性的必要与充分条件，同时考虑报告与行动选择中的双重偏离行为。
• 分析区分了战略互补（s > 0）与替代（s < 0）博弈，揭示了不同的最优相关模式。
• 证明最优机制在给定（状态，类型报告）条件下为确定性机制，且行动推荐为状态与类型的线性函数。

实验结果

研究问题

• RQ1 能够真实获取类型信息并推荐行动以实现福利最大化的最优机制具有何种结构？
• RQ2 在战略互补与战略替代博弈中，最优机制有何不同？
• RQ3 在机制设计中，能否将类型获取与行动推荐阶段分离，还是二者以某种方式相互作用，从而使得标准BCE方法失效？
• RQ4 私人类型与共同状态在塑造最优信号结构方面各自发挥何种作用？
• RQ5 与完全信息下的纳什均衡相比，最优机制在行动相关性与福利结果方面有何差异？

主要发现

• 在战略互补博弈中，福利最优机制通过将推荐与共同状态及个体类型对齐，使玩家行动实现最大正相关。
• 在战略替代博弈中，福利最优机制使行动实现最大负相关，从而在共享状态信息下减少玩家间的协调。
• 当类型先验方差足够大时，行动推荐变为状态与类型的确定性线性函数，且无需完全揭示信息。
• 最优机制相对于完全信息下的纳什均衡，更重视玩家自身类型，而相对轻视共同状态，尤其在互补与替代博弈中表现明显。
• 福利最优机制具有全局激励相容性，行动与信号之间的协方差符号与战略结构一致（互补时为正，替代时为负）。
• 最优机制与完全信息结果系统性不同：|σa_iω^W| < |σa_iω^N| 且 |σa_iθ_i^W| > |σa_iθ_i^N|，表明对状态的依赖程度降低，而对私人类型的依赖程度提高。