动态博弈中的去中心化贝叶斯学习：研究信息级联的框架

我们研究了一个涉及具有非对称信息的策略主体的动态系统中的贝叶斯学习问题。在文献中的一系列开创性论文中，该问题在一个简化模型下得到了研究，其中短视自私的玩家顺序出现，在博弈中仅行动一次，基于对系统状态的私有噪声观测和对过去玩家行动的公开观测。研究表明，存在信息级联现象，即用户丢弃其私有信息并模仿其前驱者的行动。在本文中，我们提供了一个框架，用于在比上述更一般的设定下研究贝叶斯学习动力学。特别是，我们的模型涵盖了玩家非短视且在整个博弈期间策略性参与的情况，以及一个内生过程选择在每个时刻哪些玩家子集将行动的情况。所提出的框架依赖于一种序贯分解方法，用于寻找一类具有非对称信息的一般动态博弈的结构化完美贝叶斯均衡（PBE），其中用户特定状态作为条件独立的 Markov 过程演化，用户对其状态进行独立的噪声观测。利用该方法，我们研究了一个具体的动态学习模型，其中玩家基于对每个人类型的估计做出公共投资决策。我们为该问题刻画了一组信息级联，其中整个团队的学习停止。我们证明，在此类级联中，所有玩家对其他玩家类型的估计冻结，即使每个个体玩家渐近地学习到了自己的真实类型。