学习代理的计量经济学
计算机科学与博弈论
2015-05-05 v1
摘要
本文的主要目标是在不依赖纳什均衡假设的情况下，针对广义第二价格拍卖，从观测数据出发建立玩家估值推断理论。经济学中从数据推断代理价值的现有工作依赖于如下假设：所有参与者的策略都是对其他玩家观测行为的最优响应，即它们构成一个纳什均衡。在本文中，我们展示了如何转而依赖一个更弱的假设来进行推断：假设玩家使用某种形式的无后悔学习。近年来，学习结果作为纳什均衡在分析博弈结果时的一个有吸引力的替代方案出现，它建模那些尚未达到稳定均衡、而是使用算法学习以从先前观测中学会最佳玩法的玩家。本文展示了如何推断使用算法学习策略的玩家的价值。此类推断是我们在拍卖数据上检验任何学习理论行为模型之前的重要第一步。我们将我们的技术应用于来自微软赞助搜索广告拍卖系统的数据集。
引用
@article{arxiv.1505.00720,
title = {Econometrics for Learning Agents},
author = {Denis Nekipelov and Vasilis Syrgkanis and Eva Tardos},
journal= {arXiv preprint arXiv:1505.00720},
year = {2015}
}