预测非重复同时行动博弈中的人类行为
计算机科学与博弈论
2017-10-17 v4
摘要
通常假设代理人会采用纳什均衡策略；然而，实验研究表明，在非重复标准型博弈中，纳什均衡往往不能很好地描述人类玩家的行为。在本文中，我们分析了五种被广泛研究的模型（Quantal Response Equilibrium、Level-k、Cognitive Hierarchy、QLk 和 Noisy Introspection），旨在描述此类博弈中实际而非理想化的人类行为。我们进行了据我们所知最全面的元分析，利用了文献中记录双人博弈人类行为的十个不同数据集。我们首先评估了模型的泛化或预测性能，即在基于单独训练数据校准参数后，模型对未见测试数据的拟合程度。令人惊讶的是，我们发现 Stahl & Wilson (1994) 提出的 QLk 模型始终表现最佳。受此发现启发，我们描述了分析模型参数后验分布的方法。我们发现 QLk 的参数被设定为与其预期的经济学解释不一致的值。因此，我们探索了 QLk 的变体，最终确定了一个新的模型族，该模型族参数更少，产生的参数值更简约，并实现了更好的预测性能。
引用
@article{arxiv.1306.0918,
title = {Predicting Human Behavior in Unrepeated, Simultaneous-Move Games},
author = {James R. Wright and Kevin Leyton-Brown},
journal= {arXiv preprint arXiv:1306.0918},
year = {2017}
}