School choice中的信息揭露
Information Acquisition and Provision in School Choice: A Theoretical Investigation, Yan Chen and Yinghua He, 2019, WP
這篇
考察了boston mechaism(IA)和DA演算法
不過用了17年jpe那篇里的Chinese parallel mechanism框架將兩者統一了(具體見:sleepsoft:高考平行志願填報機制(Chen and Kesten,JPE,2017)
設定是uncertainty在preference上——奇特的地方同時存在ordinal的P和cardinal的V,而且都uncertain
最開始每個agent i都symmetric: 只知道prior分布 F,和購買信息成功的幾率a,b
timeline如下(具體見論文figure 1)
agent i決定買不買Pi的信息
不買直接去擇校,此時唯一信息是分布F
買則a幾率成功買到1-a幾率失敗,失敗了就直接去擇校
成功了再決定買不買Vi的信息
不買則在知道Pi的情況下去擇校,此時信息是Pi
買則b幾率成功買到1-b幾率失敗,失敗了就在知道Pi的情況下去擇校
買成功了則在知道Vi的情況下去擇校,此時信息是Vi
agent i的action space為購買信息與否,假設購買信息的payment分別為f,g,而a,b的大小也假設和f,g相關 ——假設a,b性質well-behaved:
假設f,g都有界,每個agent的cost為C(f,g)
每個agent的信息集合為
將f,g當作signal通過貝葉斯勸說的技術可以寫出以下的signal的條件概率H(wi|f,g):
Recall 我們還有個prior分布F(V),所以我們能得出根據H的posterior分布F
類似地也有個關於P的分布G
==================以上都是信息的部分===========
當agent知道信息/接收信號後進入擇校階段
每個agent i的行為是report一個list/preference
agent的最後payoff為
其中S為學校的集合,q^s_i(R)表示action profile R時agent i被選進學校s的概率,Qi則為這樣的一個lottery
什麼叫SP就不說了,recall DA是SP的,但IA/波士頓不是
solution concept為symmetric Bayes Nash Equ(SBNE): recall這裡每個agent的戰略為一個tuple ,其中sigma為Ri的混合戰略
於是一個SBNE的profile分別滿足三種期望效用的最大化(因為是對稱的所以就把下標i省略了)
(所以為什麼我不喜歡做某些應用理論因為太ugly了……)
Prop 1:
i) f*>0 所有agent i都有incentive去買Pi的信息
ii) DA時: g*==0 沒人想買Vi
iii) IA時:
================以下為另一套信息=============
現在假設agent i可以花錢買V-i
此時每個agent i都知道Vi 了 (AKA wi=wi^2)
agent多出來一個戰略:花h買V-i,其中成功率為d(h)
此時定義一個新的signal ww_i,我們有分布
此時SBNE為pair 分別最大化了以下兩個期待效用
結論如下
Prop 2:
i) DA時:h*(Vi)=0 for all Vi
ii)IA時:永遠存在一個F使h*>0
之後討論了下ex ante welfare,沒什麼意思
反正這篇文章也是剛寫成的 等以後人家改吧
推薦閱讀: