[量化金融] 网络结构与朴素顺序学习 [推广有奖]

在这种解释下，我的行为就好像她的邻居们没有考虑到他们自己前任的行为一样。在顺序学习文献中，Eyster和Rabin（2010）首先在完整网络上研究了假设1，他们创造了术语“最佳反应跟踪天真推理”（BRTNI）来描述这种行为。inEyster、Rabin和Weizsacker（2018）以及Mueller Frank和Neri（2015）的实验室游戏为这种行为假设找到了证据。犯这种推断错误的代理在未加权网络上使用对数线性规则，为我们研究的行为提供了心理微观基础。引理1。在未加权的网络中，代理只观察LinkedPrecessors的操作，假设1意味着代理使用加权对数线性规则。由于推理错误，代理i错误地推断j的log动作等于herlog信号。（这种推断是可能的，因为连续体动作集足够丰富，可以准确地揭示前人的信仰。）动作Ai是相关似然度的乘积，因为满足假设1的代理认为她的观察是基于独立信息的，因此Ai是相应对数似然比的总和。备注2。假设1下的推理在认知上很简单，因为它不依赖于代理对网络的知识（超出他们自己的邻居），甚至不依赖于他们的前任移动的顺序。因此，我们的模型甚至适用于代理随机到达的复杂环境。在这种环境中，假设1可能比假设完全了解观测结构和移动顺序更现实。接下来，我们给出了加权网络上相同行为的微观基础。

我们对网络权重进行了解释，将代理对其联系更强的邻居更加信任的观点形式化：我们假设代理低估了其他人的私人信号的准确性，这取决于Mi，j.假设2。给定网络权重Mi，j∈ [0，1]，代理i认为j的私有信号具有条件方差σ/Mi，j激活状态。Weizs"acker（2010）对连续社会学习实验的元分析发现，实验室受试者未充分利用与其自身私人信号相关的社会信息。我们的假设2与这一证据一致，但也考虑到不同前辈的不同程度的使用不足。较弱的网络连接通常与前辈的信号相对应，前辈的信号被认为对状态的信息较少或相关性较低。相反地，如果我们知道i的作用就像j的信号有条件方差Vi，j≥ σ、 然后，我们可以构建一个加权网络，其权重为m i，j=σ/Vi，j。下一个结果表明，对他人社会信息的推断错误与对他人信号精度的低估（假设1和2）相结合，为加权对数线性规则提供了一个微观基础。引理2。满足假设1和2的代理使用加权对数线性规则。根据高斯分布的一个性质，对数变换的高斯变量也是高斯的，这是显示上述引理的关键。2.3全面学习和错误学习我们明确了在行动趋同方面全面学习对社会意味着什么。定义2。