地方主导

就像第一个描述一样，有一个积极的解释和一个正常的标准值。从积极的角度来看，如果没有结果，不保持虚拟的持续性计划交叉意外事件可以使动态机制比人们想象的更容易发挥作用。在极端情况下，一厢情愿的主导地位突显了前瞻性计划和持续性推理之间的可替代性：当第二种是完美的，第一种就不需要了。从规范的角度来看，建议在游戏设计中考虑这种额外的灵活性。此外，我们将偶发事件的划分内化为有终止或无终止的场景，并引入模拟规划和无关性。修正一个动作对（a，b），一个场景，以及b之后的延续计划。模仿b之后的延续计划的a之后的延续计划具有以下特性：在场景中对手s的每个可能行为下，两个计划最终规定了完全相同的动作，从第一阶段开始，我们的玩家在a之后再次活跃起来。认为场景与（a，b）无关，因为对于b之后的每个延续计划，a之后都有一个模拟延续计划，它总是产生与第一个完全相同的回报。忽略一个不相关的场景，大致可以被视为在模拟的前瞻性规划下对确定性原则的应用。如果对于每一个相关场景，通常情况下都可以通过模拟计划来满足，那么d端的行动就预示着b端的行动（局部电子主导）。令人惊讶的是，在升序拍卖中，用于不同比较的不同信息集的分区不需要以任何方式关联。在动态机制中，playe rs确实能将其分解为这种简单的维度，这一想法当然需要实验验证。

我们自己将下一个优势概念定义为本地c-优势的变体，因为它们看起来更自然地以这种方式定义。为了正式满足模仿，在永久离开后，玩家被分配在剩下的时间里作为傻瓜行动离开。当价格高于估值时，竞价后的任何续约计划在永久离开后都会被空洞地模仿，因为只有在玩家再次激活后才需要模仿。在一个场景中，两个动作都会终止游戏，继续计划会相互模仿。被认为是上风的，当价格低于自己的估值时，在本地竞拍电子版占主导地位：当竞拍意味着永远离开时，竞拍后的模仿计划将在明天（永远）离开；当允许重新进入且拍卖不会结束时，模仿会使当前选择的内部收益率升高。在静态游戏中，局部电子支配地位下降到局部明显支配地位，从而下降到明显支配地位，而在动态游戏中，由于已经暴露出的原因，局部电子支配地位既不弱，也不强于局部明显支配地位。不及物性是相似的，因为不及物性之间可能是不相关的。不及物性对于一个旨在追求简单性的主导概念来说并不是不可取的，因为相似的替代品可能很容易识别，而不同的替代品可能不容易识别。另一个有趣的特性是，局部电子支配对重新标记不是不变的，因为复制需要在两个操作之后匹配延续计划。我们也不认为这个属性不可取，因为简单性肯定取决于问题的框架。我们将局部电子优势应用于实现顶级交易周期分配的问题。

TTC分配也不能在具有动态机制的明显主导策略中实现。我们构建了一个动态机制，在每个阶段，玩家只需在仍然可用的项目中命名他们最喜欢的项目，我们表明，命名favo-ur-it e项目是局部电子主导的。直觉告诉我们，如果尝试失败，给最喜欢的项目一次机会，并“追赶”任何替代计划，永远不会导致任何机会损失，因为只要我们的玩家在游戏中，任何交易提议都是“锁定”的。所有这些都非常适合于一种分析机制，在这种机制中，每个玩家的结果都是唯一的，并且完全由玩家离开游戏时决定。然而，一些动态机制将最终结果分解为一系列在不同阶段成熟的结果。在这样的背景下，无论是本地的e-do minance，还是现有的主导概念，都严重失败。下面是一个例子。考虑以下repeatedgame，其监控不完善。参见李（2017）。Troyan（2019）确定了一些限制性偏好领域，在这些领域中，显而易见的优势实现是可能的。球员1和球员2的球票里都有爆米花和苏打水。中场休息时，他们先去拿爆米花，然后去拿苏打水，但由于人群拥挤，他们彼此看不见了。如果一个人不拿爆米花或苏打水，他可以在行动中拿走另一个人五分之二的份额。这两个项目的回报都是相同的，因此这种情况可以表示为两次重复的游戏，监控不完善（实际上为零）。请注意，抓取显然在舞台游戏中占据主导地位。让我们从第一阶段开始。Grab不会在本地以电子方式主导Nab。只有一种情况需要考虑：游戏总是在继续。

在这种情况下，抓取爆米花，然后抓取苏打水可以产生7，而抓取两者都可以产生6。同样地，战略抓取Gr ab并不明显主导Nab抓取。让我们现在进入第二阶段。再说一遍，只有一种情况：游戏总是发送消息。我们的球员知道自己在第一阶段的动作，但不知道对手的动作。让我们假设我们的球员在第一阶段玩了Gr ab。如果她再次抢夺，她的最终赔付可能是6英镑。如果她成功了，她的最终报酬可能是7英镑。所以，同样在这种情况下，Grab并不在本地电子支配Nab，类似地，Grab Grab也不明显支配EGRAB Nab。这两个阶段的两次失败可以总结如下：我们的玩家无缘无故地将另一个阶段拖进比较。这两个局部问题可以完全分开：第一阶段的行动对第二阶段的结果没有影响，反之亦然。在其他领域，只关注当前阶段成熟的结果似乎是很自然的，而全球最低和最高回报之间的比较似乎是自然而然的，结果证明是不确定的。类似地，想象一个静态游戏，每个玩家的结果是两个部分的总和：一个只取决于自己的行为，另一个只取决于对手的行为。明显的优势将无法确定我们的玩家的最佳行为，因为最大和最小总回报会因第二部分的不同而不同。但在这种情况下，将结果一分为二，只关注依赖于自身行为的部分似乎是很自然的。鉴于这些考虑，我们将我们的分析调整为在不同阶段成熟的多重基因组的情况，每个阶段可能不止一个。我们要求玩家能够正确地关注当前阶段成熟的结果，并且很容易认识到这一点。

特别是，我们将当前动作与未来结果的关联性这一理念应用到了游戏中：如果你的玩家在比较两个动作后以同样的方式继续，她将获得完全相同的未来结果。地方舞台主导的终极概念转变为机制，其结果与地方电子主导的理念和性质相同。我们将局部阶段优势应用于分配同一对象的多个单元的问题。我们表明，在Ausubel（2014）的动态拍卖格式中，低于自身估值的出价是局部s-主导的。因此，即使游戏玩家具有当地s-主导地位所捕获的认知局限性，这种拍卖设计也向设计师保证了她将从完全成熟的竞标者那里获得的利益，甚至更高——这对设计师来说也是一个机会，李和德沃查克（2020）在其他情况下也给予了高度重视。事实也证明，这一结论对结果的分解方式非常敏感，高度强调了OutcomedComposition强大的框架作用，以简化机械结构。论文的结构如下。在第2节中，我们制定了我们的（标准）多阶段游戏框架。在第3节中，我们介绍了局部优势和一个新的例子。在第4节中，我们介绍了局部c-优势。在第5节中，我们介绍了本地电子支配，我们正式解决了这一介绍的升序拍卖，并设计了我们的TTC游戏。在第6节中，我们介绍了具有流动结果和本地s-do minance的多阶段游戏框架，我们正式解决了抓取或Nab问题，并将其应用于Ausubel拍卖。2.游戏的框架规则我们考虑一个多阶段的游戏，对自然的初始运动进行不对称观察。

在第0阶段，大自然从有限集合Θ中选择θ。在每个阶段t=1。。。T，我认识的每个球员∈ 我从act ion setAi的availablesubset中选择一个action AIN（我们将在后面指定这个子集）。设A=×j∈IAj。因此，阶段0之后的历史是Θ的一个元素，对于每个t=1。。。，T，后阶段的历史是Θ×At的一个元素。设Xt表示t阶段后的可行历史集，设X=∪Tt=1Xt。终端历史是Θ×AT的一个元素；让Z表示可行的终端历史集。LetX=X∪ Z、 具有先例顺序. 对于每个玩家i，一个信息集h∈ Hiof阶段t收集历史。仅为简单说明而假设有限性（它保证存在极大值和极小值）。该分析与一组特定的自然状态完美地结合在一起。在Xt中-1通过完美回忆、Hipartions X和Inherits，我无法区分哪个球员. 让阿希请注意h处可执行的一组操作。让h*我 Hicollect在玩家i活动的位置设置h，也就是，阿希> 1.对于玩家i来说，游戏有一系列可能的结果→ Yi表示将每个终端历史与最终结果相关联的功能。请注意，应用程序中使用的绝大多数游戏都符合多级结构：在完美回忆的基础上，我们只对移动顺序进行了一般性的了解。固定的视界不会失去普遍性：如果游戏实际上更持久，让玩家选择一个虚拟动作，直到T阶段。偏好每个球员我都有一个偏好关系%ioverΘ×Yi。结果函数g和偏好关系%不自然地导致完全偏好排序%*iof终端历史，定义为asz′=（θ′…，aT）%*iz=（θ，…，aT）<=> （θ，g（z））%*i（θ′，g（z））。因此，我们可以引入payoff函数ui:Z→ R代表%*我

我们只会在纯粹的行为之间谈论支配地位，因此基数效用将发挥作用，但引入支付函数有助于与文献中的支配概念进行比较。策略玩家i的简化策略（以下简称“策略”）是一个分配ctio n ai的地图∈ 对每个信息集h∈ 根据分配给先前信息集的操作，可以访问的HIT。（请注意，战略也在信息集h中规定了行动。）∈ 嗨\\H*我这里的玩家我不活跃。）让我们侧注玩家i的策略集，然后让我们-i=Θ×（×j）∈I\\{I}Sj）。对于每个人来说-我∈ s-i、 让我们-i） 表示自然θ在s中的移动-i、 对于每个（si，s）-（一）∈Si×S-i、 设ζ（si，s）-i） 表示诱导终端历史。设Si（h）和S-i（h）表示SIAN和S中的策略-它允许到达一个信息集h∈ 你好FOREACH可用行动ai∈ Ahi，让Si（h，ai）表示策略集Si∈ Si（h）与Si（h）=ai。对于非理性的简单性，我们将Si（h，ai）称为延续。我们将玩家视为个人主义者（他们只关心自己的个人结果）和联合序列主义者（他们不关心移动的历史）。然而，请注意，这只是一个细节问题，因为结果y也可以指定其他人的后果以及生成它的终端历史。虽然AIAH通常是一套完整的计划。

对于每个策略si，让H*i（si）表示与si一致的活动信息集。值得强调的是，对手的策略不应被解释为对手的计划（我们的玩家不必认为对手有一个g lobalplan），而应被解释为一组关于对手行为的条件陈述——她在到达该信息集时会如何表现？这是我们玩家感兴趣的“外在状态”。3.局部优势我们采取玩家的观点，在一个信息集中比较两个可用的动作。为了进行比较，她考虑了不同的可能场景，每一个场景都对应于对手的一系列自然动作和策略，这些在信息集中仍然是可能的。目前，我们把偶然事件的这种划分看作是外生的。我们还没有提出一些场景可以忽略的想法，也没有对玩家评估其可能的延续计划的能力施加限制。这些额外的自由度将使我们的分析以一种更实质性的方式脱离弱优势和明显优势，而在本节中，我们的目标是联系并跨越这两个突出的观点。定义1修复信息集h∈ H*i、 一对动作组合（ai，ai）∈ Ahi×Ahi，和S的分区S-i（h）。对每个人来说，行动总是主导着行动∈ 是（h，ai），存在∈ Si（h，ai）这样s-我∈ S、 分钟-我∈s-iui（ζ（si，s）-i） )≥ 麦克斯-我∈s-iui（ζ（si，s）-i） ）。

（1） 我们说，如果人工智能在本地主导其他所有人工智能，那么它在本地就不起作用∈ A给出了相应的分区。因为我们主要关心支配行为的存在，所以我们只考虑纯粹行为之间的比较；通过混合行动扩展到主导地位是很简单的。一个玩家如果想确定一个ctio是否会主导动作，他应该给出如下理由。首先，她确定了一个可能的延续计划，然后在每个“场景”下寻找她可能实现的最佳结果-她很乐意作比较。然后，她寻找一个延续计划，在每种情况下，g ua Rantes的薪酬都不会低于前一个延续计划，有时甚至高于前一个延续计划。因此，玩家i不需要在ai之后找到一个超越所有延续计划的延续计划。这样的延续计划可能根本不存在，但即使存在，我们的玩家也不会想到这样的最终计划。此外，playeri提出的续约计划可能会根据我考虑的续约计划而改变。当游戏有一个递归结构时，这尤其方便，而且完成任务后的延续计划类似于考虑中的任务后的延续计划——我们的TTC游戏第4节就是一个例子。此外，延续计划可能明显次优，但比较简单方便，如第2节的示例所示。相反，当地主导地位不允许在考虑中的情况下改变延续计划。稍后，我们将利用这种额外的灵活性来实现本地主导地位的变化。很容易看出，分割越紧密，局部的优势越弱。备注1修复两个分区S，S的E-i（h）何时定义S。

如果人工智能∈ 非主流主导人工智能∈ 阿希斯，然后是艾∈ 人工智能的主导地位∈ 阿希吉文斯。因此，如果我们考虑-i（h），我们得到了局部优势关系的上界和下界，我们可以通过改变参与者进行或有推理的能力来建立。我们将这两个极值形式化，并将它们称为“局部弱优势”和“局部明显优势”，因为它们与我们将要建立的相应全球概念有关。定义2修复信息集h∈ H*i、 行动AI∈ Ahia wea-kly主导着动作ai∈ 如果每一个si∈ Si（h，ai），存在Si∈ Si（h，ai）这样s-我∈ s-i（h），ui（ζ）（si，s-i） )≥ ui（ζ（si，s）-i） ）。（2） 动作ai∈ 阿希纳的行动ai∈ 如果每一个si∈ 是（h，ai），存在∈ 是这样的-我∈s-iui（ζ（si，s）-i） )≥ 麦克斯-我∈s-iui（ζ（si，s）-i） （3）如果ai在局部弱/明显地支配其他ai，我们说它在局部弱/明显地支配其他ai∈ 阿希。备注2 Actionailocally weakly dominate当且仅当ailocally dominatesAigin the singleton partition S={S-i} |s-我∈ s-i（h）}。ActionAilocaly明显地支配ActionAiif，并且只有If在平凡的分区S={S上也同样支配着ActionAiif-i（h）}。现在我们来说明局部弱/明显优势和（全球）弱/明显优势之间的关系。我们首先报告了弱势和明显优势的定义。给出了两个策略∈ 设D（Si，Si）是它们的分离点集，也就是信息集h∈ H*i（si）∩ H*i（si）使得si（h）6=si（h）。定义3战略i∈ siif弱支配战略siifs-我∈ s-i、 ui（ζ（si，s）-i） )≥ ui（ζ（si，s）-i） ）。