Équilibre de Nash bayésien
- Introduite par
- John Harsanyi
- Année
- 1967
- Type
- algorithm
- Famille
- Game-theoretic
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
L'équilibre de Nash bayésien (ENB) étend l'équilibre de Nash aux jeux à information incomplète, où les joueurs n'ont pas une connaissance complète des fonctions de gain des autres.
Introduit par John Harsanyi en 1967, l'ENB modélise l'interaction stratégique en situation d'incertitude en représentant les gains inconnus comme des types privés des joueurs tirés d'une distribution de probabilité. L'équilibre est trouvé en résolvant des stratégies contingentes aux types qui sont les meilleures réponses à toutes les réalisations de types possibles.
L’intuition derrière la méthode
Dans un équilibre de Nash bayésien, chaque joueur dispose d'informations privées sur ses propres gains (son « type »), et les autres joueurs ne connaissent qu'une distribution de probabilité sur les types. Au lieu de s'engager sur une stratégie unique, chaque joueur s'engage sur une règle spécifiant l'action à entreprendre pour chaque type possible qu'il pourrait être. L'équilibre se produit lorsque la stratégie contingente au type de chaque joueur est une meilleure réponse aux stratégies de tous les autres, en tenant compte de l'incertitude quant aux types réels des autres.
Histoire
Les articles de John Harsanyi de 1967-1968 ont transformé la théorie des jeux en introduisant un cadre systématique pour analyser les jeux à information incomplète. Son idée fut de modéliser l'information privée comme un tirage aléatoire de « types » à partir d'un a priori commun, unifiant les jeux à information complète et incomplète. Harsanyi a partagé le prix Nobel d'économie en 1994 pour ce travail fondamental, devenu indispensable pour la théorie des enchères, l'organisation industrielle et la conception de mécanismes.
Quand l’utiliser
Appliquer l'ENB lorsque les joueurs sont confrontés à une incertitude réelle concernant les motivations, les coûts ou les évaluations des adversaires. Les exemples incluent les enchères à l'aveugle (les enchérisseurs ne connaissent pas les évaluations des autres), les marchés de l'assurance (les assureurs ne connaissent pas les types de risque des demandeurs) ou les négociations où les deux parties ont des informations privées. À utiliser lorsque l'asymétrie d'information est fondamentale à l'interaction stratégique.
Limites et points d’attention
- L'existence et le calcul de l'ENB sont souvent difficiles, en particulier pour les grands espaces de types ou les types continus
- Nécessite la spécification de croyances a priori et de distributions de types, qui peuvent être inconnues ou contestées
- De multiples équilibres existent souvent, rendant les prédictions ambiguës sans raffinement
- Ne tient pas compte de l'apprentissage ou de la mise à jour des croyances lors d'interactions répétées
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Modélise l'interaction stratégique réaliste en situation d'incertitude concernant les préférences ou les gains de l'adversaire
- Généralise l'équilibre de Nash, s'y réduisant lorsque l'information est complète
- Permet l'analyse de la sélection d'équilibre en information incomplète
- Fondement de la conception de mécanismes et de la théorie des enchères optimales
Applications
- Enchères : analyse du comportement d'enchère dans les enchères à l'aveugle et les enchères ascendantes ouvertes avec des évaluations privées
- Marchés de l'assurance : modélisation de l'anti-sélection lorsque les assureurs sont incertains quant aux types de risque des demandeurs
- Finance d'entreprise : analyse de la valorisation des actions lorsque les dirigeants disposent d'informations privées sur les fondamentaux de l'entreprise
- Marchés du travail : modélisation de la négociation salariale lorsque employeurs et travailleurs ont des informations asymétriques sur la productivité
Comment ça marche
Comment ça marche
Définir l'espace des types de chaque joueur (états de gain possibles) et la distribution de probabilité sur les profils de types.
Chaque joueur détient des croyances a priori sur les types des autres encodées dans la distribution de probabilité conjointe ; les joueurs mettent à jour ces croyances en utilisant la règle de Bayes après avoir observé leur propre type.
Pour chaque joueur et chacun de ses types possibles, calculer l'action qui maximise le gain attendu étant donné les stratégies d'équilibre des autres joueurs et l'incertitude quant à leurs types.
Confirmer que chaque type de chaque joueur n'a aucune incitation à dévier de son action prescrite, formant un point fixe de la correspondance de meilleure réponse.
Pièges courants
- Supposer que les a priori des joueurs sont identiques alors qu'ils ont souvent des informations asymétriques uniquement sur leurs propres types
- Confondre les types stratégiques des joueurs (états de gain) avec l'hétérogénéité comportementale ou de préférence
- Négliger que l'ENB est sensible à la spécification de l'espace des types et du support de la distribution des croyances
- Appliquer les prédictions d'équilibre à des jeux à un coup lorsque le comportement est dicté par une rationalité limitée ou des considérations non stratégiques
Questions fréquentes
Qu'est-ce qu'un « type » dans l'équilibre de Nash bayésien ?
Le type d'un joueur encode ses informations privées — généralement son vecteur de gains, son coût ou son évaluation — connues de lui seul. Les autres joueurs ne connaissent qu'une distribution de probabilité sur les types et mettent à jour leurs croyances via la règle de Bayes en apprenant leur propre type.
Comment l'ENB gère-t-il l'information privée de manière asymétrique ?
Chaque joueur ne connaît son propre type qu'avec certitude et détient des croyances probabilistes sur les types des autres. Lorsqu'un type de joueur est révélé ou révélé par des actions, les autres joueurs mettent à jour leurs croyances rationnellement en utilisant la règle de Bayes.
Pourquoi l'ENB est-il difficile à calculer par rapport à l'équilibre de Nash ?
L'ENB nécessite de résoudre simultanément les stratégies d'équilibre pour tous les types de tous les joueurs, augmentant considérablement la dimensionnalité du problème. Pour les espaces de types continus ou un grand nombre de joueurs, les solutions analytiques sont souvent irréalisables, nécessitant des méthodes numériques ou des approximations.
Méthodes associées
Sources
Harsanyi, J. C. (1967). Games with incomplete information played by Bayesian players, Parts I, II, and III. Management Science, 14(3), 159-182.
Ouvrir la référence DOICopié.Harsanyi, J. C. (1968). Games with incomplete information played by Bayesian players. Management Science, 14(7), 486-502.
Ouvrir la référence de la publicationCopié.