Equilíbrio de Nash Bayesiano
- Proposto por
- John Harsanyi
- Ano
- 1967
- Tipo
- algorithm
- Família
- Game-theoretic
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
O Equilíbrio de Nash Bayesiano (ENB) estende o Equilíbrio de Nash a jogos com informação incompleta, onde os jogadores carecem de conhecimento total sobre as funções de payoff dos outros.
Introduzido por John Harsanyi em 1967, o ENB modela a interação estratégica sob incerteza representando payoffs desconhecidos como tipos privados dos jogadores, extraídos de uma distribuição de probabilidade. O equilíbrio é encontrado resolvendo para estratégias contingentes ao tipo que são as melhores respostas a todas as realizações de tipo possíveis.
A intuição por trás do método
Num Equilíbrio de Nash Bayesiano, cada jogador tem informação privada sobre os seus próprios payoffs (o seu 'tipo'), e os outros jogadores conhecem apenas uma distribuição de probabilidade sobre os tipos. Em vez de se comprometerem com uma única estratégia, cada jogador compromete-se com uma regra que especifica qual ação tomar para cada tipo possível que possa ser. O equilíbrio ocorre quando a estratégia contingente ao tipo de cada jogador é uma melhor resposta a todas as outras estratégias, considerando a incerteza sobre quais tipos os outros realmente são.
História
Os artigos de John Harsanyi de 1967-1968 transformaram a teoria dos jogos ao introduzir um quadro sistemático para analisar jogos com informação incompleta. A sua visão foi modelar a informação privada como um sorteio aleatório de 'tipos' a partir de uma crença prévia comum, unificando jogos de informação completa e incompleta. Harsanyi partilhou o Prémio Nobel da Economia em 1994 por este trabalho fundamental, que se tornou indispensável para a teoria de leilões, organização industrial e desenho de mecanismos.
Quando usar
Aplicar o ENB quando os jogadores enfrentam incerteza genuína sobre as motivações, custos ou avaliações dos oponentes. Exemplos incluem leilões de lances selados (licitantes não conhecem as avaliações dos outros), mercados de seguros (seguradoras não conhecem os tipos de risco dos candidatos), ou negociações onde ambas as partes têm informação privada. Usar quando a assimetria de informação é fundamental para a interação estratégica.
Limitações e considerações
- A existência e computação do ENB é frequentemente difícil, especialmente para espaços de tipos grandes ou tipos contínuos
- Requer a especificação de crenças prévias e distribuições de tipos, que podem ser desconhecidas ou contestadas
- Múltiplos equilíbrios frequentemente existem, tornando as previsões ambíguas sem refinamento
- Não considera a aprendizagem ou atualização de crenças em interações repetidas
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Modela interações estratégicas realistas sob incerteza sobre preferências ou payoffs do oponente
- Generaliza o Equilíbrio de Nash, reduzindo-se a ele quando a informação é completa
- Permite a análise da seleção de equilíbrio sob informação incompleta
- Fundação para o desenho de mecanismos e teoria de leilões ótima
Aplicações
- Leilões: análise do comportamento de lances em leilões de lances selados e abertos-ascendentes com avaliações privadas
- Mercados de seguros: modelagem de seleção adversa quando as seguradoras estão incertas sobre os tipos de risco dos candidatos
- Finanças corporativas: análise da precificação de ações quando gestores têm informação privada sobre os fundamentos da empresa
- Mercados de trabalho: modelagem de negociação salarial quando empregadores e trabalhadores têm informação assimétrica sobre produtividade
Como funciona
Como funciona
Definir o espaço de tipos de cada jogador (possíveis estados de payoff) e a distribuição de probabilidade sobre os perfis de tipos.
Cada jogador detém crenças prévias sobre os tipos dos outros, codificadas na distribuição de probabilidade conjunta; os jogadores atualizam estas crenças usando a regra de Bayes após observar o seu próprio tipo.
Para cada jogador e cada um dos seus tipos possíveis, calcular a ação que maximiza o payoff esperado dadas as estratégias de equilíbrio dos outros jogadores e a incerteza sobre os seus tipos.
Confirmar que cada tipo de cada jogador não tem incentivo para desviar da sua ação prescrita, formando um ponto fixo da correspondência de melhor resposta.
Erros comuns
- Assumindo que as crenças prévias dos jogadores são idênticas quando eles frequentemente têm informação assimétrica apenas sobre os seus próprios tipos
- Confundindo os tipos estratégicos dos jogadores (estados de payoff) com heterogeneidade comportamental ou de preferência
- Ignorando que o ENB é sensível à especificação do espaço de tipos e ao suporte da distribuição de crenças
- Aplicando previsões de equilíbrio a jogos de uma só jogada quando o comportamento é impulsionado por racionalidade limitada ou considerações não estratégicas
Perguntas frequentes
O que é um 'tipo' no Equilíbrio de Nash Bayesiano?
O tipo de um jogador codifica a sua informação privada — tipicamente o seu vetor de payoff, custo ou avaliação — conhecido apenas por ele. Outros jogadores conhecem apenas uma distribuição de probabilidade sobre os tipos e atualizam as suas crenças via regra de Bayes ao aprenderem o seu próprio tipo.
Como o ENB lida com informação privada de forma assimétrica?
Cada jogador conhece apenas o seu próprio tipo com certeza e detém crenças probabilísticas sobre os tipos dos outros. Quando o tipo de um jogador é revelado ou revelado através de ações, outros jogadores atualizam as suas crenças racionalmente usando a regra de Bayes.
Por que o ENB é difícil de computar em comparação com o Equilíbrio de Nash?
O ENB requer a resolução simultânea de estratégias de equilíbrio para todos os tipos de todos os jogadores, aumentando dramaticamente a dimensionalidade do problema. Para espaços de tipos contínuos ou muitos jogadores, soluções analíticas são frequentemente inviáveis, exigindo métodos numéricos ou aproximação.
Métodos relacionados
Fontes
Harsanyi, J. C. (1967). Games with incomplete information played by Bayesian players, Parts I, II, and III. Management Science, 14(3), 159-182.
Abrir referência DOICopiado.Harsanyi, J. C. (1968). Games with incomplete information played by Bayesian players. Management Science, 14(7), 486-502.
Abrir referência da publicaçãoCopiado.