本文是Game Theory An Introduction (by Steven Tadelis) 的学习笔记。html
信号传递博弈的核心在于玩家2如何判断玩家1的类型。
能够想象玩家2是一个面试官,试图挑选一个有经验的Java工程师。而玩家1是被面试者。
玩家1有两种类型:类型1是有三年Java工做经验的,类型2是有三年JavaScript工做经验的。面试
混同均衡(Pooling equilibria)
玩家1的全部类型选择相同的行动,这样没有揭露任何信息给玩家2。
这种状况下,玩家2只能经过几率分布做为他的信念。
玩家2的序贯理性策略是如何让玩家1偏离他的混同策略。学习
分离均衡(Separating equilibria)
玩家1的每种类型选择不一样的行动,揭露了他的类型信息给玩家2。
这种状况下,玩家2能够很好地使用贝叶斯法则判断出玩家1的类型。ui
混合均衡(semi-separating equilibria)
第三种类型:不一样类型的玩家1选择不一样的混合策略(mixed strategies),
这样致使对于不一样类型的玩家1,采用每一个行动的几率是不一样的。spa
能够看看Perfect Bayesian equilibrium,类型给出了一个简单的例子。
书中本章,主要内容是讲如何解决实际的案例。这里就跳过,不写了。设计
直观准则:对于任何给定的玩家2的信念集,玩家1本着“只有类型x可以从这个行动中获益,所以,我是类型x。”的精神,用他的行动给玩家2发一个信息。htm
解释:blog
当在知足如下两个条件时,玩家1不会是\(\hat{\Theta}\)中的任何一个类型:ip
- 玩家1的类型若是是\(\hat{\Theta}\)中任何一个,玩家1就不会选择行动\(a_i\),由于其收益小于玩家1在精炼贝叶斯均衡\(\sigma^*\)的收益。
- 若是玩家1能够说服玩家2玩家1的类型不会是\(\hat{\Theta}\)中的任何一个类型,则其选择行动\(a_i\)的收益大于玩家1在精炼贝叶斯均衡\(\sigma^*\)的收益。