Revealed Information
显示的信息AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦决策理论中的信息理性化，未明确提供离散选择估计或结构估计的研究设计。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
显示的信息
- 研究问题
- 分析者仅观察行动的边际频率、无法观察各收益相关状态下的行动频率时，何时能将这些选择解释为决策者先获取信息再行动？
- 方法与思路
- 作者用支持函数刻画效用、先验与行动分布的信息相容性，在特定条件下化为有限不等式，并研究后验分布和共同信息结构。
- 材料陈述的贡献
- 摘要称给出信息理性化的刻画及锐利的有限不等式系统，并分析比较静态、跨决策问题的一致性和可相容的后验信念分布集合。
- 阅读关注点
- 应核对状态空间和效用限制如何支持有限不等式，以及连续行动、连续状态扩展中的一阶方法条件和多主体结果的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出具体不等式、证明条件或估计程序，不能据此判断实证可实施性。
原文摘要
An analyst observes the frequency with which a decision maker (DM) takes actions, but not the frequency conditional on payoff-relevant states. We ask when the analyst can rationalize the DM's choices as if the DM first learns something about the state before acting. We provide a support-function characterization of the triples of utility functions, prior beliefs, and (marginal) distributions over actions such that the DM's action distribution is consistent with information given the DM's prior and utility function. Assumptions on the cardinality of the state space and the utility function allow us to refine this characterization, obtaining a sharp system of finitely many inequalities the utility function, prior, and action distribution must satisfy. We apply our characterization to study comparative statics and to identify conditions under which a single information structure rationalizes choices across multiple decision problems. We characterize the set of distributions over posterior beliefs that are consistent with the DM's choices. We extend our results to settings with a continuum of actions and states assuming the first-order approach applies, and to simple multi-agent settings.