Theories of Learning in Games and Heterogeneity Bias
博弈学习理论与异质性偏差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。
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：摘要明确讨论强化学习与信念学习的混合结构模型，以及参数异质性对模型估计和比较的影响。
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…
关注这篇论文的作者
博弈学习理论与异质性偏差
- 研究问题
- 在重复博弈的学习模型比较中，参数异质性如何使合并估计偏向强化学习，并影响其与信念学习的拟合及结构参数比较？
- 方法与思路
- 作者分析参数异质性如何影响合并估计下的学习模型比较，考察拟合优度与混合结构模型，并讨论随机参数估计。
- 材料陈述的贡献
- 摘要称，合并估计可能产生偏向强化学习的严重偏差；即使随机参数估计存在误设，也可能大幅降低相对于合并估计的偏差。
- 阅读关注点
- 重点核对参数异质性的设定、偏差形成机制及两类比较标准，并检查随机参数估计降低偏差所依赖的条件与证据。
- 阅读边界
- 摘要未说明具体博弈、实验样本、估计实现或偏差数值，不能判断结论覆盖哪些学习模型，也不能认定随机参数估计普遍有效。
原文摘要
Comparisons of learning models in repeated games have been a central preoccupation of experimental and behavioral economics over the last decade. Much of this work begins with pooled estimation of the model(s) under scrutiny. I show that in the presence of parameter heterogeneity, pooled estimation can produce a severe bias that tends to unduly favor reinforcement learning relative to belief learning. This occurs when comparisons are based on goodness of fit and when comparisons are based on the relative importance of the two kinds of learning in hybrid structural models. Even misspecified random parameter estimators can greatly reduce the bias relative to pooled estimation.