Bounded Rationality in Decisions and Games Summer School : Contenu du programme

par Olivier Compte

Le paradigme bayésien utilisé dans la modélisation économique suppose souvent que les agents se comportent de manière optimale comme s’ils connaissaient tous les détails du modèle (préférences, distributions, etc.). Dans ce mini-cours, nous explorerons comment les restrictions de stratégie peuvent aider à évaluer la robustesse des modèles qui utilisent l’hypothèse bayésienne, et aussi comment ces restrictions de stratégie, vues comme une famille d’heuristiques disponibles, peuvent être utilisées comme un dispositif de modélisation pour limiter la sophistication des agents que nous modélisons, y compris l’analyse des agents avec des niveaux différenciés de sophistication ou différentes façons dont les agents encadreraient leur propre environnement. Des travaux récents dans ce domaine seront présentés, ainsi qu’une analyse de la manière dont cette ligne de recherche s’écarte d’autres travaux dans la littérature sur la rationalité limitée.

Références clés

• Compte O. & Postlewaite A., 2018, Ignorance and Uncertainty, Cambridge University Press.

par Evan Friedman

L’objectif de ce cours est d’offrir une introduction à la branche de la théorie comportementale des jeux (BGT) basée sur la rationalité limitée (par opposition, par exemple, aux préférences sociales). Nous motivons d’abord la BGT en passant en revue les expériences classiques qui documentent les déviations de l’équilibre de Nash dans des jeux simples d’information complète. Nous discutons des concepts alternatifs qui peuvent expliquer ces anomalies, en soulignant comment de tels modèles sont couramment utilisés dans l’analyse des données expérimentales. Nous considérons ensuite les jeux à information incomplète et étudions les modèles dans lesquels les joueurs négligent la corrélation entre les variables ou perçoivent mal leur environnement stratégique. Enfin, nous étudions des concepts pour les jeux à plusieurs étapes dans lesquels les joueurs utilisent des stratégies simplifiées qui peuvent être mises en œuvre par des algorithmes ou des “automates”.

Références clés

• Alaoui L. & Penta A., 2016, “Endogenous Depth of Reasoning”, The Review of Economic Studies, pp 1297-1333.
• Esponda I. & Pouzo D., 2016, “Berk-Nash equilibrium: A framework for modeling”, The Econometric Society, 84(3), pp 1093-1130.
• Friedman E., 2022, “Stochastic Equilibria: Noise in Actions or Beliefs?”, American Economic Journal: Microeconomics, 14(1), pp 94-142.
• Goeree J. & Holt C., 2001, “Ten Little Treasures of Game Theory and Ten Intuitive Contradictions”, The American Economic Review, 91(5), pp 1402-1422.
• Goeree J., Holt C. & Palfrey T., 2005, “Regular Quantal Response Equilibrium”, Experimental Economics, 8(4), pp 347-367.
• McKelvey R. & Palfrey T., 1995, “Quantal Response Equilibrium in Normal Form Games”, Games and Economic Behavior, 10, pp 6-38.
• Nagel R., 1995, “Unraveling in Guessing Games: an Experimental Study”, The American Economic Review, 85(5), pp 1313-1326.
• Osborne M. & Rubinstein A., 2003, “Sampling Equilibrium, with an Application to Strategic Voting”, Games and Economic Behavior, 45(2), pp 434-441.
• Spiegler R., 2016, “Bayesian Networks and Boundedly Rational Expectations”, The Quarterly Journal of Economics, 131(3), pp 1243-1290.

par Philippe Jehiel

Les préférences temporelles sont des moteurs essentiels du comportement économique dans de nombreux contextes. L’objectif de ce cours est d’exposer les étudiants à un modèle de théorie des jeux développé au cours des vingt dernières années qui vise à assouplir le degré de finesse avec lequel les agents économiques comprennent la réaction de leur environnement. Le cours présentera les bases de l’équilibre d’espérance basé sur l’analogie tel qu’initialement introduit dans Jehiel (2005) ainsi que diverses applications couvrant le marchandage, la coopération, la stratégie d’investissement parmi d’autres. A la fin du cours, les étudiants devraient être en mesure d’appliquer l’approche à n’importe quel domaine d’intérêt.

Références clés

• Ettinger D. & Jehiel P., 2010, “A Theory of Deception”, American Economic Journal: Microeconomics, 2(1), pp 1-20.
• Huck S., Jehiel P. & Rutter T., 2011, “Learning spillover and analogy-based expectations: A multi-game experiment”, Games and Economic Behavior, 71(2), pp 351-365.
• Jehiel P., 2005, “Analogy-based Expectation Equilibrium”, Journal of Economic Theory, 123(2), pp 81-104.
• Jehiel P. & Koessler F., 2008, “Revisiting Games of Incomplete Information with Analogy-based Expectations”, Games and Economic Behavior, 62(2), pp 533-557.
• Jehiel P., 2011, “Manipulative auction design”, Theoretical Economics, 6(2), pp 185-217.
• Jehiel P., 2018, “Investment strategy and selection neglect: An equilibrium perspective on overoptimism”, American Economic Review, 10(6), pp 1582-97.
• Jehiel P., 2022, Analogy-based expectation equilibrium and related concepts: Theory, applications, and beyond, halshs-03735680, HAL.

par Jean-Marc Tallon

Invoquer des probabilités lorsqu’on pense à un avenir incertain est assez courant et pourtant, élaborer des représentations probabilistes d’une part et utiliser des probabilités pour prendre des décisions d’autre part est extrêmement complexe. Dans ce mini-cours, nous explorerons les approches récentes de ces questions, en nous concentrant sur les modèles dits “d’ambiguïté”.

Références clés

• Gilboa I., 2009, Theory of Decision under Uncertainty, Cambridge University Press.
• M. Machina & Kip Viscusi W., 2013, Handbook of Economics of Risk and Uncertainty, North Holland.
• Wakker P., 2010, Prospect Theory for risk and ambiguity, Cambridge University Press.