Статистика во теоријата на игри
Теоријата на игри е гранка на математиката што го проучува стратешкото донесување одлуки кога исходот на еден играч зависи од дејствијата на другите играчи. Широко се користи во економијата, бизнисот, политичките науки, компјутерските науки, па дури и еволутивната биологија. Сепак, во пракса, стратешките ситуации ретко се „јасни“ и целосно пресметливи само од претпоставката за рационалност. Тука статистиката игра клучна улога: помага да се квантифицира неизвесноста, да се процени однесувањето на противникот, да се процени ефикасноста на стратегиите и да се тестира дали моделот на теоријата на игри се вклопува во податоците од реалниот свет.
1. Зошто на теоријата на игри ѝ е потребна статистика?
Во класичните модели на теоријата на игри, честопати ни се дадени целосни информации: список на играчи, множество стратегии и исплати (профит/загуба) за секоја комбинација на стратегии. Со овие информации, можеме да најдеме решенија како што се Нешови рамнотежи, доминантни стратегии или минимакс решенија. Сепак, во реалниот свет, овие елементи честопати се непознати со сигурност:
1. Исплатата е непозната или тешко се мери. На пример, во ценовната конкуренција меѓу компаниите, исплатата не е фиксен број, туку зависи од побарувачката на пазарот, трошоците за производство, рекламирањето и други надворешни фактори.
2. Однесувањето на играчите не е секогаш совршено рационално. Играчите можат да прават грешки, да имаат ограничени информации или да доживеат когнитивни пристрасности.
3. Набљудуваните податоци се случајни и бучни. Можеби ќе видиме само историја на дејствија и резултати, а не вистински преференции.
4. Околината се менува. Стратегиите што се оптимални денес може да станат помалку ефикасни утре поради промени во политиката, технологијата или трендовите.
Статистиката обезбедува алатки за справување со оваа неизвесност: од инференција, проценка, предвидување, до учење од податоци (теорија на игри водена од податоци).
2. Проценка на стратегијата и „вербата“ на играчот
Многу модели на игри вклучуваат верувања за постапките на противникот. Во повторени игри или Баесови игри, играчите треба да проценат:
– веројатноста противникот да избере одредена стратегија,
– тип на противник (на пр. „агресивен“ или „кооперативен“),
– можни промени во стратегијата на противникот со текот на времето.
Тука влегуваат во игра концептите на веројатност и статистика. На пример, ако противникот ја избере стратегијата А 60 пати од 100 рунди, едноставната проценка на веројатноста е 0,6. Сепак, статистиката овозможува понијансиран пристап:
– Интервали на доверба за мерење на неизвесноста на проценката.
– Баесови модели (на пр. бета приори за веројатности на дејствување) за да се направат проценките постабилни кога податоците се оскудни.
– Маркови модели или скриени Марковски модели (HMM) за да се опишат противниците кои се префрлаат помеѓу стратешки „режими“, на пример од соработка во конкуренција.
Со проценка на распределбата на дејствата на противникот, играчот може да развие попрецизна стратегија за најдобар одговор.
3. Статистика во игри со нецелосни информации (Баесови игри)
Во Баесовите игри, играчите не ги знаат важните параметри - како што се трошоците, проценките или преференциите на противниците - но тие имаат распределби на веројатноста над тие параметри. Класичен пример е аукцијата: секој учесник има приватна проценка на предметот што се продава на аукција, а оваа дистрибуција на проценка може да се научи од историските податоци.
Статистиката игра улога во две главни работи:
1. Проценете ја распределбата на типовите играчи. Користејќи податоци од минати аукции (цени на понуди, победници, конечни цени), можеме да ја заклучиме распределбата на проценките на учесниците.
2. Калибрирајте го моделот. Дали моделот на аукција „прва цена“ или „втора цена“ најдобро одговара на однесувањето на податоците? Можеме да споредиме модели користејќи веројатност, AIC/BIC или вкрстена валидација.
Според тоа, концептот на Баесова рамнотежа не е само теоретско решение, туку може да се поврзе и со емпириски податоци.
4. Тестирање на хипотези во стратешкото однесување
Теоријата на игри често прави предвидувања: на пример, во координативна игра, играчите ќе изберат одредени точки на рамнотежа. Статистиката може да се користи за да се провери дали овие предвидувања се точни во лабораториски експерименти или теренски податоци.
На пример, во играта „Дилемата на затвореникот“, класичната теорија го предвидува пребегнувањето како доминантна стратегија. Сепак, во експериментите, многу луѓе всушност соработуваат во текот на голем број рунди. Статистиката помага да се одговори на прашањето:
– Дали нивото на соработка е значително повисоко од она што го предвидува теоријата?
– Кои фактори ја зголемуваат соработката (стимулации, комуникација, казна)?
– Дали културните или групните разлики влијаат на резултатите?
Најчесто користените методи вклучуваат пропорционални тестови, хи-квадрат тестови, логистичка регресија и модели со мешани ефекти за повторувачки податоци.
5. Регресивни и економетриски модели за исплати и стратегии
Во деловниот и економскиот контекст, исплатите често се под влијание на многу варијабли. На пример, профитот на компанијата зависи не само од цените што ги избира компанијата и конкурентите, туку и од приходите на потрошувачите, сезонската зависност, трошоците за логистика и промоциите.
Статистиката нуди алатки како што се:
– Линеарна/нелинеарна регресија за поврзување на стратегијата со резултатите.
– Панел модел на податоци за споредување на различни компании со текот на времето.
– Инструментални варијабли кога постои проблем со причинско-последичната врска (ендогеност), на пример, цената е под влијание на побарувачката, а исто така влијае и на побарувачката.
Со економетриски модели, можеме да процениме пореални „функции на исплата“, а потоа да ги вклучиме тие проценки во анализата на теоријата на игри.
6. Учење во игри: од податоци до стратегија
Во ерата на податоци и компјутери, теоријата на игри често се пресекува со машинско учење . Многу современи стратешки ситуации - како што се дигиталното рекламирање, динамичните препораки за цени или сајбер безбедноста - вклучуваат играчи кои учат од податоци.
Некои важни концепти што ги комбинираат статистиката и теоријата на игри се:
– Разбојник со повеќе оружја: агентот избира дејства за да балансира истражување (барање информации) и експлоатација (максимизирање на профитот).
– Засилувачко учење (RL): агентите учат оптимални стратегии преку обиди и грешки во средина која може да вклучува и други агенти.
– Онлајн учење во игри: алгоритми како што се мултипликативни тежини за пристап до рамнотежа во повторени игри.
Всушност, статистиката се користи за ажурирање на проценките врз основа на набљудувања, додека теоријата на игри помага да се разберат стратешките интеракции меѓу агентите за учење.
7. Монте Карло симулација за евалуација на стратегијата
Игрите често се премногу сложени за да се анализираат аналитички. На пример, игри со многу играчи, големи стратешки простори или сложена итеративна динамика. Во овие случаи, симулациите обезбедуваат моќен мост.
Методите Монте Карло се користат за:
– симулирајте многу сценарија за дејствија на противникот,
– неизвесност на параметрите за моделирање,
– мерење на распределбата на резултатите од стратегијата (не само очекуваните вредности).
Со симулација, можеме да го процениме ризикот: стратегијата А може да има висока просечна исплата, но голема варијанса, додека стратегијата Б е постабилна. Изборот на стратегија потоа зависи од преференциите за ризик на играчот.
8. Апликации во реалниот свет: од аукции до сајбер безбедност
Комбинацијата од статистика и теорија на игри е очигледна во следниве области:
1. Онлајн аукции: моделирање на однесувањето на понудувачите, предвидување на приходите и дизајнирање механизми за аукција.
2. Ценовна конкуренција: проценка на реакциите на конкурентите на промените на цените со користење на историски податоци.
3. Мрежна безбедност: моделирање на напаѓачи и бранители како играчи; статистиката се користи за откривање на упади и проценка на веројатноста за напад.
4. Еволутивна биологија: стратегиите за преживување и репродукција се анализираат како игри; податоците за популацијата се користат за тестирање на еволутивните модели.
5. Јавна политика: конфликтите на интереси меѓу групите се анализираат стратешки; податоците од анкетите и експериментите со политиките помагаат да се проценат преференциите и одговорите.
9. Предизвици и ограничувања
Иако моќна, употребата на статистика во теоријата на игри се соочува со неколку предизвици:
– Ограничувања на податоците: стратешките податоци можат да бидат оскудни или нецелосни.
– Проблем со идентификација: неколку различни модели можат да ги објаснат истите податоци.
– Комплексно човечко однесување: психолошките фактори, општествените норми и емоциите тешко се вклучуваат во едноставни математички модели.
– Промена на режимот: стратегиите и средините можат да се променат така што старите модели повеќе не се релевантни.
Затоа, најдобриот пристап обично комбинира теорија, податоци, експерименти и симулации.
Заклучок
Статистиката и теоријата на игри се надополнуваат една со друга. Теоријата на игри нуди рамка за разбирање на стратешките интеракции, додека статистиката обезбедува алатки за проценка на параметри, проучување на однесувањето од податоци, тестирање на предвидувањата на моделите и управување со неизвесноста. Во реалниот свет на нецелосни информации и променлива динамика, оваа интеграција станува сè поважна. Со помош на статистичко заклучување, симулација и машинско учење, теоријата на игри не е само апстрактна аналитичка алатка, туку и практичен пристап за дизајнирање ефективни стратегии, политики и системи во конкурентни и колаборативни средини.
Доколку сакате, можам да додадам едноставен пример за нумерички случај (на пр. игра за фиксирање на цените со две фирми) или да вклучам список на референци/референци од книги и списанија за да ја зајакнам статијата.
