📊 statistics

A semi-parametric approach for estimating consumer valuation distributions using second price auctions

تقترح هذه الورقة طريقة شبه معلمية جديدة، خالية من معاملات الضبط، لتقدير توزيعات تقييم المستهلك وتحديد الأسعار المثلى لتعظيم الربح باستخدام أسعار البيع الملحوظة فقط من مزادات السعر الثاني عبر الإنترنت، متجاوزةً بذلك قيود النهج السابقة التي تتطلب معرفة العدد الإجمالي للمزايدين وكافة بيانات العطاءات.

المؤلفون الأصليون: Sourav Mukherjee, Ziqian Yang, Rohit K Patra, Kshitij Khare

نُشر 2026-02-23

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Sourav Mukherjee, Ziqian Yang, Rohit K Patra, Kshitij Khare

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك بائع يحاول اكتشاف القيمة الحقيقية التي يضعها الناس لمنتجك. أنت تعلم أن لديهم "سعرًا سريًا" في رؤوسهم (وهو التقييم أو الـ valuation)—أي أقصى مبلغ هم مستعدون لدفعه. إذا تمكنت من تخمين هذا الرقم السري، يمكنك تحديد السعر المثالي لتحقيق أكبر قدر من الأرباح.

المشكلة؟ لا يمكنك سؤالهم مباشرة. فإذا سألتهم، قد يكذبون للحصول على صفقة أفضل.

تقدم هذه الورقة البحثية طريقة جديدة وذكية لتخمين هذه الأسعار السرية من خلال مراقبة المزادات عبر الإنترنت (وتحديداً "مزادات السعر الثاني"، مثل موقع eBay).

الإطار: دار المزاد

تخيل المزاد عبر الإنترنت كأنه حرب مزايدة رقمية صامتة تستمر لمدة أسبوع.

سعر البداية: يضع البائع "سعر الحد الأدنى" (مثلاً 10 دولارات).
المزايدة: يصل الأشخاص واحدًا تلو الآخر. إذا كانوا يرغبون في السلعة بأكثر من السعر الحالي، فإنهم يقدمون عرضاً (مزايدة).
التحول (قاعدة السعر الثاني): الفائز لا يدفع ما عرضه، بل يدفع ثاني أعلى عرض (أو سعر البداية، إذا كان أعلى).
- لماذا يهم هذا؟ لأن القواعد تنص على أن "قول الحقيقة أمر آمن". إذا كنت ترغب حقاً في الحصول عليها مقابل 50 دولاراً، فستزايد بـ 50 دولاراً. لن تدفع 50 دولاراً إلا إذا زايد شخص آخر بـ 49 دولاراً. لذلك، عادة ما يقدم المزايدون قيمتهم السرية الحقيقية.

المشكلة: البائع "أعمى"

في العالم الحقيقي، يرى البائع (والباحثون عادةً) شيئين فقط:

السعر النهائي الذي بيعت به السلعة.
وقت انتهاء المزاد.

إنهم لا يرون:

كم عدد الأشخاص الذين شاهدوا السلعة.
كم عدد الأشخاص الذين حاولوا المزايدة لكن عروضهم كانت منخفضة جداً.
تسلسل الأسعار أثناء صعودها.

الطريقة القديمة: حاول الباحثون السابقون تخمين الأسعار السرية باستخدام السعر النهائي للبيع فقط. الأمر يشبه محاولة تخمين ارتفاع جبل من خلال النظر فقط إلى قمته؛ ستفقد تفاصيل المنحدر بالكامل.

الطريقة الجديدة (هذه الورقة): أدرك المؤلفون أن الرحلة بأكملها للسعر هي المهمة. لقد نظروا في كل مرة قفز فيها السعر أثناء المزاد.

تشبيه: تخيل متسلقاً يصعد جبلاً. الطريقة القديمة تنظر فقط إلى القمة. أما الطريقة الجديدة، فتنظر إلى كل خطوة اتخذها المتسلق، ومدى سرعة صعوده، وأين توقف قلياً. هذا يعطي صورة أوضح لشكل الجبل.

الحل: وصفة "شبه معلمية" (Semi-Parametric)

طوّر المؤلفون وصفة رياضية (نهج شبه معلمي) للهندسة العكسية للأسعار السرية.

البيانات: أخذوا تسلسل "الأسعار القائمة" (السعر الحالي المعروض على الشاشة) وأوقات تغيرها.
الافتراضات: افترضوا أن المزايدين يصلون بشكل عشوائي (مثل قطرات المطر التي تصطدم بسقف) وأن الجميع يقدمون قيمتهم الحقيقية مرة واحدة.
الرياضيات السحرية: بنوا معادلة معقدة تسأل: "إذا كانت الأسعار السرية موزعة بهذا الشكل، فهل سنرى قفزات الأسعار التي لاحظناها بالفعل؟" قاموا بتعديل تخمينهم حتى كانت الإجابة "نعم، هذا يتناسب تماماً".

لماذا يعد هذا أمراً هاماً

اختبر المؤلفون طريقتهم باستخدام محاكاة حاسوبية (إنشاء مزادات وهمية) وبيانات حقيقية من مزادات أجهزة Xbox على eBay.

النتيجة: كانت طريقتهم الجديدة أكثر دقة بكثير من الطرق القديمة.
الفائدة: بما أنهم حصلوا على صورة أفضل لما يرغب الناس في دفعه، يمكن للبائع استخدام ذلك لتحديد السعر المثالي لتعظيم الربح.
- مثال: إذا ظنت الطريقة القديمة أن الناس سيدفعون 100 دولار، لكن الطريقة الجديدة أدركت أن الجمهور في الواقع يقدر قيمتها بـ 150 دولاراً، فيمكن للبائع رفع السعر وتحقيق المزيد من المال.

التنبيه (التفاصيل الدقيقة)

تعمل الطريقة بشكل أفضل إذا:

لم يستمر الناس في تغيير عروضهم (أي أنهم يزايدون مرة واحدة ويلتزمون بها).
وصل الناس بوتيرة ثابتة وعشوائية (وليس جميعهم في اللحظة الأخيرة، وهي ظاهرة تُعرف باسم "القنص" أو Sniping).

في بيانات Xbox الحقيقية، تم اتباع هذه القواعد في معظم الأحيان، لذا عملت الطريقة بشكل رائع. إذا كان الناس فوضويين أو وصلوا في دفعات ضخمة، فقد ترتبك الطريقة، لكن المؤلفين يشيرون إلى أنه بالنسبة لمعظم المزادات القياسية، فهي أداة قوية.

باخت المختصر

هذه الورقة تشبه منح المحقق عدسة مكبرة. فبدلاً من مجرد النظر إلى مسرح الجريمة النهائي (سعر البيع)، أصبح بإمكانهم الآن فحص كل دليل ترك وراءه أثناء التحقيق (تسلسل قفزات الأسعار). يسمح هذا لهم بإعادة بناء الدوافع الحقيقية لـ "المشتبه بهم" (المزايدين) بدقة أعلى بكثير، مما يساعد البائعين على تحديد السعر المثالي.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "نهج شبه بارامتري لتقدير توزيعات تقييم المستهلك باستخدام مزادات السعر الثاني."

1. بيان المشكلة

تعالج الورقة البحثية تحدي تقدير توزيع تقييم المستهلك ( $F$ ) في مزادات السعر الثاني عبر الإنترنت (مثل eBay).

السياق: في هذه المزادات، يُباع المنتج لأعلى مزايد إذا تجاوز عرضه سعر البداية الذي حدده البائع ( $r$ ). ويدفع الفائز الحد الأقص std بين سعر البداية وثاني أعلى عرض سعر.
محدودية البيانات: عادةً لا يلاحظ البائعون العدد الإجمالي للمزايدين ( $N$ ) أو قيم العروض المحددة لجميع المشاركين. هم يلاحظون فقط تسلسل أسعار البيع الحالية (الأسعار القائمة) والأوقات التي تتغير فيها هذه الأسعار.
الفجوة في الأدبيات: تعتمد الطرق شبه البارامترية أو غير البارامترية الموجودة (مثل George and Hui, 2012) حصرياً على سعر البيع النهائي وتتطلب معرفة بالعدد الإجمالي للمزايدين ( $N$ ). استخدام سعر البيع النهائي وحده يؤدي إلى إهمال معلومات هامة تحتويها التغيرات السعرية المتوسطة، ويؤدي إلى مشكلات في إمكانية التحديد (identifiability) عندما يكون $N$ غير معروف.
الهدف: تطوير طريقة لتقدير $F$ باستخدام تسلسل كامل لأسعار البيع القائمة دون الحاجة إلى معرفة العدد الإجمالي للمزايدين.

2. المنهجية

يقترح المؤلفون إطار عمل مبتكر لـ تقدير الاحتمال الأقصى شبه البارامتري (MLE).

2.1. الافتراضات

لجعل المشكلة قابلة للحل، يفترض المؤلفون ما يلي:

القيم الخاصة المستقلة (IPV): يمتلك المزايدون تقييمات مستقلة مستمدة من توزيع مشترك $F$ .
المزايدة الصادقة: يزايد المشاركون بقيمهم الحقيقية (وهي استراتيجية مهيمنة في مزادات السعر الثاني). وهذا يعني عدم وجود مزايدة متعددة من قبل مستخدم واحد (أو أن المزايدة بالوكالة تعمل فعلياً كمزايدة واحدة عند التقييم الحقيقي).
وصول بواسون (Poisson Arrival): يصل المزايدون وفقاً لعملية بواسون بمعدل ثابت $\lambda$ .
عدم معرفة $N$ : العدد الإجمالي للمزايدين غير ملاحظ.

2.2. بناء دالة الاحتمال (Likelihood Construction)

الكثافة المشتركة: يستنتج المؤلفون الكثافة المشتركة للبيانات الملحوظة ( $M$ ، عدد تغيرات السعر؛ $O$ ، مؤشر البيع؛ $\{X_i\}$ ، تسلسل الأسعار القائمة؛ $\{T_i\}$ ، أوقات التغيير البينية) لمزاد واحد.
المزادات المتعددة: قاموا بتوسيع ذلك ليشمل $K$ من المزادات المستقلة مع أسعار بداية محتملة مختلفة.
صعوبة الحل الرياضي: إن التعظيم المباشر للاحتمال هو أمر صعب حسابياً لأن $F$ هو بارامتر ذو أبعاد لانهائية.
التقطيع (Discretization): اتباعاً للأعراف غير البارامترية القياسية، يتم تقييد فضاء البارامترات لـ $F$ إلى توزيعات منفصلة ذات قفزات فقط عند أسعار البيع القائمة المرصودة (وأسعار البداية). هذا يحول المشكلة إلى عملية تحسين ذات أبعاد منتهية.

2.3. إعادة التوصيف والتحسين

التحويل الخالي من القيود: للتعامل مع قيد الرتابة (monotonicity) للدالة التراكمية ( $F$ )، أعاد المؤلفون توصيف المشكلة باستخدام متجه $\theta$ . إذا كانت $z_1 < z_2 < \dots < z_{L+K}$ هي الأسعار المرصودة المجمعة، فإنهم يعرفون $\theta_i = G(z_i)/G(z_{i-1})$ ، حيث $G(z) = 1 - F(z)$ . هذا يضمن أن $0 \le \theta_i \le 1$ .
خوارزمية صعود الإحداثيات (Coordinate Ascent Algorithm): طوروا خوارزمية صعود موجهة لكل إحداثي لتعظيم لوغاريتم الاحتمال بالنسبة لـ $\lambda$ $λ$ و $\theta$ $θ$ .
- تحديثات ذات صيغة مغلقة: تم اشتقاق القيم المعظمة لكل إحداثي $\theta_i$ و $\lambda$ بصيغة مغلقة.
- التهيئة (Initialization): تتضمن الخطوة الحاسمة بناء مُقدر أولي قوي ( $\hat{F}_{init}$ ) باستخدام أسعار البيع النهائية وأول عرض سعر مرصود فقط، مدمجاً مع مُقدر طريقة العزوم المعممة (GMM) لـ $\lambda$ . يضمن ذلك وصول خوارزمية صعود الإحداثيات إلى حل عالي الجودة.

3. المساهمات الرئيسية

استغلال البيانات الكاملة: على عكس الطرق السابقة التي تستخدم سعر البيع النهائي فقط، يستخدم هذا النهج التسلسل الكامل لأسعار البيع القائمة وتوقيتها.
عدم الحاجة لأعداد المزايدين: لا تتطلب الطريقة معرفة العدد الإجمالي للمزايدين ( $N$ )، وهي ميزة عملية كبيرة حيث نادراً ما تتوفر هذه البيانات للبائعين.
كفاءة شبه بارامترية: الطريقة خالية من بارامترات الضبط (على عكس الطرق غير البارامترية القائمة على النواة/Kernel) وتوفر مُقدراً متسقاً تحت الافتراضات المذكورة.
الابتكار الخوارزمي: تطوير خوارزمية صعود الإحداثيات مع تحديثات ذات صيغة مغلقة واستراتيجية تهيئة مبدئية لسطح احتمالية معقد وغير محدب.

4. النتائج

4.1. دراسات المحاكاة

اختبر المؤلفون الطريقة مقابل توزيعات حقيقية متنوعة (Uniform, Pareto, Gamma, Beta, and Piecewise Uniform) وقارنوها مع:

المُقدر الأولي ( $\hat{F}_{init}$ ): يستخدم الأسعار النهائية وأول العروض فقط.
مُقدر بوليا (Pólya Tree Estimator) (George & Hui, 2012): يستخدم الأسعار النهائية فقط (يتطلب $N$ ).
الطرق البارامترية: Gamma-F و Truncated Normal-F.

النتائج:

الدقة: تفوق الـ MLE المقترح ( $\hat{F}_{MLE}$ ) باستمرار على جميع الطرق الأخرى من حيث مسافات كولموغروف-سميرنوف (KS) وإجمالي التباين (TV).
حجم العينة: تحسن الأداء بشكل ملحوظ مع زيادة عدد المزادات ( $K$ ) من 100 إلى 1000.
تعظيم الربح: قدم الـ MLE التقديرات الأكثر دقة لـ سعر تعظيم الربح والربح الأقصى الناتج، مع انحياز وتباين أقل مقارنة بالمنافسين.
تحديد عدم اليقين: أظهرت فترات الثقة لـ HulC (Hold-out Likelihood Cross-validation) الخاصة بالـ MLE معدلات تغطية متفوقة (أقرب إلى 90% الاسمية) ونطاقات أضيق مقارنة بالمقدر الأولي ومنهج Pólya Tree.

4.2. التطبيق التجريبي (بيانات Xbox من eBay)

طُبقت الطريقة على مجموعة بيانات تضم 93 مزاداً لجهاز Xbox لمدة سبعة أيام على eBay.

معالجة البيانات: تمت تصفية العروض المتعددة من قبل المستخدم نفسه لتتماشى مع افتراض العرض الواحد؛ وتمت إضافة ضوضاء صغيرة للتعامل مع حالات التساوي.
النتائج:
- كان تقدير الـ MLE لتوزيع التقييم مختلفاً عن المُقدر الأولي، مما يشير إلى أن المُقدر الأولي (المبني على بيانات محدودة) يهيمن عشوائياً على الـ MLE (مما يعني أن المُقدر الأولي بالغ في تقدير القيم).
- التحقق: باستخدام تقسيم (تدريب-اختبار)، أنتج النموذج القائم على الـ MLE أسعار بيع نهائية محاكات كانت أقرب بكثير إلى بيانات الاختبار المرصودة (خطأ تربيعي متوسط MSE أقل) مقارنة بالمقدر الأولي.

5. الأهمية والآثار المترتبة

القيمة الإدارية: يسمح التقدير الدقيق لتوزيع تقييم المستهلك للبائعين بتحديد سعر البداية وسعر الاحتياطي الأمثل لتعظيم الربح. توفر الطريقة المقترحة أداة أكثر دقة لذلك من التقنيات الحالية.
كفاءة البيانات: من خلال الاستفادة من "تسلسل السعر القائم"، تستخرج الطريقة معلومات أكثر من نفس بيانات المزاد، مما يجعلها قيمة للغاية للمنصات التي تكون فيها أعداد المزايدين مخفية.
المتانة: بينما تعتمد الطريقة على افتراضات (معدل وصول ثابت، مزايدة واحدة)، يلاحظ المؤلفون أن الانحرافات في البيانات الواقعية (مثل eBay) غالباً ما تكون طفيفة (أقل من 10% مزايدة متعددة)؛ مما يجعل النهج قابلاً للتطبيق عملياً.
الاتجاهات المستقبلية: تقترح الورقة تخفيف افتراض معدل الوصول الثابت (مثلاً السماح بسلوك "القنص/Sniping" مع تغيير المعدل) ودمج المتغيرات المصاحبة (حالة السلعة، سمعة البائع) في توزيع التقييم.

باختاً، تقدم هذه الورقة إطاراً صارماً، فعالاً حاسوبياً، ومتفوقاً إحصائياً لاستعادة توزيعات تقييم المستهلك من بيانات مزادات السعر الثاني غير المكتملة، مما يسد فجوة حرجة في الأدبيات الاقتصادية للأسواق عبر الإنترنت.