Dynamic Non-Bayesian Persuasion

1. Problemstellung und Motivation

Das Paper untersucht die Frage, ob ein Sender (Informationsanbieter) in einem Überzeugungs- (Persuasion-) Spiel einen Vorteil daraus ziehen kann, Informationen sequenziell (dynamisch) anstelle von einmalig (statisch) bereitzustellen.

• Kontext: Traditionelle Modelle der Informationsdesigns (z. B. Rayo & Segal, 2010; Kamenica & Gentzkow, 2011) gehen von einem Bayesschen Empfänger aus, der Informationen sofort verarbeitet. In der Realität zeigen empirische Studien jedoch, dass Akteure oft nicht-Bayessch aktualisieren (z. B. Unterreaktion, Vernachlässigung von Basisraten).
• Herausforderung: Während für Bayessche Empfänger die Reihenfolge der Informationsbereitstellung irrelevant ist (da die Posterior-Wahrscheinlichkeiten gleich sind), ist dies bei nicht-Bayesschen Empfängern nicht offensichtlich.
• Ziel: Das Paper analysiert ein dynamisches Überzeugungsmodell, in dem der Sender eine Folge von Experimenten wählt, und charakterisiert die Bedingungen, unter denen statische Persuasion (ein einziges Experiment) dynamischer Persuasion (eine Sequenz von Experimenten) überlegen ist oder gleichwertig ist.

2. Methodik und Rahmenwerk

Der Autor erweitert das statische Modell von De Clippel und Zhang (2022) um eine dynamische Komponente.

• Umgebung:
  • Ein endlicher Zustandsraum $\Theta$ und ein Prior $p$.
  • Ein Sender und ein Empfänger, die beide Erwartungsnutzenmaximierer sind.
  • Der Empfänger aktualisiert seine Überzeugungen nicht nach Bayes, sondern folgt einer systematischen Verzerrung (Systematic Distortion).
• Systematische Verzerrung: Der Empfänger bildet seinen Posterior so, als würde er zuerst den Bayesschen Posterior berechnen und diesen dann durch eine Verzerrungsfunktion $D_p$ modifizieren, die vom Prior abhängt.
  • Beispiele: Grether's $\alpha$-$\beta$-Regel, lineare Unterreaktion.
• Dynamischer Prozess (Zwei-Schritte-Modell):
  1. Sender wählt Experiment $\sigma_1$.
  2. Empfänger beobachtet Signal $s_1$ und aktualisiert Prior $p$ zu $D_p(q)$, wobei $q$ der Bayessche Posterior ist.
  3. Sender wählt bedingtes Experiment $\sigma_2$ (abhängig von $s_1$).
  4. Empfänger aktualisiert $D_p(q)$ zu $D_{D_p(q)}(r)$, wobei $r$ der Bayessche Posterior des zweiten Signals ist.
  5. Empfänger wählt Aktion.
• Vergleich: Der Sender maximiert seinen erwarteten Nutzen unter statischen Bedingungen ($V_1$) vs. dynamischen Bedingungen ($V_2$).

3. Schlüsselkonzepte und Definitionen

Das zentrale Konzept zur Charakterisierung der Ergebnisse ist die Teilbarkeit (Divisibility) der Aktualisierungsregel.

• Teilbarkeit (Divisibility): Eine Aktualisierungsregel ist teilbar, wenn die sequenzielle Aktualisierung (zuerst $\sigma_1$, dann $\sigma_2$) aus der Sicht des Senders dem Ergebnis einer simultanen Aktualisierung (ein einziges Experiment, das beide Signale kombiniert) entspricht.
  • Formal: $D_p(r) = D^{II}_q(r; p)$, wobei $D^{II}$ die effektive Verzerrung im zweiten Schritt darstellt.
• Regelmäßigkeit (Regularity): Die Verzerrungsregel muss bestimmte technische Bedingungen erfüllen (nicht-abnehmender Träger, Stetigkeit, Injektivität).
• Prior-Unabhängigkeit unter Sicherheit: Eine Axiom, das besagt, dass bei einem vollständig aufdeckenden Signal der Posterior unabhängig vom Prior ist.

4. Hauptergebnisse

A. Haupttheorem (Theorem 1)

Unter milden Regularitätsbedingungen und dem Axiom der Prior-Unabhängigkeit unter Sicherheit gilt:
Die folgenden Aussagen sind äquivalent:

1. Die Verzerrungsregel des Empfängers ist teilbar (divisible).
2. Die Menge der möglichen ex-ante-Auszahlungen des Senders ist unter statischer und dynamischer Persuasion identisch ($V_1(p, D) = V_2(p, D)$).
3. Der Sender ist indifferent zwischen statischer und dynamischer Persuasion in jeder Überzeugungsumgebung.

Implikation: Wenn die Aktualisierungsregel teilbar ist, verliert der Sender nichts, wenn er sich auf das einfachere statische Modell beschränkt. Die zeitliche Reihenfolge der Informationsbereitstellung ist dann ergebnisrelevant.

B. Charakterisierung teilbarer Regeln (Proposition 2 & Korollar 2)

• Teilbare Regeln lassen sich durch eine funktionale Form charakterisieren, die auf einer Homöomorphie $F$ basiert (verwandt mit Cripps, 2018).
• Beispiel: Die geometrische Verzerrung (Grether's $\alpha$-$\beta$-Regel mit $\alpha=1$) ist teilbar. Das bedeutet, dass bei rein geometrischer Verzerrung der Likelihoods (aber korrekter Basisrate) dynamische Persuasion keinen Vorteil bietet.
• Gegenbeispiel: Lineare Unterreaktion (Linear Underreaction) ist nicht teilbar. In diesem Fall kann der Sender durch dynamische Persuasion strikt höhere Auszahlungen erzielen.

C. Alternative Charakterisierung ohne Prior-Unabhängigkeit (Theorem 3)

Da das Axiom der Prior-Unabhängigkeit unter Sicherheit bei häufigen Regeln wie der linearen Unterreaktion nicht erfüllt ist, führt der Autor eine schwächere Bedingung ein: Schwache Teilbarkeit (Weak Divisibility).

• Diese erlaubt Abweichungen bis auf affine Transformationen.
• Theorem 3: Wenn der Sender zustandsunabhängige Präferenzen hat, sind statische und dynamische Persuasion genau dann gleichwertig, wenn die Regel schwach teilbar ist.
• Ergebnis: Lineare Unterreaktion ist nicht schwach teilbar, was bestätigt, dass der Sender hier einen Vorteil durch Dynamik hat.

D. Motivierendes Beispiel (Judge-Prosecutor)

Im klassischen Richter-Ankläger-Szenario mit Grether's $\alpha$-$\beta$-Regel:

• Wenn $\alpha < 1$ (Vernachlässigung der Basisrate): Der Sender profitiert von dynamischer Persuasion. Durch verzögerte Information kann der Empfänger seine verzerrte Prior-Wahrscheinlichkeit in Richtung einer günstigeren Schwelle driften lassen.
• Wenn $\alpha \ge 1$: Der Sender ist indifferent.

5. Technische Beiträge und Beweistechniken

• Reduktion auf Bayessche Probleme: Das Paper nutzt die Technik von De Clippel und Zhang (2022), um das nicht-Bayessche Problem in ein Bayessches Problem mit einer modifizierten indirekten Nutzenfunktion umzuwandeln.
• Interim-Problem: Für das dynamische Problem wird das zweite Schritt-Problem als statisches Problem mit einem heterogenen Prior (dem verzerrten Posterior des ersten Schritts) behandelt.
• Trennhyperflächen-Argument: Um die Notwendigkeit der Teilbarkeit zu beweisen, konstruiert der Autor spezielle Umgebungen (z. B. mit Proper Scoring Rules), in denen die indirekte Nutzenfunktion des Senders jede beliebige stetige Funktion abbilden kann. Dies ermöglicht den Einsatz von Trennhyperflächen, um zu zeigen, dass die Menge der erreichbaren Posterior-Verteilungen in statischen und dynamischen Szenarien identisch sein muss.
• Dichte-Argumente: Es wird gezeigt, dass die Menge der durch dynamische Strategien induzierten Verteilungen dicht in der Menge der statischen Verteilungen liegt, wenn Teilbarkeit vorliegt.

6. Bedeutung und Fazit

• Theoretische Grenze: Das Paper zieht die exakte Grenze, bis zu der das einfache statische Modell der nicht-Bayesschen Persuasion (De Clippel & Zhang, 2022) in dynamischen Umgebungen ohne Verlust an Allgemeingültigkeit angewendet werden kann.
• Praktische Relevanz: Für Ökonomen und Designer von Informationssystemen (z. B. Werbung, politische Kampagnen) liefert das Paper eine klare Checkliste:
  • Ist die kognitive Verzerrung des Zielpublikums teilbar (z. B. geometrische Verzerrung)? -> Statisches Design reicht aus.
  • Ist die Verzerrung nicht teilbar (z. B. lineare Unterreaktion)? -> Dynamische, sequenzielle Informationsstrategien können signifikant profitabler sein.
• Beitrag zur Literatur: Es verbindet die Literatur zur nicht-Bayesschen Aktualisierung mit der der dynamischen Informationsdesigns und liefert eine vollständige Charakterisierung der Bedingungen für die Irrelevanz des Timings.

Zusammenfassend zeigt Kobayashi, dass die Annahme statischer Persuasion in nicht-Bayesschen Umgebungen nur dann gerechtfertigt ist, wenn die kognitiven Verzerrungen des Empfängers eine spezifische mathematische Eigenschaft (Teilbarkeit) aufweisen. Andernfalls eröffnet die sequenzielle Informationsbereitstellung neue strategische Möglichkeiten für den Sender.