📊 statistics

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

यह शोध पत्र ऑनलाइन सेकंड-प्राइस ऑक्शन्स (द्वितीय-मूल्य नीलामी) से केवल अवलोकन योग्य विक्रय कीमतों का उपयोग करके उपभोक्ता मूल्यांकन वितरणों का अनुमान लगाने और इष्टतम लाभ-अधिकतमीकरण कीमतों को निर्धारित करने के लिए एक नवीन, ट्यूनिंग-पैरामीटर-मुक्त अर्ध-पैरामीट्रिक विधि प्रस्तावित करता है, जो पिछले दृष्टिकोणों की सीमाओं को दूर करता है जिन्हें बोलीदाताओं की कुल संख्या और सभी बोली डेटा के ज्ञान की आवश्यकता होती है।

मूल लेखक: Sourav Mukherjee, Ziqian Yang, Rohit K Patra, Kshitij Khare

प्रकाशित 2026-02-23

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sourav Mukherjee, Ziqian Yang, Rohit K Patra, Kshitij Khare

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विक्रेता हैं जो यह समझने की कोशिश कर रहे हैं कि लोग वास्तव में आपके उत्पाद के लिए कितना भुगतान करना चाहते हैं। आप जानते हैं कि उनके दिमाग में एक गुप्त "मूल्य टैग" (आपका valuation) होता है—वह अधिकतम राशि जो वे देने को तैयार हैं। यदि आप इस गुप्त संख्या का अनुमान लगा सकें, तो आप अधिकतम लाभ कमाने के लिए सही कीमत तय कर सकते हैं।

समस्या क्या है? आप उनसे सीधे नहीं पूछ सकते। यदि आप पूछते हैं, तो वे बेहतर डील पाने के लिए झूठ बोल सकते हैं।

यह शोध पत्र इन गुप्त कीमतों का अनुमान लगाने का एक चतुर नया तरीका पेश करता है, जो ऑनलाइन नीलामी (विशेष रूप से "सेकंड प्राइस ऑक्शन", जैसे eBay पर) को देखकर काम करता है।

परिवेश: नीलामी घर (The Setting: The Auction House)

एक ऑनलाइन नीलामी को एक शांत, डिजिटल बोली युद्ध की तरह समझें जो एक सप्ताह तक चलता है।

शुरुआती कीमत: विक्रेता एक "फ्लोर प्राइस" (जैसे $10) रखता है।
बोली लगाना: लोग एक-एक करके आते हैं। यदि वे वस्तु को वर्तमान कीमत से अधिक महत्व देते हैं, तो वे बोली लगाते हैं।
ट्विस्ट (सेकंड प्राइस नियम): विजेता वह राशि नहीं चुकाता जो उसने बोली लगाई थी। वह दूसरी सबसे ऊंची बोली (या शुरुआती कीमत, यदि वह अधिक हो) चुकाता है।
- इससे क्या फर्क पड़ता है? क्योंकि नियम कहते हैं, "सच बोलना सुरक्षित है।" यदि आप इसे $50 के लिए वास्तव में चाहते हैं, तो आप$ 50 की बोली लगाते हैं। आप $50 तब तक नहीं चुकाएंगे जब तक कि किसी और ने$ 49 की बोली न लगाई हो। इसलिए, बोली लगाने वाले आमतौर पर अपने वास्तविक मूल्य की ही बोली लगाते हैं।

समस्या: विक्रेता अंधा है (The Problem: The Seller is Blind)

वास्तविक दुनिया में, विक्रेता (और शोधकर्ता) आमतौर पर केवल दो चीजें देखते हैं:

वस्तु जिस अंतिम कीमत पर बिकी।
नीलामी कब समाप्त हुई (समय)।

वे यह नहीं देख पाते:

कितने लोगों ने वस्तु को देखा।
कितने लोगों ने बोली लगाने की कोशिश की लेकिन उनकी बोली कम थी।
कीमतों के ऊपर चढ़ने का क्रम क्या था।

पुराना तरीका: पिछले शोधकर्ताओं ने केवल अंतिम बिक्री मूल्य का उपयोग करके गुप्त कीमतों का अनुमान लगाने की कोशिश की। यह केवल शिखर को देखकर पहाड़ की ऊंचाई का अनुमान लगाने जैसा है। आप पूरे ढलान को छोड़ देते हैं।

नया तरीका (यह शोध पत्र): लेखकों ने महसूस किया कि कीमत की पूरी यात्रा मायने रखती है। उन्होंने नीलामी के दौरान कीमत में होने वाले हर उछाल (jump) को देखा।

उपमा: एक हाइकर (पर्वतारोही) की कल्पना करें जो पहाड़ चढ़ रहा है। पुराना तरीका केवल शिखर को देखता है। नया तरीका उसके द्वारा लिए गए हर कदम, उसकी चढ़ने की गति और जहाँ वह रुका, उन सभी को देखता है। यह पहाड़ के आकार की बहुत स्पष्ट तस्वीर देता है।

समाधान: एक "सेमी-पैरामीट्रिक" रेसिपी (The Solution: A "Semi-Parametric" Recipe)

लेखकों ने गुप्त मूल्य टैग को रिवर्स-इंजीनियर करने के लिए एक गणितीय रेसिपी (semi-parametric approach) विकसित की।

डेटा: उन्होंने "स्टैंडिंग प्राइसेज" (स्क्रीन पर दिखने वाली वर्तमान कीमत) के क्रम और उनके बदलने के समय को लिया।
मान्यताएं: उन्होंने माना कि बोली लगाने वाले यादृच्छिक रूप से (जैसे छत पर गिरती बारिश की बूंदें) आते हैं और हर कोई एक बार अपना वास्तविक मूल्य बोलता है।
जादुई गणित: उन्होंने एक जटिल समीकरण बनाया जो पूछता है: "यदि गुप्त कीमतें इस तरह वितरित थीं, तो क्या हमें वे मूल्य उछाल दिखाई देते जो वास्तव में देखे गए थे?" उन्होंने अपने अनुमान को तब तक बदला जब तक कि उत्तर यह नहीं आ गया कि "हाँ, यह पूरी तरह से फिट बैठता है।"

यह एक बड़ी बात क्यों है (Why This is a Big Deal)

लेखकों ने कंप्यूटर सिमुलेशन (नकली नीलामी बनाना) और eBay पर Xbox नीलामी के वास्तविक डेटा के साथ अपने तरीके का परीक्षण किया।

परिणाम: उनका नया तरीका पुराने तरीकों की तुलना में बहुत अधिक सटीक था।
लाभ: क्योंकि उन्हें इस बात की बेहतर तस्वीर मिली कि लोग कितना भुगतान करने को तैयार हैं, एक विक्रेता इसका उपयोग अधिकतम लाभ के लिए सही कीमत खोजने के लिए कर सकता है।
- उदाहरण: यदि पुराने तरीके ने सोचा कि लोग $100 देंगे, लेकिन नए तरीके ने महसूस किया कि भीड़ वास्तव में इसके लिए$ 150 का मूल्य देती है, तो विक्रेता कीमत बढ़ाकर अधिक पैसा कमा सकता है।

सावधानी (The Catch: The Fine Print)

यह तरीका सबसे अच्छा तब काम करता है जब:

लोग अपनी बोलियों को बार-बार बदलते नहीं हैं (वे एक बार बोली लगाते हैं और उस पर टिके रहते हैं)।
लोग एक स्थिर, यादृच्छिक गति से आते हैं (एक साथ अंत में न आना, जिसे "स्नाइपिंग" कहा जाता है)।

वास्तविक Xbox डेटा में, इन नियमों का ज्यादातर पालन किया गया, इसलिए यह तरीका बहुत अच्छा काम कर गया। यदि लोग अराजक थे या बड़ी लहरों में आए, तो यह तरीका भ्रमित हो सकता है, लेकिन लेखक बताते हैं कि अधिकांश मानक नीलामियों के लिए, यह एक ठोस उपकरण है।

संक्षेप में (In a Nutshell)

यह शोध पत्र एक जासूस को आवर्धक लेंस (magnifying glass) देने जैसा है। केवल अंतिम अपराध स्थल (बिक्री मूल्य) को देखने के बजाय, वे अब जांच के दौरान छोड़े गए हर सुराग (कीमत के उछाल का क्रम) की जांच कर सकते हैं। यह उन्हें बोली लगाने वालों (बidders) की वास्तविक प्रेरणाओं को बहुत अधिक सटीकता के साथ पुनर्गठित करने की अनुमति देता है, जिससे विक्रेताओं को सही मूल्य टैग सेट करने में मदद मिलती है।

यहाँ शोध पत्र "A Semi-Parametric Approach for Estimating Consumer Valuation Distributions Using Second Price Auctions" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र ऑनलाइन सेकंड-प्राइस ऑक्शन (जैसे eBay) में उपभोक्ता मूल्यांकन वितरण ( $F$ ) के अनुमान की चुनौती को संबोधित करता है।

संदर्भ: इन नीलामियों में, एक उत्पाद उस उच्चतम बोली लगाने वाले को बेचा जाता है यदि उनकी बोली विक्रेता द्वारा निर्धारित शुरुआती कीमत ( $r$ ) से अधिक हो। विजेता वह कीमत चुकाता है जो शुरुआती कीमत और दूसरी सबसे ऊंची बोली का अधिकतम मान होती है।
डेटा की सीमा: विक्रेता आमतौर पर बोलीदाताओं की कुल संख्या ( $N$ ) या सभी प्रतिभागियों के विशिष्ट बोली मूल्यों को नहीं देख पाते हैं। वे केवल वर्तमान बिक्री कीमतों के अनुक्रम (स्टैंडिंग प्राइसेस) और उन समयों को देखते हैं जब ये कीमतें बदलती हैं।
साहित्य में अंतराल: मौजूदा सेमी-पैरामीट्रिक या नॉन-पैरामीट्रिक विधियाँ (जैसे जॉर्ज और हुई, 2012) केवल अंतिम बिक्री मूल्य पर निर्भर करती हैं और उन्हें कुल बोलीदाताओं ( $N$ ) की जानकारी की आवश्यकता होती है। केवल अंतिम मूल्य का उपयोग करने से मध्यवर्ती मूल्य परिवर्तनों में निहित महत्वपूर्ण जानकारी लुप्त हो जाती है और जब $N$ अज्ञात हो, तो यह पहचान संबंधी (identifiability) समस्याओं की ओर ले जाता है।
लक्ष्य: $N$ की कुल संख्या की जानकारी के बिना, पूरे स्टैंडिंग प्राइस अनुक्रम का उपयोग करके $F$ का अनुमान लगाने के लिए एक विधि विकसित करना।

2. कार्यप्रणाली (Methodology)

लेखक एक नवीन सेमी-पैरामीट्रिक मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE) ढांचे का प्रस्ताव करते हैं।

2.1. धारणाएँ (Assumptions)

समस्या को सुलभ बनाने के लिए, लेखक निम्नलिखित धारणाएँ मानते हैं:

स्वतंत्र निजी मूल्य (Independent Private Values - IPV): बोलीदाताओं के मूल्य एक सामान्य वितरण $F$ से स्वतंत्र रूप से प्राप्त होते हैं।
सत्यनिष्ठा से बोली लगाना (Truthful Bidding): बोलीदाता अपने वास्तविक मूल्यांकन पर बोली लगाते हैं (सेकंड-प्राइस ऑक्शन में प्रभावी रणनीति)। इसका तात्पर्य है कि एक ही उपयोगकर्ता द्वारा कई बार बोली नहीं लगाई जाती (या प्रॉक्सी बिडिंग वास्तविक मूल्यांकन पर एकल बोली के रूप में कार्य करती है)।
पॉइसन आगमन (Poisson Arrival): बोलीदाता एक स्थिर दर $\lambda$ के साथ पॉइसन प्रक्रिया के अनुसार आते हैं।
$N$ का ज्ञान न होना: बोलीदाताओं की कुल संख्या अज्ञात रहती है।

2.2. लाइकलीहुड निर्माण (Likelihood Construction)

संयुक्त घनत्व (Joint Density): लेखक एक एकल नीलामी के लिए देखे गए डेटा ( $M$ , मूल्य परिवर्तन की संख्या; $O$ , बिक्री संकेतक; $\{X_i\}$ , स्टैंडिंग प्राइसेस का अनुक्रम; $\{T_i\}$ , इंटर-चेंज समय) के संयुक्त घनत्व को व्युत्पन्न करते हैं।
बहु-नीलामियाँ: वे इसे $K$ स्वतंत्र नीलामियों तक विस्तारित करते हैं जिनमें अलग-अलग शुरुआती कीमतें हो सकती हैं।
जटिलता (Intractability): $F$ एक अनंत-आयामी पैरामीटर होने के कारण लाइकलीहुड का सीधा अधिकतमकरण (maximization) कठिन है।
विवक्तीकरण (Discretization): मानक नॉन-पैरामीट्रिक परंपराओं का पालन करते हुए, $F$ के पैरामीटर स्पेस को केवल देखे गए स्टैंडिंग प्राइसेस (और शुरुआती कीमतों) पर जंप वाली डिस्क्रीट डिस्ट्रीब्यूशन तक सीमित कर दिया गया है। यह समस्या को एक परिमित-आयामी अनुकूलन (finite-dimensional optimization) में बदल देता है।

2.3. पुनर्रचना और अनुकूलन (Reparametrization and Optimization)

बाधा-मुक्त रूपांतरण (Constraint-Free Transformation): CDF ( $F$ ) की मोनोटोनिसिटी बाधा को संभालने के लिए, लेखक $\theta$ का उपयोग करके समस्या को पुनर्रचित करते हैं। यदि $z_1 < z_2 < \dots < z_{L+K}$ एकत्रित किए गए मूल्य हैं, तो वे $\theta_i = G(z_i)/G(z_{i-1})$ को परिभाषित करते हैं, जहाँ $G(z) = 1 - F(z)$ है। यह सुनिश्चित करता है कि $0 \le \theta_i \le 1$ ।
कोऑर्डिनेट एसेंट एल्गोरिदम (Coordinate Ascent Algorithm): वे $\lambda$ $λ$ और $\theta$ $θ$ के सापेक्ष लॉग-लाइकलीहुड को अधिकतम करने के लिए एक कोऑर्डिनेट-वाइज एसेंट एल्गोरिदम विकसित करते हैं।
- क्लोज्ड-फॉर्म अपडेट्स: प्रत्येक कोऑर्डिनेट $\theta_i$ और दर $\lambda$ के लिए मैक्सिमाइज़र क्लोज्ड-फॉर्म में प्राप्त किए गए हैं।
- आरंभीकरण (Initialization): एक महत्वपूर्ण चरण में केवल अंतिम बिक्री कीमतों और पहली बोली का उपयोग करके एक मजबूत प्रारंभिक अनुमानक ( $\hat{F}_{init}$ ) का निर्माण करना शामिल है, जिसे $\lambda$ के लिए एक जनरल मेथड ऑफ मोमेंट्स (GMM) अनुमानक के साथ जोड़ा गया है। यह सुनिश्चित करता है कि कोऑर्डिनेट एसेंट एल्गोरिदम एक उच्च-गुणवत्ता वाले समाधान की ओर अभिसरित (converge) हो।

3. मुख्य योगदान (Key Contributions)

पूर्ण डेटा का उपयोग: पिछली विधियों के विपरीत जो केवल अंतिम बिक्री मूल्य का उपयोग करती हैं, यह दृष्टिकोण स्टैंडिंग प्राइस के पूरे अनुक्रम और उनके समय का उपयोग करता है।
बोलीदाता गणना की आवश्यकता नहीं: इस विधि के लिए बोलीदाताओं की कुल संख्या ( $N$ ) जानने की आवश्यकता नहीं है, जो एक महत्वपूर्ण व्यावहारिक लाभ है क्योंकि यह डेटा विक्रेताओं के पास दुर्लभ होता है।
सेमी-पैरामीट्रिक दक्षता: यह विधि ट्यूनिंग पैरामीटर्स से मुक्त है (कर्नेल-आधारित नॉन-पैरामीट्रिक विधियों के विपरीत) और दी गई धारणाओं के तहत एक सुसंगत (consistent) अनुमानक प्रदान करती है।
एल्गोरिदम नवाचार: एक जटिल, नॉन-कॉन्वेक्स लाइकलीहुड सतह के लिए क्लोज्ड-फॉर्म अपडेट और एक सिद्धांत आधारित आरंभीकरण रणनीति के साथ कोऑर्डिनेट एसेंट एल्गोरिदम का विकास।

4. परिणाम (Results)

4.1. सिमुलेशन अध्ययन (Simulation Studies)

लेखकों ने विभिन्न वास्तविक वितरणों (यूनिफॉर्म, पारेटो, गामा, बीटा और पीसवाइज यूनिफॉर्म) के विरुद्ध इस विधि का परीक्षण किया और इसकी तुलना निम्नलिखित से की:

प्रारंभिक अनुमानक ( $\hat{F}_{init}$ ): केवल अंतिम कीमतों और पहली बोलियों का उपयोग करता है।
पॉलिया ट्री अनुमानक (जॉर्ज और हुई, 2012): केवल अंतिम कीमतों का उपयोग करता है (इसके लिए $N$ की आवश्यकता होती है)।
पैरामीट्रिक विधियाँ: गामा-F और ट्रंकेटेड नॉर्मल-F।

निष्कर्ष:

सटीकता: प्रस्तावित MLE ( $\hat{F}_{MLE}$ ) को कोलमोगोरोव-स्मिरनोव (KS) और टोटल वेरिएशन (TV) दूरियों के मामले में अन्य सभी विधियों ने लगातार बेहतर प्रदर्शन किया।
नमूना आकार (Sample Size): जैसे-जैसे नीलामियों की संख्या ( $K$ ) 100 से बढ़कर 1000 हुई, प्रदर्शन में महत्वपूर्ण सुधार हुआ।
लाभ अधिकतमकरण: MLE ने लाभ-अधिकतम करने वाली कीमत और परिणामी अधिकतम लाभ के सबसे सटीक अनुमान प्रदान किए, जिसमें प्रतिस्पर्धियों की तुलना में कम बायस (bias) और वेरिएंस (variance) था।
अनिश्चितता का परिमाणीकरण: MLE के लिए HulC (होल्ड-आउट लाइकलीहुड क्रॉस-वैलिडेशन) कॉन्फिडेंस इंटरवल ने प्रारंभिक अनुमानक और पॉलिया ट्री दृष्टिकोण की तुलना में बेहतर कवरेज रेट (नाममात्र 90% के करीब) और संकीर्ण बैंड क्षेत्र दिखाए।

4.2. अनुभवजन्य अनुप्रयोग (eBay Xbox डेटा)

इस विधि को eBay पर 93 सात-दिवसीय Xbox नीलामियों के डेटासेट पर लागू किया गया।

डेटा प्रीप्रोसेसिंग: एकल-बोली धारणा के अनुरूप संरेखित करने के लिए एक ही उपयोगकर्ता द्वारा की गई कई बोलियों को फ़िल्टर किया गया; टाइज़ (ties) को संभालने के लिए थोड़ा शोर (noise) जोड़ा गया।
परिणाम:
- $\hat{F}_{MLE}$ का अनुमानित मूल्यांकन वितरण प्रारंभिक अनुमानक से भिन्न था, जो यह सुझाव देता है कि प्रारंभिक अनुमानक ने मूल्यांकन को अधिक आंका था (स्टोकेस्टिक डोमिनेशन)।
- वैलिडेशन: ट्रेन-टेस्ट स्प्लिट का उपयोग करते हुए, MLE-आधारित मॉडल द्वारा उत्पन्न सिम्युलेटेड अंतिम बिक्री कीमतें, टेस्ट डेटा के देखे गए डेटा की तुलना में काफी करीब थीं (कम मीन स्क्वेयर्ड एरर)।

5. महत्व और निहितार्थ (Significance and Implications)

प्रबंधकीय मूल्य: उपभोक्ता मूल्यांकन वितरण का सटीक अनुमान लगाने से विक्रेताओं को लाभ को अधिकतम करने के लिए इष्टतम शुरुआती कीमत और रिजर्व प्राइस निर्धारित करने में मदद मिलती है। प्रस्तावित विधि मौजूदा तकनीकों की तुलना में अधिक सटीक उपकरण प्रदान करती है।
डेटा दक्षता: "स्टैंडिंग प्राइस सीक्वेंस" का लाभ उठाकर, यह विधि समान नीलामी डेटा से अधिक जानकारी निकालती है, जो उन प्लेटफार्मों के लिए अत्यधिक मूल्यवान है जहाँ बोलीदाता संख्या छिपी होती है।
मजबूती (Robustness): हालांकि यह विधि कुछ धारणाओं (जैसे स्थिर आगमन दर, एकल बिडिंग) पर निर्भर करती है, लेखक नोट करते हैं कि वास्तविक दुनिया के डेटा (जैसे eBay) में विचलन अक्सर मामूली होते हैं, जिससे यह दृष्टिकोण व्यावहारिक रूप से व्यवहार्य हो जाता है।
भविष्य की दिशाएं: यह शोध पत्र स्थिर आगमन दर धारणा को शिथिल करने (जैसे दर परिवर्तन के साथ 'स्नाइपिंग' व्यवहार की अनुमति देना) और मूल्यांकन वितरण में कोवेरिएट्स (वस्तु की स्थिति, विक्रेता की प्रतिष्ठा) को शामिल करने का सुझाव देता है।

संक्षेप में, यह शोध पत्र अधूरे सेकंड-प्राइस ऑक्शन डेटा से उपभोक्ता मूल्यांकन वितरण को पुनः प्राप्त करने के लिए एक कठोर, गणनात्मक रूप से कुशल और सांख्यिकीय रूप से श्रेष्ठ ढांचा प्रस्तुत करता है, जो ऑनलाइन बाजारों पर अर्थशास्त्र के साहित्य में एक महत्वपूर्ण अंतर को भरता है।