Extreme Points and Large Contests

1. Probleemstelling en Context

Het artikel richt zich op het optimaliseren van grote wedstrijden (large contests) met een continuüm van agenten (een massa van maat 1). In tegenstelling tot klassieke contestmodellen met een eindig aantal spelers, analyseert de auteur de optimale toewijzingsregels (allocation rules) voor een wedstrijddesigner die een breed scala aan distributieve voorkeuren heeft.

De kernvraag is: Hoe moet een wedstrijddesigner prijzen toewijzen op basis van de prestaties (inspanning) van agenten om een specifiek doel te maximaliseren, onder de beperking dat slechts een fractie $k \in (0,1)$ van de agenten een prijs kan ontvangen?

De paper motiveert dit met real-world voorbeelden zoals:

• Toewijzing van studiebeurzen (bijv. het Zwitserse SNSF) waarbij een drempelwaarde wordt gebruikt en loterijen worden ingezet bij gelijke scores.
• Loterijen voor toelating tot medische studies in Europa om gelijke kansen en diversiteit te bevorderen.

2. Methodologie

De auteur hanteert een wiskundige benadering die voortbouwt op de meetkunde van convexe verzamelingen en de theorie van extreme punten.

• Wiskundige Kader:
  • Laat $X \subset \mathbb{R}^d$ een compacte verzameling zijn (inspanningsniveaus).
  • Laat $\Delta(X)$ de verzameling van Borel-maten op $X$ zijn (verdeling van inspanningen).
  • De verzameling van toelaatbare toewijzingsregels wordt gedefinieerd als $\mathcal{F}^*$, bestaande uit monotone functies $f: X \times \Delta(X) \to [0,1]$ die voldoen aan een budgetbeperking: $\int_X f(x, \mu) d\mu(x) \leq k$.
• Extreme Punten Analyse:
  • De auteur karakteriseert de extreme punten van de verzameling $\mathcal{F}^*$.
  • Gebruikmakend van resultaten van Win88 en YY25, wordt aangetoond dat extreme punten van deze verzameling convexe combinaties zijn van maximaal twee indicatorfuncties op "up-sets" (verzamelingen die gesloten zijn onder verhoging van de inspanning).
  • Dit leidt tot de stelling dat de optimale regels stapfuncties zijn met maximaal twee sprongen.
• Optimalisatie:
  • Het doel van de designer is het maximaliseren van een functionaal $\Pi(f) = \int_X \Phi(f(x, \mu), x) d\mu(x)$.
  • Door de Bauer's Maximum Principle toe te passen, wordt bewezen dat als de doelfunctie convex is in $f$, de oplossing gezocht moet worden binnen de extreme punten van de toelaatbare verzameling.
  • De auteur gebruikt de majorisatie-orde ($\succ$) en resultaten van FL54 om voorwaarden te stellen voor monotonie van de functionaal.

3. Belangrijkste Resultaten

A. Karakterisering van Extreme Punten (Stelling 1)

De extreme punten van de verzameling $\mathcal{F}^*$ zijn functies van de vorm:
$$f^*(x, \mu) = \lambda \mathbb{I}_{A_1} + (1-\lambda) \mathbb{I}_{A_2}$$
waarbij $A_1 \subseteq A_2$. Dit betekent dat de optimale toewijzingsregels stapfuncties met maximaal twee sprongen zijn. In de praktijk vertaalt dit zich naar een tweeledig systeem: een drempel voor volledige winst, een mogelijke tussenzone met een gedeeltelijke kans op winst, en een zone zonder winst.

B. Optimale Toewijzingsregels (Stelling 3)

Afhankelijk van de voorkeuren van de designer (gecodeerd in de functie $\pi(x)$), worden de volgende optimale regels afgeleid:

1. Stijgende $\pi(x)$ (Focus op top-performers):

   • Als de designer meer waarde hecht aan hoogpresterende agenten (bijv. een stichting die de beste studenten wil belonen), is de optimale regel een enkele drempel:
     $$q^*(x) = \begin{cases} 1 & \text{als } x > \tilde{x} \\ 0 & \text{anders} \end{cases}$$
   • Dit resulteert in een "all-or-nothing" strategie.

2. Dalende $\pi(x)$ (Focus op gelijkheid/vermijden van verspilling):

   • Als de designer bezorgd is over gelijke kansen of wil vermijden dat agenten te veel inspanning leveren (waste), is de optimale regel een constante toewijzing:
     $$q^*(x) = k \quad \text{voor alle } x$$
   • Dit komt neer op een zuivere loterij, ongeacht de inspanning.

3. Niet-monotone $\pi(x)$ (Gecombineerde doelen):

   • Als de designer zowel top-performers wil belonen als een zeker niveau van inspanning wil garanderen zonder extreme druk, is de optimale regel een twee-drempelsysteem:
     $$q^*(x) = \begin{cases} 1 & x > x'' \\ \alpha & x' \leq x \leq x'' \\ 0 & x < x' \end{cases}$$
   • Dit verklaart real-world scenario's waarbij een "funding line" wordt gebruikt, maar bij gelijke scores een loterij wordt ingezet.

C. Evenwichtsanalyse

• Volledige Informatie: Het model vereenvoudigt de evenwichtsanalyse aanzienlijk. Bij een stijgende $\pi(x)$ leidt de discontinuïteit in de toewijzingsregel tot een evenwicht waarbij een fractie $k$ van de agenten maximale inspanning levert en de rest niet deelneemt.
• Onvolledige Informatie: Zelfs wanneer prestaties ruis bevatten (waarbij inspanning leidt tot een verdeling van prestaties), blijven de resultaten geldig (Corollary 1). De optimale regels corresponderen met de Random Performance Functions (RPFs) die eerder zijn geaxiomatiseerd door AC24.

D. Uitbreidingen

• Meerdere Prijsniveaus: Het is optimaal om te focussen op één prijsniveau; het splitsen van prijzen in meerdere niveaus is niet nodig voor optimaliteit (Lemma 2).
• Diversiteitsbeperkingen: Het model kan worden uitgebreid met beperkingen voor specifieke subgroepen (bijv. quota voor buitenlandse studenten), wat leidt tot een decompositie van het probleem in subproblemen per groep.

4. Bijdrage en Significantie

• Wiskundige Innovatie: De paper biedt een nieuwe karakterisering van extreme punten voor een specifieke klasse van meervoudig dimensionale monotone functies die afhankelijk zijn van de verdeling van inspanningen. Dit vult een gat in de literatuur, aangezien eerdere resultaten (zoals KMS21) zich richtten op mechanismenontwerp met onthulling van types, terwijl hier de inspanning (effort) centraal staat.
• Economische Fundamenten: Het artikel geeft een theoretisch onderbouwing voor het gebruik van twee-traps-prijssystemen en loterijen in grote wedstrijden. Het verklaart waarom instituties zoals universiteiten en fondsen vaak een combinatie van drempels en loterijen gebruiken: dit is wiskundig optimaal onder specifieke distributieve doelstellingen.
• Vereenvoudiging van Analyse: Voor grote wedstrijden met volledige informatie wordt de complexe evenwichtsanalyse drastisch vereenvoudigd tot het analyseren van stapfuncties.
• Verbinding met Bestaande Literatuur: De resultaten verbinden de theorie van grote wedstrijden (OS16, AC24) met de theorie van extreme punten in mechanismenontwerp, en tonen aan dat de door AC24 geaxiomatiseerde RPFs daadwerkelijk optimaal zijn onder bepaalde doelstellingen van de designer.

Conclusie

Giovanni Valvassori Bolgè demonstreert dat de optimale toewijzingsregels in grote wedstrijden altijd kunnen worden gereduceerd tot eenvoudige stapfuncties met maximaal twee niveaus. Dit resultaat biedt een krachtig instrument voor beleidsmakers om wedstrijden te ontwerpen die zowel efficiëntie als specifieke distributieve doelen (zoals gelijkheid of het belonen van top-talent) kunnen balanceren.