技术摘要：不透明部分承诺下的认证学习与均衡实现

1. 问题陈述

本文探讨了在**不透明部分承诺（opaque partial commitment）**环境下，统计学习与博弈论均衡的交集。该设定将贝叶斯劝说（Bayesian persuasion）扩展到一种场景：发送者（例如平台）仅以一个外生概率 $\rho$ 受限于已安装的信息政策。政策是否生效（即“绑定冲击” $c$）的实现情况对接收者是隐藏的。此外，接收者无法观测到持久性的结构性环境（发送者的类型 $\theta$，包括支付函数和已安装的核函数）。

核心挑战有两个层面：

1. 统计识别问题： 接收者能否在观测等价性阻碍恢复特定机制的情况下，学习到支配交互过程的相关对象（接收者侧的简化形式/reduced form）？
2. 均衡实现问题： 学习到该简化形式是否能支持后续策略交互中的精确完美贝叶斯均衡（PBE）？作者认为，仅凭关于服从性的统计论证是不够的；必须建立发送者激励、部署信息集处的贝叶斯一致性信念，以及零概率消息后的行为。

模型引入了一个两阶段结构：

• 第一阶段（认证校准）： 一个受信任的认证者生成来自结构化环境的推荐-状态对的 i.i.d. 样本。该样本是支付中性的、不可操纵的，并且事后揭示了状态。
• 第二阶段（非认证部署）： 抽取一个新的状态和绑定冲击。接收者观测校准记录和当前的决策消息，然后选择行动。

2. 方法论与框架

2.1 结构原语

环境由有限状态空间 $\Omega$、动作空间 $A$ 和消息空间 $M=A$ 定义。从有限字典 $\Theta$ 中按共同先验 $\lambda_0$ 抽取一个持久性的结构类型 $\theta$。每个类型 $\theta$ 由以下要素构成：

• 发送者效用 $u_S^\theta$ 和接收者效用 $u_R$（跨类型通用）。
• 绑定概率 $\rho$。
• 一个安装的绑定核（binding kernel） $\pi_\theta$（当 $c=1$ 时激活）和一个自由裁量处方（discretionary prescription） $\sigma_\theta$（当 $c=0$ 时激活）。
• 发送者的最优行动集合 $B_S^\theta$。

接收者侧的简化形式 $x_\theta$ 是状态与消息的联合分布：
$$x_\theta(\omega, m) = \mu(\omega) [\rho \pi_\theta(m|\omega) + (1-\rho)\sigma_\theta(m|\omega)]$$
至关重要的是，自由裁量核必须满足 $\text{supp } \sigma_\theta(\cdot|\omega) \subseteq B_S^\theta(\omega)$。

2.2 学习与信念构建

接收者观测校准记录 $Z_N$。利用贝叶斯法则，接收者更新关于结构类型的后验概率 $\lambda_N(\theta | Z_N)$。

• 简化形式充分性： 接收者关于完整隐藏节点（类型、状态、绑定冲击）的后验信念是通过以 $\lambda_N$ 为权重的各类型核的混合构造而成的。
• 预测性信念： 接收者决策相关的信念是状态后验 $\beta_N(\omega | m, Z_N)$，它源自后验预测的简化形式。
• 识别性： 总体分布律识别了简化形式 $x_\theta$ 以及等价类 $[\theta] = \{\vartheta : x_\vartheta = x_\theta\}$。只有当某个潜在坐标在整个等价类上保持恒定时，该坐标才是可识别的。在缺乏分解限制的情况下，同一个简化形式可能允许存在多个潜在表示。

2.3 认证与激活

一个公共门控（public gate）仅在校准记录 $Z_N$ 通过**预测性服从性测试（predictive obedience test）**时才激活通信协议。该测试验证：对于每一个具有正预测概率的消息 $m$，在（基于后验预测混合分布下的）遵循建议所带来的预期接收者效用增益超过了边际 $\tau$。
$$D_{m,a}(Z_N) = \sum_{\theta, \omega} \lambda_N(\theta|Z_N) x_\theta(\omega, m) [u_R(m, \omega) - u_R(a, \omega)] \geq \tau p_N(m|Z_N)$$

3. 核心贡献

3.1 识别与简化形式表征

本文确立了在有限类型字典中，总体校准律可以识别简化形式 $x_\theta$ 和等价类 $[\theta]$。

• 精确识别边界： 当且仅当一个潜在坐标在等价类上为常数时，它是可识别的。
• 多重性： 在缺乏分解限制的情况下，同一个简化形式可以容纳多种潜在表示，即使在包含观测等价类型的有限字典中也是如此。

3.2 均衡实现定理

作者证明了一个静态直接遵循实现定理。他们指出，如果预测性简化形式满足服从性不等式（具有正边际），那么部署阶段的延续过程存在一个精确的完美贝叶斯均衡（PBE），其中：

1. 接收者序列理性： 接收者在路径上遵循建议。
2. 发送者序列理性： 在非绑定分支（$c=0$）中，发送者给出的自由裁量消息在给定接收者遵循行为的情况下是最优的。
3. 贝叶斯一致性： 信念通过路径上的贝叶斯法则进行更新。
4. 路径外补全： 对零概率消息的信念和最优反应进行了明确规定。

该结果对每一个被接受的记录都成立，而非仅仅是在期望意义下或渐近意义下成立。

3.3 有限样本激活

在有限类型分离（finite-type separation）、共同推荐支撑（common recommendation support）以及正向服从边际的条件下，本文证明校准样本以高概率收敛于真实的等价类。

• 高概率进入： 校准记录未能通过服从性测试（从而导致无法激活 PBE）的概率被参数 $\eta$ 所界定。
• 误差区分： 统计失败概率（$\eta$）与任何均衡近似参数都是不同的。一旦门控激活，所得均衡是精确的（$\epsilon=0$），而非近似均衡。

3.4 鲁棒设计与计算

本文在框架中嵌入了一个鲁棒价值前沿（robust value frontier），分析了发送者价值与协议的可认证性（即服从边际）之间的权衡。

• 线性规划 (LP)： 提供了一个基于支撑集的 LP 算法，用于在固定的服从边际下计算最大发送者价值。
• 二元行动特化： 对于二元行动，问题简化为有界分数背包问题，可在 $O(|\Omega| \log |\Omega|)$ 时间内求解。
• 经验审计： 提出了一种非参数化的经验审计作为虚拟稳定统计量，它与 PBE 证明中所使用的均衡信念是不同的。

4. 主要结果

1. 定理 6.3 (后校准精确 PBE)： 对于任何通过预测性服从性测试的可行记录 $Z_N$，部署延续过程存在一个精确的 PBE，其中接收者遵循建议，且发送者执行安装的自由裁量策略。
2. 定理 6.7 (高概率进入)： 给定具有正向服从边际且与其他类型具有足够分离度的真实类型，随着样本量 $N$ 的增加，校准记录激活精确 PBE 区域的概率趋于 1。
3. 命题 4.3 & 4.4： 总体分布律识别了简化形式和等价类。在不受限空间内，潜在分解是非唯一的，但有限字典限制了候选集合。
4. 定理 7.3 (局部线性鲁棒化)： 在特定的严格化条件下，施加正向服从边际 $\gamma$ 对发送者价值造成的成本与 $\gamma$ 成线性关系。

5. 意义与主张

本文声称为不透明部分承诺环境下的直接遵循行为提供了一个条件实现基础。其意义在于：

• 桥接统计学与博弈论： 它展示了统计学习过程（校准）如何作为一种预演博弈的信息更新，能够严谨地支持随后策略交互中的精确均衡，而不仅仅是暗示服从是“可能的”。
• 精确性： 不同于许多收敛于某个均衡或提供 $\epsilon$-近似的学习结果，该框架保证了对于任何被接受的记录都是精确的 PBE。不确定性仅限于门控拒绝记录的可能性（统计失败），而非均衡本身的质量。
• 制度清晰度： 模型明确区分了数据的制度性生成（认证校准）与策略性博弈。它并不声称发送者自愿安装该协议，也不声称校准本身是一个均衡结果；它分析的是在已安装协议和公开记录给定的情况下，延续博弈的表现。
• 范围限制： 作者对其研究范围持谨慎态度。其结果是基于一个安装的、类型相关的协议的。本文并未解决内生机制选择、实验选择或声誉形成的问题。它并非描述所有不受限的不完全承诺博弈的均衡，而是识别了在何时，一个特定的、已安装的协议在学习后会产生一个鲁棒均衡。

总而言之，本文确立了在不透明部分承诺下，一个经过认证的校准样本可以如何将统计学习问题转化为博弈论基础，从而支持精确的均衡行为，前提是简化形式满足特定的服从边际和分离条件。