A complete characterization of equilibria in an intrinsic common agency screening game
Notice bibliographique
Résumé
We characterize the complete set of equilibrium allocations to an intrinsic common agency screening game as the set of solutions to self-generating optimization programs. We provide a complete characterization of equilibrium outcomes for regular environments by relying on techniques developed elsewhere for aggregate games and for the mechanism design delegation literature. The set of equilibria include those with non-differentiable payoffs and discontinuous choices, as well as equilibria that are smooth and continuous in types. We identify one equilibrium, the maximal equilibrium, which is the unique solution to a self-generating optimization program with the largest (or "maximal") domain, and the only equilibrium that is supported with bi-conjugate (i.e., least-concave) tariffs. The maximal equilibrium exhibits a n-fold distortion caused by each of the n principal's non-cooperative behavior in over-harvesting the agent's information rent. Furthermore, in any equilibrium, over any interval of types in which there is full separation, the agent's equilibrium action corresponds to the allocation in the maximal equilibrium. Under reasonable conditions, the maximal equilibrium maximizes the agent's information rent within the class of equilibrium allocations. When the principals' most-preferred equilibrium allocation differs from the maximal equilibrium, we demonstrate that the agent's choice function exhibits an interval of bunching over the worst agent types, and elsewhere corresponds with the maximal allocation. The optimal region of bunching trades off the principals' desire to constrain inefficient n-fold marginalizations of the agent's rent against the inefficiency of pooling agent types.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».