MARC

 008250123s2025        us                              c    eng  d
■001000017165144
■00520250211153129
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346878674
■035    ▼a(MiAaPQ)AAI31767313
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a519.3
■1001  ▼aGrimme,  William  James.
■24510▼aEssays  on  Bandit  Games  and  Endogenously  Missing  Data
■260    ▼a[Sl]▼bColumbia  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a162  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  A.
■500    ▼aAdvisor:  Tebaldi,  Pietro.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2025.
■520    ▼aI  characterize  optimal  strategies  and  equilibria  in  two  bandit-type  games  of  strategic  information  acquisition.  The  latter  game  admits  a  missing  data  problem,  which  I  develop  an  estimator  to  address.  I  consider  a  third  environment  with  an  additional  missing  data  problem,  characterize  estimation  bias  both  statistically  and  empirically,  and  develop  a  pair  of  easily  implementable  unbiased  estimators.  In  the  first  chapter,  I  analyze  a  two-player,  two-armed  exponential  bandit  model  in  continuous  time  across  several  monitoring  and  disclosure  environments,  in  which  breakthroughs  are  fully  informative  of  the  state  of  the  world.  In  particular,  I  consider  an  environment  where  player  actions  are  observed  but  the  results  of  experimentation  are  unobserved,  and  an  environment  where  both  actions  and  experimentation  outcomes  are  unobserved.  In  the  former  environment,  I  construct  a  Perfect  Bayesian  Equilibrium  that  induces  the  efficient  (cooperative)  experimentation  path.  This  equilibrium  relies  on  strategies  that  deter  free-riding  by  moving  to  an  undesirable,  asymmetric  experimentation  path  when  the  safe  arm  is  played.  In  the  latter  environment,  I  provide  conditions  on  starting  beliefs  for  which  it  is  possible  to  construct  a  Perfect  Bayesian  Equilibrium  that  induces  the  efficient  experimentation  path.  This  equilibrium  requires  that  players  privately,  separately  experiment  and  share  the  results  of  experimentation  at  a  single  point  in  time.  I  show  how  this  hybrid  Markov  approach  can  be  adapted  to  a  general  discrete-time  setting  and  provide  conditions  for  which  strategies  measurable  with  respect  to  both  the  Markov  partition  and  a  finite  automaton  are  consistent.  In  the  second  chapter,  I  consider  the  problem  of  a  rideshare  company  which  makes  sequences  of  take  it  or  leave  it  offers  to  drivers  for  individual  trips.  When  drivers  are  privately  and  commonly  informed  of  trip  quality,  rejected  offers  are  informative  about  trip  quality  to  the  rideshare  company.  As  such,  the  rideshare  company  faces  a  strategic  information  acquisition  problem:  offers  influence  both  the  current-period  payoff  and  the  expectation  of  future  payoffs  via  posterior  beliefs.  When  unobserved  quality  is  Bernoulli,  the  value  function  increases  in  beliefs  over  quality,  and  I  characterize  the  value  function  and  optimal  offer  sequence  using  dynamic  programming.  Moreover,  I  show  that  a  heuristic  n-offer  look-ahead  sequence  converges  uniformly  to  the  optimal  revenue,  and  characterize  bounds  on  the  revenue  gap.  For  a  general  bounded  distribution  of  unobserved  trip  quality,  I  show  that  the  value  function  is  decreasing  after  rejections,  and  define  analogous  convergent  bounds.  Among  heterogeneous  drivers,  driver  and  platform  value  can  be  collapsed  into  a  single-dimensional  match  value  parameter  that  governs  the  optimal  order  of  offers.  I  also  illustrate  a  source  of  potential  bias  when  estimating  driver  preferences  using  a  data  set  with  repeated  offers,  and  construct  a  consistent,  easily-implementable  estimator  to  address  the  issue.  In  the  third  chapter,  I  consider  a  choice  environment  where  an  econometrician  only  observes  certain  covariates  for  goods  that  are  chosen.  This  missing  data  may  reflect  literal  omissions  from  a  dataset  or  inherently  counterfactual  outcomes,  such  as  in  the  Roy  (1951)  model.  When  partially  observed  covariates  vary  stochastically  across  consumers  there  is  selection  bias  in  the  distribution  of  observed  covariates:  consumers  are  more  likely  to  pick  goods  with  preferential  characteristic  draws.  I  show  that  imputation  methods  that  use  the  observed  distribution  of  covariates  to  replace  missing  data  bias  discrete  choice  parameter  estimates  toward  zero,  regardless  of  whether  missing  data  or  all  data  are  imputed.  Moreover,  this  bias  rapidly  increases  with  the  variance  of  the  covariate  distribution.  Instead,  I  propose  two  full-information  maximum  likelihood  estimation  procedures  that  jointly  estimate  preferences  and  the  underlying  distribution  of  covariates.  While  these  estimators  necessarily  involve  Monte  Carlo  simulation  when  covariates  are  distributed  continuously,  I  show  that  it  is  possible  to  avoid  simulation  when  covariates  take  a  discrete  set  of  values.
■590    ▼aSchool  code:  0054.
■653    ▼aBandit  games
■653    ▼aContinuous-time  games
■653    ▼aDynamic  programming
■653    ▼aMissing  data
■653    ▼aRideshare
■690    ▼a0511
■690    ▼a0501
■71020▼aColumbia  University▼bEconomics.
■7730  ▼tDissertations  Abstracts  International▼g86-06A.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17165144▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books