MARC

 008260203s2025        us                              c    eng  d
■001000017365873
■00520260209102844
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291584378
■035    ▼a(MiAaPQ)AAI32173105
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a519
■1001  ▼aQiu,  Xiaoyun.
■24510▼aDesign  Problems  Under  Strategic  Manipulation
■260    ▼a[Sl]▼bNorthwestern  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a177  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Wolinsky,  Asher;Strulovici,  Bruno.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2025.
■520    ▼aThis  thesis  explores  design  questions  in  resource  allocation  and  screening  when  participants  can  privately  expend  effort  to  appear  more  qualified  than  they  truly  are,  a  phenomenon  known  as  strategic  manipulation.  The  central  question  it  addresses  is:  How  does  strategic  manipulation  by  participants  shape  the  design  of  allocation  and  screening  rules?The  first  chapter  is  coauthored  with  Yingkai  Li.  Motivated  by  the  excessive  signaling  efforts  observed  in  many  centralized  systems,  it  asks:  What  is  the  optimal  mechanism  to  reduce  wasteful  competition  while  achieving  a  desired  allocation  rule?  The  mechanism  designer  allocates  resources  based  on  costly  signals  that  reflect  both  deservingness  and  private  effort.  When  multiple  participants  compete,  dispersing  participants'  information  introduces  a  novel  tradeoff:  it  better  coordinates  effort  and  lowers  the  burden  on  losers,  but  also  increases  overall  incentive  costs  and  raises  effort  among  winners.  Under  reasonable  assumptions,  we  show  that  in  the  optimal  mechanism,  it  is  optimal  not  to  disperse  participants'  information,  and  thus  the  optimal  design  features  zero  coordination,  which  can  be  implemented  via  an  all-pay  contest.The  second  chapter  is  coauthored  with  Yingkai  Li.  It  applies  these  insights  to  public  program  design,  where  misrepresentation  of  eligibility  is  a  major  concern.  We  show  that  when  the  pool  of  applicants  is  large,  randomizing  allocation  among  middle  types,  those  who  are  neither  most  nor  least  deserving,  strikes  the  best  balance  between  matching  efficiency  (allocating  to  the  most  deserving)  and  utilitarian  welfare  (maximizing  total  utility).The  third  chapter  is  coauthored  with  Liren  Shan.  It  examines  the  structure  of  testing  institutions  when  the  rules  can  be  manipulated.  Real-world  standards  often  involve  multiple  criteria,  which  can  be  administered  by  either  independent  bureaucracies  (each  handling  one  criterion)  or  a  centralized  joint  bureaucracy.  We  find  that  when  personalized  testing  is  feasible,  joint  bureaucracies  significantly  improve  accuracy  and  efficiency.  As  AI  and  automation  tools  become  more  capable,  implementing  such  personalized  testing  is  increasingly  realistic.  However,  when  personalization  is  not  possible,  the  relative  performance  of  independent  and  joint  bureaucracies  depends  on  the  specific  environment.
■590    ▼aSchool  code:  0163.
■650  4▼aApplied  mathematics
■650  4▼aFinance
■653    ▼aStrategic  manipulation
■653    ▼aMechanism  design
■653    ▼aDesign  problems
■653    ▼aMatching  efficiency
■653    ▼aJoint  bureaucracy
■690    ▼a0511
■690    ▼a0508
■690    ▼a0364
■71020▼aNorthwestern  University▼bEconomics.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365873▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서