COMP5313 Week 09 Information Cascades 讲课总结
COMP5313 Week 09 讲课总结：Information Cascades
1. 本讲主题
本讲进入 network dynamics。老师讲 information cascade：
人们按顺序决策，后面的人能看到前面人的行动，但看不到前面人的私人信息。当公共行动信息足够强时，后面的人会忽略自己的私人信号，直接模仿前人。
重点是理解 cascade 什么时候开始，以及如何用 Bayes rule 做判断。
2. Imitation 的两种原因
老师区分了两类模仿：
- Informational effects：别人可能掌握了我不知道的信息，所以我跟随他们。
- Direct-benefit / network effects：别人使用某东西会直接提高我使用它的收益，比如传真机、社交软件。
本讲关注 informational effects。
3. Anderson-Holt Herding Experiment
实验设定：
- 有两个 urn 状态，概率各为 \(1/2\)。
- 一个 urn 多数红球：2 红 1 蓝。
- 另一个 urn 多数蓝球：2 蓝 1 红。
- 学生按顺序抽球，抽完放回。
- 每个学生只看到自己的球色和前面学生的猜测，看不到前面学生的球色。
- 目标是猜 urn 的多数颜色。
4. 前两个人如何传递信息
第一个人：
- 只知道自己的信号。
- 抽到红就猜红，抽到蓝就猜蓝。
- 因此第一个人的行动完全透露自己的私人信号。
第二个人：
- 看到第一个人的行动。
- 再结合自己的信号。
- 如果两个信号一致，直接跟随一致方向。
- 如果冲突，老师默认按自己的信号或 tie-breaking 处理，所以第二个人的行动仍可透露信息。
5. Cascade 何时开始
如果前两个人都猜蓝：
- 第三个人即使抽到红，也会猜蓝。
- 因为两个蓝信号的公共证据压过一个红信号。
- 从第三个人开始，后面的人无法再从行动中推断私人信号。
这就是 information cascade。
错误级联也可能发生：
- 真实 urn 多数红。
- 但前两个人都抽到蓝。
- 之后所有人都可能跟着猜蓝。
6. Bayes Rule 复习
条件概率：
[ P(AB)= ]
Bayes rule：
[ P(AB)= ]
老师用 spam 例子说明：
- prior 和 likelihood 结合后得到 posterior。
- 决策要基于 posterior，而不是单独看某个词出现概率。
7. Urn 例子的 Bayes 计算
如果第一个人抽到蓝：
[ P()= ]
所以第一个人猜蓝。
如果已经观察到两个蓝信号，第三个人自己抽到红，仍然有：
[ P(B,B,R)> ]
因此第三个人理性地猜蓝。
重点：级联不是非理性行为，而是在给定信息下的理性推断。
8. General Cascade Model
老师把 urn 例子推广为一般模型：
- 世界状态：Good \(G\) 或 Bad \(B\)。
- prior：\(P(G)=p\)。
- 动作：accept 或 reject。
- 接受 good 得正收益 \(v_G>0\)。
- 接受 bad 得负收益 \(v_B<0\)。
- reject 收益为 0。
- 每个人收到私人信号：High 或 Low。
- 信号准确率 \(q>1/2\)：
[ P(HG)=q,P(LB)=q ]
初始 expected payoff 设为 0，因此只需比较 posterior 是否高于 prior。
9. General Model 的决策规则
设到目前为止已经透露的信息中：
- high signals 数量为 \(a\)。
- low signals 数量为 \(b\)。
决策规则：
- 如果 \(a>b\)，accept。
- 如果 \(b>a\)，reject。
- 如果 \(a=b\)，无差异，按 tie-breaking。
当行动差距不超过 1 时，后续行动还能透露私人信号。
当差距达到 2 时：
- cascade 开始。
- 后续所有人忽略自己的私人信号。
- 后续行动不再提供新信息。
10. Cascade 概率趋近 1
老师最后强调结论：
当人数足够多时，发生 cascade 的概率趋近 1。
直觉证明：
- 如果出现连续 3 个相同信号，一定会触发 cascade。
- 不出现连续 3 个相同信号的概率会随着人数增加而趋近 0。
- 因此 cascade 最终几乎必然发生。
老师说详细证明不是重点，重点是理解结论和条件概率计算。
11. 考点重点
- 会定义 information cascade。
- 会解释为什么 cascade 中后面的人忽略私人信号。
- 会区分 informational effects 和 direct-benefit effects。
- 会用 urn/herding experiment 说明级联如何开始。
- 会用 Bayes rule 计算 posterior。
- 会说出 general model 中 \(a>b\) accept，\(b>a\) reject。
- 会说出差距达到 2 时 cascade takes over。
- 知道人数增长时 cascade 概率趋近 1。