Moraalinen uhkapeli: laajennuksia ja sovelluksia

Samankaltaiset tiedostot
b) Arvonnan, jossa 50 % mahdollisuus saada 15 euroa ja 50 % mahdollisuus saada 5 euroa.

Haitallinen valikoituminen

Signalointi: autonromujen markkinat

Moraalinen uhkapeli: perusmalli ja optimaalinen sopimus

Haitallinen valikoituminen: Kahden tyypin malli

Lyhyen aikavälin hintakilpailu 2/2

, tuottoprosentti r = X 1 X 0

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

Nollasummapelit ja bayesilaiset pelit

MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I

Projektin arvon aleneminen

Lineaarinen toisen kertaluvun yhtälö

Sekastrategiat ja intensiiviyhteensopivuus

Esteet, hyppyprosessit ja dynaaminen ohjelmointi

Luento 9. June 2, Luento 9

2. Teoriaharjoitukset

r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P

OPTIMAALINEN INVESTOINTIPÄÄTÖS

Numeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Investointimahdollisuudet ja investoinnin ajoittaminen

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Harjoitus 7: vastausvihjeet

Dynaaminen hintakilpailu ja sanattomat sopimukset

Tutkimustiedonhallinnan peruskurssi

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n

MS-A0107 Differentiaali- ja integraalilaskenta 1 (CHEM)

Aloitamme yksinkertaisella leluesimerkillä. Tarkastelemme yhtä osaketta S. Oletamme että tänään, hetkellä t = 0, osakkeen hinta on S 0 = 100=C.

Luento 8. June 3, 2014

Generoivat funktiot, Poisson- ja eksponenttijakaumat

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Osakesalkun optimointi. Anni Halkola Turun yliopisto 2016

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden

Martingaalit ja informaatioprosessit

Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33

Dynaamiset regressiomallit

802328A LUKUTEORIAN PERUSTEET OSA III BASICS OF NUMBER THEORY PART III. Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO

HUUTOKAUPPATEORIAA TTS-Kurssille/Kultti 2012

17. Differentiaaliyhtälösysteemien laadullista teoriaa.

3. Teoriaharjoitukset

Hintadiskriminaatio 2/2

Matemaattinen Analyysi

(1.1) Ae j = a k,j e k.

Fourier-analyysi, I/19-20, Mallivastaukset, Laskuharjoitus 7

5 Differentiaaliyhtälöryhmät

Projektin arvon määritys

. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

Monopoli 2/2. S ysteemianalyysin. Laboratorio. Teknillinen korkeakoulu

MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 11: Lineaarinen differentiaaliyhtälö

Numeeriset menetelmät

Näihin harjoitustehtäviin liittyvä teoria löytyy Adamsista: Ad6, Ad5, 4: 12.8, ; Ad3: 13.8,

10. Toisen kertaluvun lineaariset differentiaaliyhtälöt

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.

Numeeriset menetelmät

Tilastollinen päättely II, kevät 2017 Harjoitus 2A

Sovellettu todennäköisyyslaskenta B

Mat Dynaaminen optimointi, mallivastaukset, kierros 1

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

802328A LUKUTEORIAN PERUSTEET OSA III BASICS OF NUMBER THEORY PART III

v AB q(t) = q(t) v AB p(t) v B V B ṗ(t) = q(t) v AB Φ(t, τ) = e A(t τ). e A = I + A + A2 2! + A3 = exp(a D (t τ)) (I + A N (t τ)), A N = =

MIKROTEORIA, HARJOITUS 6 YRITYKSEN JA TOIMIALAN TARJONTA JA VOITTO TÄYDELLISESSÄ KILPAILUSSA, SEKÄ MONOPOLI

pitkittäisaineistoissa

Hintakilpailu lyhyellä aikavälillä

Piiri K 1 K 2 K 3 K 4 R R

1. Tilastollinen malli??

Sovellettu todennäköisyyslaskenta B

Lineaarikuvausten. Lineaarikuvaus. Lineaarikuvauksia. Ydin. Matriisin ydin. aiheita. Aiheet. Lineaarikuvaus. Lineaarikuvauksen matriisi

Määritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

Investointimahdollisuudet ja niiden ajoitus

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.

Informaatio ja Strateginen käyttäytyminen

Ristitulolle saadaan toinen muistisääntö determinantin avulla. Vektoreiden v ja w ristitulo saadaan laskemalla determinantti

Numeeriset menetelmät

Inversio-ongelmien laskennallinen peruskurssi Luento 7 8

,ܾ jaü on annettu niin voidaan hakea funktion

HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

Valikoima, laatu ja mainonta

6. Differentiaaliyhtälösysteemien laadullista teoriaa.

Y56 Laskuharjoitukset 4 Palautus viim. ti klo (luennolla!) Opiskelijan nimi. Opiskelijanumero

Dynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II

Yhteistyötä sisältämätön peliteoria

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta

Ydin-Haskell Tiivismoniste

suurtuotannon etujen takia yritys pystyy tuottamaan niin halvalla, että muut eivät pääse markkinoille

Derivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2

Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti

Hyvän vastauksen piirteet

Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Päätöksentekijä on riskipakoinen, jos hyötyfunktio on konkaavi. a(x) = U (x) U (x)

Martingaalit ja informaatioprosessit

Panoskysyntä. Luku 26. Marita Laukkanen. November 15, Marita Laukkanen Panoskysyntä November 15, / 18

3.2.2 Tikhonovin regularisaatio

MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

Maatalous-metsätieteellisen tiedekunnan valintakoe Ympäristö-ja luonnonvaraekonomia Matematiikan kysymysten oikeat vastaukset

Jos siis ohjausrajoitusta ei olisi, olisi ratkaisu triviaalisti x(s) = y(s). Hamiltonin funktio on. p(0) = p(s) = 0.

Transkriptio:

Moraalinen uhkapeli: laajennuksia ja sovelluksia

Sisältö Kysymysten asettelu Monen tehtävän malli Sovellusesimerkki: Vakuutus Sovellusesimerkki: Palkkion määrääminen Johtajan palkitseminen

Moraalisen uhkapelin kysymykset Päämies: Miten saan agentin yrittämään parhaansa? Agentti: Kannattaako minun yrittää parhaani, vai voinko saavuttaa saman palkkion pienemmällä panostuksella?

Monen tehtävän malli Agentti voi jakaa työpanoksensa useaan eri kohteeseen (esim. laatu ja määrä). Päämiehen pitää valita kannustimet niin, ettei agentti laiminlyö osaa kohteistaan.

Monen tehtävän malli Agentin hyöty: Päämiehen tulot: u=e r w C a 1,a 2 { x 1=a 1 1 x 2 =a 2 2} Lineaarinen palkkasopimus: α:t ovat palkanmaksun painotuskertoimia w x 1, x 2 = ' x = 1 x 1 2 x 2 Havaintokohinoiden ε 1 ja ε 2 varianssit: = 2 1 12 12 2 2

Monen tehtävän malli Päämiehen odotusarvoinen tuotto: a 1 a 2 2 a 1 2 a 2 Agentin oletusarvoinen tuotto: 1 a 1 2 a 2 C a 1, a 2 r 2 ' Odotusarvoinen kokonaisylijäämä: a 1 a 2 C a 1, a 2 r 2 ' Kannustinehdon perusteella: i =C i ' a 1, a 2

Monen tehtävän malli Differentioimalla: { a1 = C ' ' 11 1 } D ' ' a 1 = C ' ' 12 2 D '' D'' on C'':n determinantti ja positiivinen. Tämä tarkoittaa sitä, että agentti valitsee panoksensa kohteeksi toiminnan a 1, joka kasvaa α 1 :n myötä ja joka laskee α 2 :n myötä mikäli toiminnat ovat toisensa korvaavia.

Monen tehtävän malli Differentioimalla ylijäämän lauseke sekä kannustinehdosta saatu lauseke α:n derivaatalle saadaan lauseke α:lle. = I rc '' 1 1 1 Varianssimatriisia Σ muuttelemalla voidaan mallintaa päämiehen havainnointikykyä eri tilanteissa. Matriisi C'' puolestaan kuvaa tehtävien suhdetta toisiinsa. Esim: σ 2 = ja σ 1 = 0 vastaa tilannetta, jossa vain ensimmäisestä tehtävästä saadaan havaittava signaali. Tällöin 1 = ' ' 1 C 12 ' ' /C 22 ' 1 1 2[C ' ' 11 C ' 12 2 /C 22 ' ' ]

Sovellusesimerkki: vakuutus Oletetaan, että vakuuttaja tietää vakuutuksen ottajan ominaisuudet täydellisesti. U = p a u W d R q 1 p a u W q a 1. asteen lähestymistapa voidaan perustella MLRC:n ja CDFC:n avulla. p ' a u W d R q u W q =1

Sovellusesimerkki: vakuutus Asettamalla osallistumisrajoitus U = U, saadaan toinen yhtälö, jota apuna käyttämällä voidaan agentin molemmissa tilanteissa saavuttamat hyödyt esittää a:n funktioina. 1 p a } {u W d R q =U a p' a u W q =U a p a p' a max a {q a p a R a }

Sovellusesimerkki: palkan määrääminen Miten päämies voi käyttää palkkaa mahdollisimman tehokkaana kannustimena? Miten mitata agentin panosta? Palkan sitominen työntekijän tuottamaan kappalemäärään ei yleensä ole hyvä ratkaisu, ongelmana laadun heikkeneminen ja yhteistyökato Työnantaja voi sitoa osan palkasta yhtiön tulokseen, ääriesimerkkinä toimilupafirmat, joissa agentti maksaa luvasta pitää voitot itsellään. Iän myötä kasvava palkka nostaa irtisanomisen aiheuttamia tappioita agentin näkökulmasta ja kannustaa vähintään työn laadun ylläpitämiseen. Johtajien palkitseminen: Yleensä ei ongelmaa. Joissa tapauksissa johtajalla saattaa kuitenkin olla omistajien tavoitteista poikkeavia tavoitteita.

Johtajien palkitseminen Osakkeilla, ongelmana johtajan kyky manipuloida osakkeiden hintaa. Optioilla, mikäli firman tulos laskee yllättäen, menettää johtaja saamansa edut. Yksi tapa kannustaa johtajaa on hänen maineensa kautta. Mikäli johtajan maine laskee, saa hän huonompaa palkkaa seuraavalla määrityskerralla.

Mainemalli Käsitellään johtajan kykyä satunnaisena liikkeenä: t 1 = t t Johtajan työpanos aikavälillä on a t Johtaja tuottaa havaittavan tuloksen y t = t a t t johtajan kyvykkyydestä riippumaton satunnaismuuttuja. Johtaja voi korvata puutteensa kyvykkyydessä lisäämällä työpanostaan Palkka määräytyy maineesta: w t y t 1 = E y t y t 1, missä ε on

Mainemalli Johtajan ollessa riskineutraali ja ottaessa tulevaisuuden huomioon nykyhetkeen verrattuna alennetusti, saadaan hyötyfunktioksi: u= t =1 t 1 w t g a t Koska työpanoksesta saatava maksimihyöty on 1, saadaan tehokkaimman työpanoksen määrä yhtälöstä g ' a =1 Tasapainotilassa markkinat odottavat johtajalta työpanosta a t y t 1

Mainemalli Määritellään markkinoiden usko johtajan kykyihin aiempien tulosten perusteella: m t =E t y t 1 On osoitettavissa, että tämä suure noudattaa rekursiota m t 1 m t = t y t a t m t λ kasvaa suhteen υ δ /υ ε myötä ja kuuluu välille (0,1) Palkka määräytyy johtajan maineen perusteella: w t =m t a t

Mainemalli Kuinka suuri työpanos johtajan kannattaa antaa? Mikäli johtajan työpanos poikkeaa tasapainosta da:n verran, muuttuu hänen maineensa hetkestä t+1 eteenpäin. dm s 1 dm s = s dm s, dm t 1 = t da Yksinkertaisilla laskuilla saadaan ajassa s t+1 palkan nousuksi s 1 dw s = t i =t 1 1 i da

Mainemalli du = t da s=t 1 Hyötyfunktiolle: Tutkitaan tilannetta suurella t:n arvolla, jolloin λ konvergoi kohti Λ:aa. Tällöin du saa muodon Voidaan päätellä, että mikäli β kuuluu välille (0,1), ei g'(a) (=du/da) saavuta maksimiarvoaan tasapainotilanteessa ja kannustimille jää tilaa. s 1 i=t 1 1 i d U =da 1 1

Yhteenveto Monen tehtävän mallissa päämiehen haasteena on ennen kaikkea tasapainottaa kannustimet eri tehtävien välillä. Tämä on välillä jopa mahdotonta. Moraalisen uhkapelin kautta voidaan tutkia kannustimien järkevyyttä ja mahdollista tehoa. Kannustimilla voidaan vaikuttaa agentteihin, jotka eivät luontaisesti halua toimia päämiehen tavoitteiden mukaisesti. Mikäli päämiehen ja agentin tavoitteet ovat samat, ovat kannustimet turhia. Päämiehen kannalta sopivien kannustimien löytäminen saattaa olla ratkaisevaa, vääränlaisten kannustimien käyttäminen voi johtaa suuriin ongelmiin! Ongelmana signaalien havainnoiminen. Pitkästä agentin tuottavuuden tarkasteluajasta voi olla apua.

Kotitehtävät Monen muuttujan malli: keksi esimerkkejä tilanteista, joissa agentin valinnan kohteina olevat tehtävät ovat i) toisensa korvaavia sekä ii) toisiaan tukevia. Tulkitse kaavojen tilanteita, joissa i) johtajan kyvykkyyden muutoksen varianssi on pieni verrattuna hänen tuottaman tuloksen varianssiin ja ii) johtajan tuottaman tuloksen varianssi on pieni verrattuna hänen kyvykkyytensä muutoksen varianssiin. Mistä tilanteissa on kysymys ja minkälaiset vaikutukset niillä on kannustimiin?