Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Structural Estimation and Machine Learning for Games of Competition
Übersetzter Titel:
Strukturelle Schätzung und Maschinelles Lernen für kompetitive Spiele
Autor:
Ewert, Markus
Jahr:
2026
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Institution:
Informatik 18 - Lehrstuhl für Decision Sciences and Systems (Prof. Bichler)
Betreuer:
Bichler, Martin (Prof. Dr.)
Gutachter:
Bichler, Martin (Prof. Dr.); Ockenfels, Axel (Prof. Dr.); Day, Robert W. (Prof., Ph.D.)
Sprache:
en
Fachgebiet:
MAT Mathematik
Stichworte:
Auction Theory; Contest Theory; Structural Estimation; Equilibrium Learning
TU-Systematik:
MAT 920; WIR 523
Kurzfassung:
This dissertation develops methods to overcome key challenges in auction and contest design, where equilibria are often unknown and bidders’ private information is typically unobservable. It extends the success of equilibrium learning techniques to approximate equilibria in contests, introduces a flexible framework for estimating behavioral motives, and improves standard estimation methods using optimal transport. Together, these contributions lay a foundation for more reliable market designs.
Übersetzte Kurzfassung:
Diese Dissertation entwickelt Methoden, um zentrale Herausforderungen im Design von Auktionen und Wettbewerben zu bewältigen, bei denen Gleichgewichte oft unbekannt und private Informationen der Bieter unbeobachtbar sind. Sie zeigt, wie Gleichgewichtslernen zur Approximation in Wettbewerben eingesetzt werden kann, stellt ein flexibles Rahmenwerk zur Schätzung von Verhaltensmotiven vor sowie Verbesserungen durch Optimaltransport. Damit wird die verlässlichere Gestaltung von Märkten ermöglicht.
WWW:
https://mediatum.ub.tum.de/?id=1797240
Eingereicht am:
22.09.2025
Mündliche Prüfung:
05.02.2026
Dateigröße:
1634704 bytes
Seiten:
90
Urn (Zitierfähige URL):
https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20260205-1797240-0-4
Veröffentlicht am:
10.03.2026
 BibTeX