博弈论 101 第 33 讲（英文原声）：Comparative Statics without Derivatives

视频封面

视频元信息

讲师：William Spaniel（匹兹堡大学）
系列：Game Theory 101（油管 873 万+ 播放，2012–2020）
本集编号：p119 / 第 33 讲
主题：Comparative Statics without Derivatives（不用导数的比较静态分析）
时长：约 11 分钟

内容摘要（TL;DR）

本讲介绍一种不用导数也能做比较静态分析的方法——epsilon 方法。核心思路是：把参数 x 变为 x + ε（ε 为极小正数），比较变化前后均衡值的大小，通过解不等式得出结论。视频以点球博弈（penalty kick game）为例演示完整推导，并重点讲解三大注意事项：假设方向错误时如何补救、涉及减法时括号的分配陷阱，以及该方法无法识别非单调效应与变化速率这两大局限。

一、课程背景与定位 [00:00]

讲师 William Spaniel 开场，说明本讲主题是「不用导数的比较静态分析」。
该内容并未收录在《Game Theory 101: The Complete Textbook》第 3.4 节中（教材只讲了用导数的比较静态分析）。
本讲本质上是权宜之计（stopgap measure）：为暂时不会用导数、但仍想操作博弈模型的初学者提供替代方案。
讲师明确表态：真正想做博弈论，必须学会使用导数；本方法只是过渡工具。
结尾会解释为什么 epsilon 方法劣于导数方法。

考点：本讲是"备胎方案"——epsilon 方法只在不会导数时短期使用，长期必须掌握导数法。讲师强调自己整个职业生涯中只有一两次觉得 epsilon 方法值得用。

二、回顾：点球博弈中的比较静态问题 [00:46]

上一讲引入比较静态分析时，研究的是点球博弈（penalty kick game）。
已解出的均衡结果：射手向左踢的概率 = 1 / (1 + x)，其中 x 表示射手向右踢的准确度。
核心问题：当射手向右的准确度 x 变化时，向左踢的均衡概率会如何变化？
直觉假设：随着 x 增大（向右更准），向左踢的概率应该下降。
但如果不会用导数，就无法直接用上一讲的方法求解，于是引出 epsilon 方法。

理解：这个 1/(1+x) 是混合策略均衡的典型形式——当一方某个选项变强，均衡会向另一方向偏移以维持对手无差异。

三、Epsilon 方法的核心原理 [01:38]

方法步骤

构造两个情形：
- 情形一（原始）：准确度为 x
- 情形二（变化后）：准确度为 x + ε，其中 ε > 0 且为极小的正数
ε 的作用：代表 x 的一次微小增加（体现"向右更准"这一变化）。
写出关注量（element of interest）在两个情形下的表达式。
比较两者大小：若能证明其中一个大于另一个，就建立了参数与关注量之间的关系。

本讲的假设与不等式

假设：向右准确度上升 → 向左踢概率下降。
则原始值应大于变化后的值：

1 / (1 + x) > 1 / (1 + x + ε)

推导：因为 x 增大时分母变大，分数值变小，符合"向右更准则向左更少"的直觉。

四、代数推导：证明不等式 [03:37]

两边分母 1 + x 与 1 + x + ε 均严格为正，可安全地交叉相乘。
得到：1 + x + ε > 1 + x
两边同时消去 1 + x，剩下：ε > 0
由于 ε 在定义时就被设定为严格大于 0 的极小正数，该结论成立。
结论：原假设得证——向右准确度上升，确实会降低向左踢的概率。

易错点：交叉相乘的前提是分母严格为正。若分母可能为负或为零，不等号方向可能翻转，推导失效。

思考：epsilon 方法的本质是"离散化"的导数——用有限小增量 ε 代替无穷小 dx，用不等式代替求导符号。

五、注意事项一：假设方向错误怎么办 [04:57]

风险：如果最初假设的关系方向搞反了，代数推导会得出一个明显错误的结论。
举例：若错误假设"向右更准 → 向左踢概率上升"，则写出：

1 / (1 + x) < 1 / (1 + x + ε)

推导下去会得到：ε < 0，但这与 ε > 0 的定义矛盾。
补救方法（很简单）：
1. 最后一行出现 100% 错误的结论，说明原假设方向反了。
2. 回到第一行，把不等号翻转（小于号改成大于号）。
3. 重新推导，即可回到 ε > 0 的正确结论。

易错点：最后一行出现"ε < 0"就说明假设搞反了，不是计算错误，只需翻转初始不等式方向重来。这是 epsilon 方法的一种"自我纠错"机制。

六、注意事项二：涉及减法时的括号陷阱 [06:42]

问题场景：关注量不是 1/(1 + x)，而是 1/(1 − x)。
错误做法：直接把 ε 加在 x 旁边，写成 1/(1 − x + ε)——没有把负号分配到 ε 上。
为什么错：
- 我们的目标是让 x 变大。
- 在 (1 − x) 中，x 变大意味着整个分母变小（要减去更大的量）。
- 若写成 (1 − x + ε)，实际上是让 x 变小了，方向完全相反。
正确做法：把参数当作整体处理，即 1/(1 − (x + ε))，让 ε 也经历那个减法（负号）的作用。

理解：讲师在前面的例子中特意给 (x + ε) 加了"看似多余"的括号，正是为了提醒——ε 必须跟着 x 一起被同一个运算（加、减、乘等）作用。

易错点（高频踩坑）：ε 必须作用于"参数整体"。凡是 x 参与的运算（尤其是减法、系数乘法），ε 都要一并经历。写成 1/(1 − x + ε) 是典型错误，正确是 1/(1 − (x + ε))。

七、注意事项三：方法的根本局限 [08:38]

Epsilon 方法相比导数法有两大缺陷：

局限 1：无法识别非单调效应（non-monotonic effects）

有些关注量在参数空间的一部分递增，越过某点后又递减。
讲师用右下角小图示意：关注量上升到 2 之后开始下降。
epsilon 方法只看"某一点附近是升还是降"，无法捕捉这种先升后降的非单调关系。
简单博弈里暂未遇到，但复杂模型里非单调效应很常见，此时导数法能识别，epsilon 方法很弱。

局限 2：无法给出变化速率

epsilon 方法只能回答"是升还是降"（方向问题）。
无法回答"升/降得多快"（速率问题）。
而变化速率可能依赖博弈中的其他参数，这一信息在 epsilon 方法中被完全丢失，导数法可以获取。

思考：导数 = 变化率本身，天然携带"速率"与"单调性转折点（导数为零处）"信息；epsilon 方法只做局部符号判断，信息量天然更少。

八、结论与讲师建议 [10:09]

严格偏好导数法：讲师强调凡能用导数处一律用导数。
个人经验：整个职业生涯中，只有一两次觉得 epsilon 方法值得一用。
给初学者的建议：
- 短期：不会导数也可以用 epsilon 方法应付较简单模型的比较静态分析。
- 长期：必须去学微积分/导数，想成为严肃的博弈论研究者，导数不可或缺。
讲师以"祝你好运，去上微积分课吧"收尾。