Kapitel 10 fragte: Produzieren Wettbewerbsmärkte bei gegebenen Präferenzen und Ausstattungen effiziente Ergebnisse? Die Antwort — ja, unter den Bedingungen der Wohlfahrtssätze — nimmt den Marktmechanismus als gegeben an. Dieses Kapitel kehrt die Frage um: Kann man bei einem gewünschten Ergebnis einen Mechanismus entwerfen, um es zu erreichen?
Mechanismusdesign wird oft als „umgekehrte Spieltheorie“ bezeichnet. Statt das Ergebnis eines Spiels vorherzusagen, entwerfen wir das Spiel, um ein gewünschtes Ergebnis zu erzielen. Marktdesign wendet diese Ideen auf reale Institutionen an — Auktionen, Matching-Märkte, Frequenzvergabe, Nierentausch.
Voraussetzungen: Kapitel 7 (Grundlagen der Spieltheorie, Nash-Gleichgewicht) und 10 (Wohlfahrtssätze, allgemeines Gleichgewicht).
Grundlegende Literatur: Myerson (1981); Vickrey (1961); Clarke (1971); Groves (1973); Gale & Shapley (1962); Roth (2002); Milgrom (2004).
Die Herausforderung: Die Typen der Agenten sind privat. Wie bringen wir sie dazu, ihre Typen wahrheitsgemäß zu offenbaren?
Abbildung 12.1. Zeitstrahl des Mechanismusdesigns.
Der Mechanismusdesigner wählt die Regeln (Nachrichtenraum und Ergebnisfunktion), um eine gewünschte soziale Wahlfunktion zu erreichen.
Ein direkter Mechanismus bittet jeden Agenten, einfach seinen Typ (seine private Information) zu berichten. Er ist anreizkompatibel (IC), wenn wahrheitsgemäße Berichterstattung eine Gleichgewichtsstrategie ist — kein Agent profitiert vom Lügen.
Dies ist die mächtigste Vereinfachung im Mechanismusdesign — wohl die mächtigste Vereinfachung in der gesamten ökonomischen Theorie. Prinzipiell ist der Raum möglicher Mechanismen unendlich groß. Eine Auktion könnte beliebig viele Runden haben, beliebige Gebotsregeln, beliebige Zahlungsformeln. Ein Matching-Algorithmus könnte auf jede erdenkliche Weise funktionieren. Die Suche nach dem besten Mechanismus unter allen möglichen scheint aussichtslos.
Das Offenbarungsprinzip besagt: Sie müssen nicht suchen. Welches Ergebnis auch immer irgendein Mechanismus erzielen kann, ein direkter Mechanismus (fragen Sie einfach jeden, wahrheitsgemäß zu berichten) kann dasselbe Ergebnis erzielen. Das Mechanismusdesign-Problem reduziert sich also auf: Finde die beste Zuteilungsregel und Zahlungsregel als Funktionen der gemeldeten Typen, unter der Nebenbedingung, dass wahrheitsgemäße Berichterstattung optimal ist. Dies verwandelt eine unmöglich breite Suche in ein wohldefiniertes Optimierungsproblem.
DSIC ist stärker, aber schwerer zu erreichen. BIC ist schwächer, erlaubt aber mehr Mechanismen.
You now have mechanism design tools — the revelation principle, incentive compatibility, and the distinction between DSIC and BIC. These tools formalize what a government can and cannot achieve when it can't observe people's types directly.
Mechanism design formalizes the redistribution problem with startling clarity. The government wants to transfer from high-ability to low-ability agents but can't observe ability directly — only income, which is a choice variable. The revelation principle says any redistribution scheme can be analyzed as a direct mechanism where agents report their type. The binding constraint is incentive compatibility: high-ability agents must not find it profitable to mimic low-ability agents by working less. A tax-and-transfer system is literally a mechanism — it maps reported incomes to after-tax incomes — and the revelation principle tells you that if any scheme can achieve a redistributive goal, a truthful direct mechanism can too. This is the conceptual foundation of optimal income taxation (Mirrlees 1971): the tax schedule is a mechanism designed to maximize social welfare subject to incentive compatibility.
Incentive compatibility creates an irreducible tradeoff between redistribution and efficiency — and it's worse than the intuitive version. The Myerson-Satterthwaite theorem (§12.4) shows that in bilateral trade with private information, no mechanism simultaneously achieves efficiency, incentive compatibility, individual rationality, and budget balance. Apply this logic to redistribution: the government faces a version of the same impossibility. It cannot design a tax system that fully redistributes, respects incentives, and avoids deadweight loss. Furthermore, the mechanism design framework assumes a benevolent, well-informed planner who knows the distribution of types even if not individual types. In practice, redistributive policy is shaped by political economy — median voters, interest groups, lobbying. The design problem is well-understood; the implementation problem is not.
The mechanism design framework connects directly to optimal income tax theory. Mirrlees (1971) showed that the optimal tax schedule depends on the distribution of abilities and the elasticity of labor supply — both empirical quantities. The mechanism design approach gives the conceptual architecture; the quantitative answers require data. Myerson's optimal auction is structurally identical to optimal taxation: both maximize an objective subject to incentive compatibility and individual rationality. The same math that designs revenue-maximizing auctions designs welfare-maximizing tax schedules.
The efficiency-equity tradeoff is real, but mechanism design makes it precise rather than vague. The tradeoff isn't "redistribution is costly" — it's "redistribution is costly by exactly the amount that incentive compatibility constraints bind." The magnitude depends on specific parameters: how elastic is labor supply? How fat is the tail of the ability distribution? These are empirical questions with empirical answers, not ideological ones. Mechanism design transforms the inequality debate from philosophy into engineering — but the engineering is constrained by informational limits that no cleverness can circumvent.
Mechanism design gives you the framework; optimal tax theory gives the numbers. Come back in Chapter 16 (§16.7) for the Ramsey optimal tax result — tax inelastic goods more — and the quantitative estimates: optimal top marginal rates are probably 50–70% (Diamond & Saez 2011), higher than most countries implement but lower than "tax everything" implies. Then in Chapter 20 (§20.5, §20.8), the problem goes global: within-country inequality is dwarfed by between-country inequality, and the tools for addressing it — institutions, human capital, development interventions — are entirely different from domestic tax design.
Elizabeth Warren's proposal meets mechanism design: the binding constraint on redistribution is incentive compatibility — agents can hide their type. Wealth is harder to hide than income. Does that make wealth taxes better mechanisms?
FortgeschrittenDies ist das Mechanismusdesign-Analogon zu Arrows Unmöglichkeitstheorem. Es besagt, dass in allgemeinen Sozialwahlsituationen kein nicht-diktatorischer Mechanismus wahrheitsgemäße Präferenzoffenbarung in dominanten Strategien erzielen kann.
Der Ausweg: Beschränke den Bereich. Mit quasi-linearen Präferenzen ($U_i = v_i(a) + t_i$, wobei $t_i$ ein monetärer Transfer ist) fällt die Gibbard-Satterthwaite-Barriere. Der VCG-Mechanismus erreicht Effizienz und DSIC mit Transfers.
Der Vickrey-Clarke-Groves (VCG)-Mechanismus erreicht eine effiziente Allokation mit wahrheitsgemäßer Berichterstattung als dominante Strategie unter Verwendung monetärer Transfers.
Effiziente Allokation: $a^*(\theta) = \arg\max_a \sum_i v_i(a, \theta_i)$ — maximiere den Gesamtwert.
Agent $i$ zahlt die Externalität, die er auf andere ausübt — die Differenz zwischen der Wohlfahrt der anderen mit und ohne $i$.
Warum ist wahrheitsgemäße Berichterstattung dominant? Bei wahrheitsgemäßer Berichterstattung ist die Auszahlung von Agent $i$:
$$v_i(a^*(\theta)) + t_i = v_i(a^*(\theta)) + \sum_{j \neq i} v_j(a^*(\theta_{-i})) - \sum_{j \neq i} v_j(a^*(\theta))$$
Dies vereinfacht sich zu $\sum_j v_j(a^*(\theta)) - \sum_{j \neq i} v_j(a^*(\theta_{-i}))$. Der zweite Term hängt nicht von $i$s Bericht ab. Also maximiert $i$ seine Auszahlung, indem er seinen Bericht so wählt, dass $\sum_j v_j(a^*(\theta))$ maximiert wird — was bei wahrheitsgemäßer Berichterstattung geschieht, da $a^*$ bereits den Gesamtwert maximiert.
Geben Sie Agentenwerte für einen einzelnen unteilbaren Gegenstand ein. Der Rechner berechnet VCG-Zahlungen (äquivalent zu einer Zweitpreisauktion für einen einzelnen Gegenstand).
Abbildung 12.2. Agentenwerte und VCG-Zahlungen. Jeder Agent zahlt die Externalität, die er auf andere ausübt. Der Gewinner zahlt den zweithöchsten Wert (bei einem einzelnen Gegenstand reduziert sich VCG auf die Vickrey-Auktion).
Drei Bürger bewerten eine Brücke mit $v_1 = 30$, $v_2 = 25$, $v_3 = 15$. Die Kosten betragen $C = 60$.
Bauen, wenn $\sum v_i > C$: \$10 > 60$ → ja.
Clarke-Steuerzahlungen:
Gesamteinnahmen: \$10 + 15 + 5 = 40 < 60$. Es gibt ein Budgetdefizit von 20 — VCG erreicht im Allgemeinen kein Budgetgleichgewicht. Jeder Agent zahlt seinen „pivotalen“ Beitrag.
| Format | Regeln | Gewinner zahlt |
|---|---|---|
| Englisch (aufsteigend) | Bieter erhöhen Gebote; letzter Bieter gewinnt | Zweithöchster Wert (ca.) |
| Holländisch (absteigend) | Preis sinkt, bis jemand zugreift | Sein Gebot |
| Erstpreisauktion mit verdeckten Geboten | Höchstes Gebot gewinnt | Sein Gebot |
| Zweitpreisauktion mit verdeckten Geboten (Vickrey) | Höchstes Gebot gewinnt | Zweithöchstes Gebot |
Die Vickrey-Auktion (Zweitpreisauktion mit verdeckten Geboten) ist DSIC: Die dominante Strategie jedes Bieters ist, seinen wahren Wert $v_i$ zu bieten. Über $v_i$ zu bieten, riskiert einen Gewinn zu einem Preis über dem Wert; unter $v_i$ zu bieten, riskiert einen Verlust, wenn das zweithöchste Gebot unter $v_i$ liegt.
Dies ist ein erstaunliches Ergebnis. Es besagt, dass die scheinbar großen Unterschiede zwischen Auktionsformaten — offen vs. verdeckt, aufsteigend vs. absteigend, Erstpreis vs. Zweitpreis — für den erwarteten Erlös unter diesen Bedingungen irrelevant sind.
Wann die Erlösäquivalenz zusammenbricht:
Legen Sie die Anzahl der Bieter und ihre Wertverteilung fest. Führen Sie einzelne Auktionen durch, um individuelle Ergebnisse zu sehen, oder führen Sie 100 Runden durch, um die Erlösäquivalenz zu beobachten (Durchschnittserlöse konvergieren über Formate). Passen Sie den Risikoaversions-Schieberegler an, um die Äquivalenz zu brechen.
Abbildung 12.3. Auktionsergebnisse. In einzelnen Durchläufen unterscheiden sich die Erlöse zwischen den Formaten aufgrund von Zufälligkeit. Über 100 Durchläufe konvergieren die durchschnittlichen Erlöse — was die Erlösäquivalenz demonstriert. Erhöhen Sie die Risikoaversion ($\rho > 0$), um die Äquivalenz zu brechen: Der Erstpreiserlös steigt über den Zweitpreiserlös.
Wenn der Verkäufer den Erlös maximieren will (nicht die Effizienz), zeigte Myerson, dass der optimale Mechanismus den virtuellen Wert verwendet:
wobei $F$ die Verteilungsfunktion und $f$ die Dichtefunktion der Wertverteilung des Bieters ist.
Die optimale Auktion teilt dem Bieter mit dem höchsten virtuellen Wert zu, vorausgesetzt dieser ist positiv. Wenn alle virtuellen Werte negativ sind, behält der Verkäufer den Gegenstand. Dies impliziert einen Reservepreis — der Verkäufer setzt ein Mindestgebot gleich $\psi^{-1}(0)$.
Werte gleichverteilt auf $[0, 1]$: $F(\theta) = \theta$, $f(\theta) = 1$.
$\psi(\theta) = \theta - (1-\theta)/1 = 2\theta - 1$
$\psi(\theta) = 0 \implies \theta = 1/2$. Optimaler Reservepreis = \$1/2$.
Eine Zweitpreisauktion mit Reserve \$1/2$ ist optimal: Der Gegenstand wird nur verkauft, wenn mindestens ein Bieter ihn über \$1/2$ bewertet.
Für Werte aus der Gleichverteilung$[0, V_{\max}]$ ist der virtuelle Wert $\psi(\theta) = 2\theta - V_{\max}$. Ziehen Sie den Reservepreis-Schieberegler. Die Erlöskurve zeigt den erwarteten Erlös als Funktion des Reservepreises. Der optimale Reservepreis (der den erwarteten Erlös maximiert) ist hervorgehoben.
Abbildung 12.4a. Virtuelle Wertfunktion $\psi(\theta) = 2\theta - 1$ (für $U[0,1]$). Der Reservepreis wird dort gesetzt, wo $\psi(r) = 0$. Bieter mit $\theta < r$ werden ausgeschlossen (rot schattiert).
Abbildung 12.4b. Erwarteter Erlös als Funktion des Reservepreises. Der grüne Punkt markiert den optimalen Reservepreis, der den erwarteten Erlös maximiert. Ihr gewählter Reservepreis wird als blauer Punkt angezeigt.
Eine Regierung vergibt eine Lizenz an eines von zwei Unternehmen. Unternehmen $i$ hat einen privaten Wert $\theta_i \in \{L, H\} = \{10, 50\}$, jeweils gleich wahrscheinlich.
Vorgeschlagener Mechanismus: Zuteilung an das Unternehmen, das den höheren Wert meldet; bei Gleichstand Zuteilung an Unternehmen 1. Zahlung: Der Gewinner zahlt 30.
IC-Prüfung für ein Unternehmen mit hohem Wert ($\theta = 50$):
Wahrheitsgemäße Berichterstattung ist besser. IC gilt für Typ $H$.
IC-Prüfung für ein Unternehmen mit niedrigem Wert ($\theta = 10$):
Wahrheitsgemäße Berichterstattung ist besser. IC gilt für Typ $L$. Der Mechanismus ist anreizkompatibel.
Zwei Bieter mit Werten, die unabhängig aus $U[0, 100]$ gezogen werden.
Zweitpreisauktion: Erwarteter Erlös = $E[\text{zweithöchster Wert}] = 100/3 \approx 33.33$.
Erstpreisauktion: Optimales Gebot bei 2 Bietern: $b(\theta) = \theta/2$. Erwarteter Erlös = $E[\max(b_1, b_2)] = E[\max(\theta_1/2, \theta_2/2)] = E[\max(\theta_1, \theta_2)]/2 = (200/3)/2 = 100/3 \approx 33.33$.
Beide Formate liefern einen erwarteten Erlös von \$100/3$, was die Erlösäquivalenz bestätigt. Die Erstpreisauktion erzeugt weniger variable Erlöse (jeder Gewinner zahlt genau die Hälfte seines Wertes), während die Zweitpreisauktion eine höhere Varianz aufweist (die Zahlung hängt vom zweithöchsten Wert ab, der stark variieren kann).
Intuition: Der Verkäufer möchte seine Kosten übertreiben (um einen höheren Preis zu erzielen). Der Käufer möchte seinen Wert untertreiben (um weniger zu zahlen). Anreizkompatibilität erfordert, beiden Parteien „Informationsrenten“ zu überlassen. Diese Renten sind kostspielig, und bei Budgetausgleich reicht der Überschuss nicht aus, um beide Renten zu zahlen und sicherzustellen, dass alle effizienten Tausche stattfinden.
Reale Verhandlungen unter privater Information — Gehaltsverhandlungen, Gebrauchtwagenkauf, Unternehmensübernahmen — beinhalten stets Ineffizienz. Institutionen wie Festpreise, Reputationssysteme und standardisierte Verträge mildern das Problem, können es aber nicht vollständig beseitigen.
Manche Güter können nicht durch Preise zugeteilt werden — wir verkaufen (oder sollten nicht verkaufen) Schulzulassungen, Organtransplantationen oder Facharztpositionen. Matching-Märkte verwenden stattdessen Algorithmen.
Theorem (Gale & Shapley, 1962). Der Algorithmus terminiert in höchstens $n^2$ Runden und erzeugt eine stabile Zuordnung — kein nicht zugeordnetes Paar zieht sich gegenseitig dem aktuellen Partner vor.
Eigenschaften:
Geben Sie Präferenzlisten für Studierende und Schulen ein. Der Algorithmus animiert jede Runde: Vorschläge, vorläufige Zusagen und Ablehnungen. Geben Sie Präferenzen als kommagetrennte Namen ein (z.B. „W,X,Y,Z“).
Vier Studierende (A, B, C, D) und vier Schulen (W, X, Y, Z). Studierende machen Vorschläge.
| Studierende/r | Präferenzen | Schule | Präferenzen |
|---|---|---|---|
| A | W > X > Y > Z | W | B > A > D > C |
| B | X > W > Y > Z | X | A > B > C > D |
| C | W > Y > X > Z | Y | C > D > A > B |
| D | Y > W > X > Z | Z | D > C > B > A |
Endgültige Zuordnung: A-W, B-X, C-Y, D-Z. Dies ist stabil: Kein Paar möchte abweichen. Nutzen Sie die obige Interaktion zur schrittweisen Überprüfung.
Führen Sie Gale-Shapley mit Studierenden als Vorschlagende vs. Schulen als Vorschlagende aus. Vergleichen Sie die beiden stabilen Zuordnungen. Die vorschlagende Seite erhält stets ihre beste stabile Zuordnung; die antwortende Seite ihre schlechteste.
Alvin Roth (Nobelpreis 2012, geteilt mit Lloyd Shapley) beschreibt dies als „den Ökonomen als Ingenieur“ — die Nutzung ökonomischer Theorie nicht nur zur Erklärung der Welt, sondern zur Gestaltung realer Institutionen, die das Leben der Menschen verbessern.
Die übergeordnete Lektion: Märkte sind keine natürlichen Objekte, die spontan entstehen. Sie sind gestaltete Institutionen — Regeln, Algorithmen und Durchsetzungsmechanismen, die bestimmen, wer was bekommt, zu welchem Preis und durch welchen Prozess. Das Design ist von enormer Bedeutung.
Die Stadt beschließt, das exklusive Recht zum Betrieb eines Limonadenstands an der besten Innenstadtecke zu versteigern. Drei potenzielle Anbieter: Maya ($v_M = 50$/Tag), Nate ($v_N = 35$/Tag), Olivia ($v_O = 20$/Tag). Werte gezogen aus $U[0, 60]$.
Zweitpreisauktion (Vickrey): Die dominante Strategie ist wahrheitsgemäßes Bieten. Maya bietet 50, Nate bietet 35, Olivia bietet 20. Maya gewinnt und zahlt 35.
Optimale Auktion (Myerson): Virtuelle Werte mit $F(\theta) = \theta/60$, $f(\theta) = 1/60$:
$\psi(\theta) = \theta - (60 - \theta) = 2\theta - 60$
Reservepreis: $\psi(\theta) = 0 \implies \theta = 30$.
Mayas virtueller Wert: \$1(50) - 60 = 40$. Nates: \$10$. Olivias: $-20$ (von der optimalen Auktion ausgeschlossen).
In einer Zweitpreisauktion mit Reserve 30: Maya gewinnt und zahlt $\max(35, 30) = 35$.
Roth als „Ökonom als Ingenieur“. Alvin Roth (Nobelpreis 2012) verwandelte das Mechanismusdesign von reiner Theorie in eine praktische Disziplin, die reale Märkte umgestaltet. Seine Arbeit zeigt, dass Märkte gestaltete Institutionen sind, keine Naturphänomene.
Das National Residency Matching Program (NRMP): Roth diagnostizierte, warum das ursprüngliche Facharzt-Matching versagte (Instabilität, strategische Manipulation) und gestaltete es mit aufgeschobener Akzeptanz neu. Das neue System ordnet jährlich ca. 40.000 Facharztpositionen zu.
Nierentausch: Roth, Sönmez und Ünver entwickelten Tauschprotokolle, die es inkompatiblen Spender-Patienten-Paaren ermöglichen, Spender über Transplantationsketten zu tauschen und so Tausende von Leben zu retten. Dies war reines Marktdesign — die Schaffung eines Marktes, wo keiner existierte, ohne Preise zu verwenden.
Schulwahl: Roth und Kollegen ersetzten Bostons manipulierbaren Schulzuweisungsmechanismus durch ein strategiesicheres System. Im alten System wurden Eltern bestraft, die ihre wahren Präferenzen angaben; im neuen System ist Ehrlichkeit stets optimal.
Frequenzauktionen: Milgrom und Wilson (Nobelpreis 2020) entwarfen kombinatorische Auktionen für die FCC, die Milliarden von Dollar einbrachten und gleichzeitig Frequenzlizenzen effizient zuteilten. Die Anreizauktion von 2017 allein brachte 19,8 Milliarden Dollar ein.
Der gemeinsame Faden: Die ökonomische Theorie liefert den Bauplan, aber die Umsetzung erfordert das Verständnis des spezifischen institutionellen Kontexts — die „Details“, von denen die reine Theorie abstrahiert.
You now have the complete toolkit: the welfare theorems told you when markets work (Chapter 11); mechanism design and market design show you what to do when they don't. This is the final stop.
When traditional markets fail — when the welfare theorem conditions don't hold — you can engineer better institutions. The revelation principle says the design space is tractable: focus on direct truthful mechanisms. VCG implements efficient outcomes with dominant-strategy incentives when preferences are quasi-linear. And where prices can't work at all — kidneys can't be bought, school seats can't be auctioned — Gale-Shapley's deferred acceptance produces stable matchings without any monetary transfers. These aren't hypotheticals. Kidney exchange has saved thousands of lives by creating a market where none could exist. School choice redesigns replaced manipulable systems with strategy-proof ones, making honesty the optimal strategy for every parent. Spectrum auctions (Milgrom, Wilson — Nobel 2020) raised billions while allocating licenses efficiently. Roth's "economist as engineer" program demonstrates that economic theory can design real institutions that outperform both unregulated markets and blunt government intervention.
The Myerson-Satterthwaite impossibility is a cold shower for mechanism design optimism: in bilateral trade with private information, no mechanism can simultaneously achieve efficiency, incentive compatibility, individual rationality, and budget balance. This isn't a technical limitation — it's a fundamental impossibility. The success stories of market design (matching, auctions, kidney exchange) share a crucial feature: they operate in structured, well-defined environments where the "rules of the game" are clear and the designer has substantial control. In messier environments — healthcare systems, financial markets, labor markets, macroeconomic policy — the institutional design problem is orders of magnitude harder. The mechanism designer needs to know the distribution of types, the set of feasible allocations, and agents' utility functions. In complex real-world settings, this knowledge is precisely what the designer lacks. The mechanism design revolution may have succeeded in the easy cases while leaving the hard ones untouched.
Market design matured into a pragmatic discipline that takes the limitations seriously. Roth's methodology is explicitly "design, implement, observe, redesign" — not "prove optimality and deploy." The NRMP matching algorithm has been revised multiple times as new problems emerged (couples matching, rural hospital shortages). Spectrum auction formats evolved from simple simultaneous ascending auctions to complex combinatorial designs as the FCC learned from earlier rounds. The profession moved from proving impossibility results to asking: given the impossibilities, what's the best achievable mechanism? Computational mechanism design — integrating algorithmic constraints with incentive constraints — is the active frontier, particularly relevant as digital platforms become the dominant market institutions.
Markets allocate resources efficiently when the welfare theorem conditions hold — and they hold approximately enough to make markets the default for most goods. When they fail, mechanism design offers a genuine alternative: not "let the government decide" but "design an institution whose incentives produce the outcome you want." The success stories are real and important. But mechanism design is not a universal solvent. It works best in structured, well-defined settings. The frontier — digital markets, algorithmic pricing, AI-mediated transactions, platform monopolies — raises questions that existing theory doesn't fully address. The answer to "do markets allocate resources efficiently?" is: yes, when conditions hold; and when they don't, we can sometimes engineer something better — but "sometimes" is doing heavy lifting in that sentence, and the engineering is harder than the theory suggests.
This is the final stop on BQ #7. The arc ran from surplus as benchmark (Ch 3) through market failures (Ch 4), the formal welfare theorems (Ch 11), and now mechanism design. The question "do markets allocate resources efficiently?" turns out to be the wrong question — the right one is "under what conditions, and what can we build when conditions fail?" The answer involves welfare theorems and mechanism design and the practical wisdom that design is constrained by politics, information, and computation. The next frontier is where mechanism design meets behavioral economics (Chapter 19) — agents who aren't fully rational may not respond to incentive-compatible mechanisms the way theory predicts. Bounded rationality may be the binding constraint that mechanism design hasn't yet solved.
Bernie Sanders' rallying cry meets mechanism design: healthcare fails every welfare theorem condition. Can mechanism design do better? Kidney exchange says yes for organs. For the rest of healthcare, the design problem remains unsolved.
MittelstufeKhan's antitrust paradox: platform markets are designed institutions — but designed by the platforms, for the platforms. The consumer welfare standard is blind to it.
Fortgeschritten| Bezeichnung | Gleichung | Beschreibung |
|---|---|---|
| Gl. 12.1 | $U_i(\theta_i, \theta_i) \geq U_i(\hat{\theta}_i, \theta_i)$ für alle $\hat{\theta}_i, \theta_{-i}$ | DSIC |
| Gl. 12.2 | $E[U_i(\theta_i, \theta_i)] \geq E[U_i(\hat{\theta}_i, \theta_i)]$ | BIC |
| Gl. 12.3 | $t_i = \sum_{j \neq i} v_j(a^*(\theta_{-i})) - \sum_{j \neq i} v_j(a^*(\theta))$ | VCG-Zahlung |
| Gl. 12.4 | $\psi(\theta) = \theta - (1-F(\theta))/f(\theta)$ | Myersons virtueller Wert |
Coming in Part V: graduate macro. The models get serious — and so do the policy debates.