Modern nationalekonomisk teori bygger till stor del på spelteori, ett matematiskt ramverk för att beskriva och analysera interaktiva beslutssituationer. Trots sitt namn kan spelteori tillämpas inte bara på klassiska spel som poker och schack utan på praktiskt taget alla former av sociala och ekonomiska interaktioner – oavsett om de inbegriper samarbete eller konflikter, på marknader såväl som i organisationer.
När man använder spelteori för att förklara eller förutsäga sociala utfall, utgår nationalekonomer ofta ifrån antaganden om jämvikt, i synnerhet Nashjämvikt. Människor modelleras som att de väljer bland strategier och när ingen part har något incitament att ensidigt ändra sin strategi sägs strategierna bilda en Nashjämvikt. En stor experimentell litteratur har funnit att Nashjämvikt verkligen beskriver beteende väl i många spel, förutsatt att försökspersonerna har haft tillräcklig erfarenhet av spelet och har fått tillräcklig återkoppling.
För att förstå när jämvikt är ett rimligt antagande behövs empiriskt grundade modeller för att förutsäga utfallet av mänsklig inlärning i spel. Trots en omfattande litteratur råder det fortfarande ingen konsensus om vilka modeller som bäst beskriver interaktiv inlärning. Detta beror dels på brist på digitaliserade allmänt tillgängliga data över inlärning i spel, dels på brister hos de statistiska metoder med vilka modellerna skattas och utvärderas.
I detta projekt kommer vi att utveckla en ny statistisk metod, samt skapa ett omfattande nytt experimentellt datamaterial, som sedan kommer offentliggöras. Därmed kommer vi att bättre kunna skatta och jämföra existerande modeller av inlärning. Vi kommer dessutom kunna identifiera brister i existerande modeller som ligger till grund för utveckling av nya modeller.
