拍卖模型的结构估计：从 IPV 均衡出价到 GPV 非参数识别

01 经济环境与 IPV 假设

1.1 四种基本拍卖形式

1.2 独立私人价值 (IPV) 框架

在 IPV 模型中，$N$ 个投标人各自拥有对拍卖品的私人估值 $v_1,\ldots,v_N$，这些估值 i.i.d. 抽取自分布 $F(\cdot)$，密度 $f(\cdot)$，支撑 $[\underline{v},\bar{v}]$。投标人知道自己的 $v_i$，只知道对手估值 i.i.d. 自 $F$，独立决定出价 $b_i=\beta(v_i)$。收入等价定理 (Riley-Samuelson 1981) 告诉我们：在 IPV、风险中性、对称、独立估值、保留价以下无人出价的条件下，四种形式给卖者的期望收入相同。

1.3 每个假设的解读

• 为什么 IPV（而非公共价值 CV）：拍卖品价值只取决于自己的偏好（如画作、艺术品、自家改建用的木材），别人的信息不影响我对它的评价。若拍卖品价值对所有人相同但未知（如石油租约、木材储量），则是 CV，均衡必须含诅咒修正。IPV 假设越强，GPV 反推公式越直接。
• 为什么对称：所有投标人估值同分布 $F$、出价函数相同。若不对称（如圈内人 vs 局外人），需要估计 $F_i$ 与非对称均衡，识别困难得多。
• 风险中性的影响：风险中性时压价幅度仅由策略性考虑决定；若投标人风险厌恶（CRRA），FPSB 下出价更高、卖方收入上升，收入等价定理失效，需要额外估计风险厌恶参数。
• $N$ 外生给定：GPV 公式中 $N$ 是已知的场次投标人数。现实中 $N$ 可能由参与成本内生选择，需要用选择模型修正（Athey-Haile 2002）。
• 无参与成本/无拍卖者串谋：GPV 默认投标人独立决策、无合谋。现实中政府采购拍卖常有围标，此时观测到的出价分布是"串谋均衡"而非竞争均衡，反推出的 $F$ 是串谋后的成本分布，不能直接用于设计反事实机制。

这组假设共同界定了 GPV 适用的"理想拍卖"：对称、独立、风险中性、外生参与、竞争博弈。一旦数据偏离其中任何一条（如石油拍卖的 CV、政府采购的 $N$ 内生、网上拍卖的风险厌恶），就必须在 GPV 框架上叠加对应扩展模型，而不能直接套用伪估值公式。这也是为什么现代拍卖结构估计论文几乎都要先做一组"模型设定检验"（IPV vs CV、对称 vs 非对称、风险中性 vs 厌恶）。

02 第一价格拍卖均衡出价推导

2.1 投标人的优化问题

考虑对称、单调、可微的均衡出价函数 $b=\beta(v)$，反函数 $v=\beta^{-1}(b)\equiv\xi(b)$。估值为 $v$ 的投标人选 $b$ 最大化期望利润：

第 1 步（对 $b$ 求导，乘积法则）：记 $G(b)=[F(\xi(b))]^{N-1}$，则 $\partial\Pi/\partial b=-G(b)+(v-b)G'(b)=0$。

第 2 步（在均衡处 $\xi(b)=v$）：$G(v)=F(v)^{N-1}$，$G'(v)=(N-1)F(v)^{N-2}f(v)\xi'(b)$。由反函数求导 $\xi'(b)=1/\beta'(v)$，代入得：

第 3 步（整理为 ODE）：两边乘 $\beta'(v)$ 并除以 $F(v)^{N-2}$，在均衡 $b=\beta(v)$ 处化简得 ODE：

边界条件 $\beta(\underline{v})=\underline{v}$（最低估值者出价等于估值，无利润）。积分因子 $F(v)^{N-1}$，解出闭式：

经济学直觉：压价幅度等于"在自己是最高估值的条件下，对第二高估值的期望"。投标人越多 ($N\to\infty$)，压价越小、出价越接近估值；$N=1$ 时 $b=\underline{v}$，买方拿走全部剩余。

03 识别问题：从出价到估价

结构拍卖估计的根本识别困难：我们只看到出价 $b$，看不到估价 $v$。在均衡映射 $b=\beta(v)$ 下，出价的边际分布 $G_B(b)$ 与估价分布 $F(v)$ 之间是一对多关系吗？GPV (2000) 的核心结论是：在对称、单调、可微的 FPSB 均衡下，$F$ 被 $G_B$ 唯一非参数识别。

推导：均衡处 $b=\beta(v)$，故 $G_B(b)=\Pr(B\le b)=\Pr(V\le v)=F(v)$（单投标人出价的边际分布），且 $g_B(b)=(N-1)F(v)^{N-2}f(v)\beta'(v)$。把一阶条件反过来，解出 $v$ 作为 $(b,G_B,g_B,N)$ 的函数——这就是 GPV 反演公式。关键识别条件：(a) 均衡单调可微（逆函数存在）；(b) $N$ 已知；(c) 投标人对称。三者缺一，$F$ 不可识别或需要参数化。

04 GPV (2000) 非参数三步法

Guerre, Perrigne & Vuong (2000, Econometrica) 的里程碑贡献：只观测出价即可非参数识别 $F$。把一阶条件反过来写：

05 结构 MLE 与 SMM

5.1 参数 MLE

若假设 $F(\cdot;\theta)$ 参数化（如对数正态 $\ln v\sim N(\mu,\sigma^2)$），出价分布由 $b=\beta(v;\theta)$ 严格推出。由变量变换法，出价密度 $g_B(b;\theta)=f(\xi(b);\theta)\,\xi'(b)$，其中 $\xi'(b)=1/\beta'(\xi(b))$ 为 Jacobian。

对 $\theta$ 最大化即可。缺点：需显式求反函数 $\xi(b)$ 与 $\xi'(b)$；当 $\beta(v)$ 无解析解（CRRA 风险厌恶、私人信号偏差）时计算困难。

5.2 模拟矩 (SMM)

结构模型无法解析求解时用 SMM：从 $F(\cdot;\theta)$ 抽样 $R$ 次模拟 $R$ 场拍卖，按均衡出价函数生成模拟出价，计算数据矩（均值、方差、分位数、最高与第二高出价差）与模拟矩的加权距离最小化。Laffont-Ossard-Vuong (1995) 的 SNLLS 即此思路。

06 升价拍卖与二级价格拍卖的识别差异

二级价格 (Vickrey) 与英式升价拍卖下，弱占优策略是说真话：$b_i=v_i$。这意味着投标人的出价直接等于其私人估值，无需 GPV 反演——观测到的出价分布就是估价分布，识别是平凡的。这与 FPSB 形成鲜明对比：FPSB 中 $b\lt v$，必须用 GPV 把"压掉的部分"加回来。

但升价拍卖也有自身的识别难题：在英式拍卖中，投标人按顺序退出，我们通常只观测到成交价（次高退出价）而非所有投标人的完整退出价。若只能看到成交价格序列，识别的是次序统计量的分布，而非完整 $F$，需要额外假设。Milgrom-Weber (1982) 证明在关联价值 (affiliated values) 下，升价拍卖收入严格高于 FPSB（信息联动效应），因为升价过程中投标人通过观察他人退出价更新自己的估值。

07 数据要求与应用解读

7.1 数据要求

GPV/MLE 估计需要拍卖数据集，至少包含：

常用数据：eBay 网上拍卖、美国联邦海上石油租赁 (Hendricks-Porter)、木材拍卖 (Athey-Levin)、中国政府采购公开招标、农产品拍卖。FPSB 与升价拍卖的数据结构不同，代码不能混用。此外，网上拍卖常包含"立即购买"选项（buy-it-now），这偏离了纯拍卖博弈，需要把选择 buy-it-now 的投标人单独建模。

7.2 应用解读与反事实

• 最优保留价：估计 $\hat{F}$ 后，卖方选择 $r$ 最大化期望收入 $r[1-F(r)]^{N}+\int_{\underline v}^{r} v\,dF(v)^{N}$。对 $r$ 求一阶条件，得 Myerson (1981) 最优保留价：

• 收益比较：用 $\hat{F}$ 反事实比较 FPSB vs English vs SPSB 的期望收入。IPV 下收入等价；CV/关联价值下 English 收入最高。
• 投标人剩余：$E[v-b]=E[\frac{1}{N-1}G_B(b)/g_B(b)]$，即伪估值与出价之差的期望。用于评估拍卖是否过度压价。
• 改变参与人数：反事实 $N=10$ 时卖方收入如何变化（见代码）。

实务上，政府采购与国有资产处置最关心两个问题：(a) 现行保留价是否过低，导致国有资产贱卖；(b) 改用网上英式拍卖能否比纸质密封拍卖增加财政收入。结构估计给出的答案是定量的：用 GPV 估计出的成本分布 $\hat{F}$，分别在现行规则与反事实规则下模拟数千场拍卖，比较期望收入与投标人剩余。与简单的"拍卖前后收入对比"相比，结构反事实的优势在于它控制了拍卖品异质性与参与人数的变化，把"机制改变"的纯效应识别出来。

08 完整代码：GPV 非参数估计

# ============================================================
# GPV (2000) 第一价格拍卖非参数结构估计
# 1. 模拟 IPV 均衡出价  2. KDE 估计 G_B, g_B
# 3. 反推伪估值 v_hat  4. 反事实收入
# ============================================================
import numpy as np
from scipy.stats import gaussian_kde

np.random.seed(42)
N = 5; T = 2000
# 真实: v ~ Uniform[0,1], FPSB 均衡 b(v) = (N-1)/N * v
def true_bid(v, N): return (N-1)/N * v

bids = np.zeros((T, N)); true_v = np.zeros((T, N))
for t in range(T):
    v = np.random.uniform(0, 1, size=N)
    true_v[t] = v; bids[t] = true_bid(v, N)
bids_pooled = bids.flatten()

# 第一步: 核密度估计 g_B
kde_g = gaussian_kde(bids_pooled, bw_method='silverman')
def emp_cdf(b, data): return np.mean(data <= b)

# 第二步: 伪估值 v_hat = b + 1/(N-1) * G_B(b)/g_B(b)
def pseudo_value(b, N, kde, data):
    Gb = emp_cdf(b, data); gb = kde(b)[0]
    if gb < 1e-6: return np.nan
    return b + (1.0/(N-1)) * (Gb/gb)

v_hat = np.array([pseudo_value(b, N, kde_g, bids_pooled) for b in bids_pooled])
v_hat = v_hat[~np.isnan(v_hat)]

print("GPV 估计 (真实 v~U[0,1], N=5):")
print(f"  伪估值均值 {np.mean(v_hat):.3f} (真实 0.500)")
print(f"  伪估值标准差 {np.std(v_hat):.3f} (真实 0.289)")
print(f"  10%分位 {np.percentile(v_hat,10):.3f} (真实 0.100)")

# 第三步: 反事实收入 (FPSB 收入 = 次高估值期望)
def expected_revenue(v_dist, N_new, R=10000):
    draws = np.random.choice(v_dist, size=(R, N_new), replace=True)
    return np.mean(np.sort(draws, axis=1)[:, -2])

print(f"\nN=5 期望卖方收入 {expected_revenue(v_hat, N):.3f} (理论 4/6≈0.667)")
print(f"N=10 反事实收入 {expected_revenue(v_hat, 10):.3f} (理论 9/11≈0.818)")

09 论文案例与常见错误

9.1 经典论文

9.2 常见错误

方程总清单 / Equation Summary

本页全部方程按出现顺序汇总如下，共 9 个。每个方程均可在正文中找到对应的变量定义、设定理由与经济直觉。