Full Information Equivalence in Large Elections¶

作者: Paulo Barelli, Sourav Bhattacharya, Lucas Siga
来源: Econometrica
主题: 经济理论 / 应用
相关性: 3/10
机构绿灯: University of Rochester（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/ecta16376

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的核心问题是：在大型选举（选民数量趋于无穷）中，投票机制能否有效地聚合选民分散的私人信息，使得选举结果（选出的备选方案）趋近于在完全信息下（即所有选民都知道所有信号时）会选出的最优方案。这是一个经典的“信息聚合”（information aggregation）问题，属于机制设计（mechanism design）与政治经济学的交叉领域。当前该领域的成熟度较高，已有大量关于特定投票规则（如多数投票、逐对比较）在特定信息结构下能否聚合信息的结论，但缺乏一个统一的、弱假设下的充要条件框架。

发展脉络（history）¶

根据论文的引言和参考文献，该方向的发展脉络如下：

奠基工作：Condorcet Jury Theorem 与信息聚合的早期模型
- Condorcet (1785)：提出了经典的陪审团定理，指出在二选一（binary）且选民独立拥有相同精度的信号时，多数投票能聚合信息，使正确决策的概率随选民数增加而趋近于1。这是信息聚合问题的起点。
- Feddersen & Pesendorfer (1997, 1998)：将Condorcet Jury Theorem推广到更一般的环境，考虑了选民策略性投票（strategic voting）和偏好异质性（preference heterogeneity）。他们证明了在二选一且信号结构满足某些单调性条件时，多数投票仍能聚合信息。这些工作奠定了现代信息聚合理论的基础。
主要进展：从二选一到多备选方案，从特定规则到一般规则
- McLennan (1998)：首次将信息聚合问题与“完全信息等价”（Full Information Equivalence, FIE）的概念联系起来，并证明了在二选一且选民偏好一致（common preferences）时，任何投票规则都能实现FIE。这为后续研究提供了重要的理论基准。
- Duggan & Martinelli (2001)：将FIE的概念推广到多备选方案（multi-alternative）环境，并证明了在特定条件下，逐对比较（pairwise comparison）规则（如Condorcet winner）能聚合信息。但他们的结论依赖于“偏好一致性”和“信号结构满足单调似然比”等强假设。
- Bhattacharya (2013)：研究了评分规则（scoring rules）下的信息聚合问题，提出了“单调性条件”（monotonicity condition），并证明了在该条件下，某些评分规则（如Borda计数）能聚合信息。但该条件仍较为严格，且未能给出充要条件。
当前Frontier：寻找统一的、弱假设下的充要条件
- Piketty (1999) 和 Alesina, Baqir & Easterly (1999) 等实证工作表明，现实中的选举往往无法完美聚合信息，存在“信息失灵”（information failure）现象。这促使理论家们寻找更一般的、能解释信息失灵的理论框架。
- 本文（Barelli, Bhattacharya & Siga, 2024）：本文正是在此背景下，针对一大类评分规则，提出了一个统一的充要条件——线性细化条件（linear refinement condition）。该条件不依赖于偏好一致性、信号结构的单调性等强假设，而是直接刻画了效用函数与信号分布之间的关系。作者认为，现有文献中许多关于信息聚合的正面结论，可能是在施加了过多结构（如单调性、对称性）后产生的“假阳性”（false positives），而本文的框架能更清晰地识别出哪些情况下信息聚合是真正可能的。

子线索聚类¶

这些被引文献大致落在以下两条子线索上：

线索一：基于特定投票规则与强假设的正面结果
- 代表工作：Condorcet (1785), Feddersen & Pesendorfer (1997, 1998), Duggan & Martinelli (2001), Bhattacharya (2013)。
- 核心内容：这条线索致力于证明在特定的投票规则（如多数投票、逐对比较、特定评分规则）和特定的信息结构（如信号独立同分布、单调似然比、偏好一致性）下，信息可以被聚合。这些结论通常依赖于较强的假设，但为理解信息聚合的机制提供了重要的特例。
线索二：寻找信息聚合的充要条件与识别信息失灵
- 代表工作：McLennan (1998), 本文 (Barelli, Bhattacharya & Siga, 2024)。
- 核心内容：这条线索试图从更一般的角度出发，寻找信息聚合能否发生的根本原因。McLennan (1998) 在二选一且偏好一致时给出了一个充要条件（即任何规则都能实现FIE）。本文则将其推广到多备选方案和一般评分规则，提出了线性细化条件，并指出当该条件不满足时，信息聚合必然失败，从而为“信息失灵”提供了理论解释。

这个方向在追问的核心问题¶

信息聚合的充要条件是什么？：给定一个投票规则（如评分规则）和选民偏好，是否存在一个关于信号分布的、可检验的条件，能完全刻画信息能否被聚合？
信息聚合失败的根本原因是什么？：当信息无法被聚合时，是源于选民偏好的异质性、信号结构的复杂性，还是投票规则本身的缺陷？
如何设计投票规则以促进信息聚合？：是否存在某种“最优”的投票规则，能在最广泛的条件下实现信息聚合？
现有正面结论的稳健性如何？：许多正面结论依赖于强假设（如单调性、对称性），这些假设在现实中是否合理？如果放松这些假设，正面结论是否仍然成立？

⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）¶

作者把缺口 frame 成什么：作者认为，现有文献中关于信息聚合的正面结论（如Bhattacharya (2013)的单调性条件）是在“施加了过多结构”（imposing too much structure）的环境下得到的，这些结构可能掩盖了信息聚合失败的真实原因。因此，本文的贡献是提供了一个“统一的、弱假设下的理论框架”（a unified framework under weak assumptions），通过引入“线性细化条件”来刻画信息聚合的充要条件，从而“警示假阳性问题”（caution against potential false positives）。
哪些竞争路线被他淡化或回避了：作者明确将研究范围限定在评分规则（scoring rules） 上，并假设选民是策略性投票者（strategic voters）。他们淡化了其他类型的投票规则（如逐对比较、批准投票）和选民行为假设（如诚实投票、回溯性投票）。此外，他们假设信号是条件独立于状态的，回避了信号之间存在复杂依赖结构的情况。
什么明显该被引 / 该存在、却没出现在 intro 里？：从引言和参考文献看，作者引用了该领域几乎所有关键文献。一个可能的遗漏是关于“信息聚合与计算复杂性”的交叉研究。例如，是否存在某些投票规则，虽然理论上能聚合信息，但其均衡的计算复杂度极高，以至于在现实中不可行？这个方向与研究者对“统计-计算权衡”的兴趣高度相关，但本文并未涉及。

张力¶

未见明显对立引用。该领域的工作基本是互补的，不同文献在假设和结论上虽有差异，但并未出现根本性的矛盾。例如，Bhattacharya (2013)的单调性条件与本文的线性细化条件之间的关系是：前者是后者的一个充分但非必要条件。作者在文中明确指出了这一点，并给出了一个满足线性细化条件但不满足单调性条件的例子，从而展示了本文框架的推广性。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- 状态空间：\(\Theta = \{1, \dots, K\}\)，代表 \(K\) 个可能的世界状态（states）。例如，\(\theta = 1\) 表示“候选人A是最优的”。
- 备选方案集：\(A = \{a_1, \dots, a_M\}\)，代表 \(M\) 个备选方案（alternatives）。例如，\(a_1\) 代表“候选人A”。
- 信号空间：\(S\)，代表选民可能收到的私人信号（private signals）。例如，\(s \in S\) 可以是“候选人A的演讲表现很好”。
- 选民：\(i = 1, \dots, N\)，\(N\) 是选民总数，趋于无穷。
- 信号分布：\(P(\cdot | \theta)\)，给定状态 \(\theta\) 下，信号 \(s\) 的条件分布。这是已知的（common knowledge）。
- 先验分布：\(\mu(\theta)\)，状态 \(\theta\) 的先验概率。这是已知的。
- 效用函数：\(u(a, \theta)\)，当选民是状态 \(\theta\) 时，选择备选方案 \(a\) 所获得的效用。这是已知的，且所有选民共享相同的效用函数（common preferences）。
- 投票规则：一个评分规则（scoring rule），由向量 \(r = (r_1, \dots, r_M)\) 定义，其中 \(r_j\) 是选民给排名第 \(j\) 的备选方案分配的分数。例如，Borda计数中，\(r = (M-1, M-2, \dots, 0)\)。
- 策略：\(\sigma: S \rightarrow \Delta(A)\)，一个从信号到备选方案（或混合策略）的映射，代表选民如何根据其私人信号投票。
- 均衡：一个对称贝叶斯纳什均衡（Symmetric Bayesian Nash Equilibrium, SBNE），其中每个选民在给定其信号和其他选民策略的情况下，最大化其期望效用。
- 完全信息等价（Full Information Equivalence, FIE）：一个均衡 \(\sigma\) 被称为实现FIE，如果随着 \(N \rightarrow \infty\)，选举结果（得票最多的备选方案）以概率1收敛到在完全信息下（即所有信号都被公开）的最优备选方案。完全信息下的最优方案是：\(a^*(\theta) = \arg\max_a u(a, \theta)\)。
模型：
- 数据生成机制：自然首先根据先验 \(\mu\) 抽取一个状态 \(\theta\)。然后，每个选民 \(i\) 独立地从条件分布 \(P(\cdot | \theta)\) 中抽取一个私人信号 \(s_i\)。选民们知道 \(\mu\) 和 \(P\)，但不知道 \(\theta\)。他们根据私人信号 \(s_i\) 和投票规则 \(r\)，策略性地投票。
- 统计模型：这是一个不完全信息博弈模型。关键假设是：信号是条件独立同分布的，且所有选民具有共同偏好（即相同的效用函数 \(u\)）。这些假设是本文分析的基础。
- 要估的对象：本文不涉及参数估计。其目标是识别（identification）一个条件，在该条件下，均衡选举结果能渐近地揭示出真实状态 \(\theta\) 下的最优备选方案 \(a^*(\theta)\)。
可观测数据：
- 可观测：研究者可以观测到选举结果（每个备选方案获得的票数），以及投票规则 \(r\)。在理论分析中，研究者还知道模型的所有参数：\(\mu\), \(P\), \(u\)。
- 不可观测：每个选民的真实信号 \(s_i\) 是私人信息，不可观测。真实状态 \(\theta\) 也是不可观测的。研究者只能通过选举结果来推断 \(\theta\)。

第二步：讲最小内核¶

本文的核心思路可以用一个最简单的二选一（\(M=2\)）、二状态（\(K=2\)）、二信号（\(S=\{s_1, s_2\}\)） 的例子来理解。

设定：
- 状态：\(\Theta = \{1, 2\}\)。备选方案：\(A = \{a_1, a_2\}\)。效用函数：\(u(a_1, 1) = 1, u(a_2, 1) = 0; u(a_1, 2) = 0, u(a_2, 2) = 1\)。即，状态1下 \(a_1\) 最优，状态2下 \(a_2\) 最优。
- 信号：\(S = \{s_1, s_2\}\)。信号分布：\(P(s_1 | 1) = 0.9, P(s_2 | 1) = 0.1; P(s_1 | 2) = 0.1, P(s_2 | 2) = 0.9\)。即，信号 \(s_1\) 是状态1的“好信号”，\(s_2\) 是状态2的“好信号”。
- 投票规则：多数投票（Majority rule），即每个选民投一票给一个备选方案，得票多者胜出。这可以看作是一个评分规则，其中 \(r = (1, 0)\)（第一名得1分，第二名得0分）。
核心问题：在这个例子中，随着选民数 \(N \rightarrow \infty\)，多数投票能否实现FIE？即，选举结果是否以概率1收敛到真实状态下的最优方案？
直觉与答案：
- 直觉：每个选民根据其私人信号投票。如果信号是“好”的（\(s_1\)），他投给 \(a_1\)；如果信号是“坏”的（\(s_2\)），他投给 \(a_2\)。由于信号是条件独立的，根据大数定律，当 \(N\) 很大时，投给 \(a_1\) 的选民比例会趋近于 \(P(s_1 | \theta)\)。如果 \(\theta=1\)，这个比例是0.9；如果 \(\theta=2\)，这个比例是0.1。因此，多数投票总能选出正确的方案。信息被聚合了。
- 为什么？：因为在这个例子中，效用函数 \(u(a, \theta)\) 与信号分布 \(P(s | \theta)\) 之间存在一种“线性”关系。具体来说，我们可以构造一个关于信号分布线性的效用函数 \(\tilde{u}(a, P(\cdot | \theta))\)，使得它和原始效用函数 \(u(a, \theta)\) 共享相同的“最优备选方案”。例如，令 \(\tilde{u}(a_1, P(\cdot | \theta)) = P(s_1 | \theta)\)，\(\tilde{u}(a_2, P(\cdot | \theta)) = P(s_2 | \theta)\)。那么，当 \(\theta=1\) 时，\(\tilde{u}(a_1, \cdot) = 0.9 > 0.1 = \tilde{u}(a_2, \cdot)\)，所以 \(a_1\) 最优；当 \(\theta=2\) 时，\(\tilde{u}(a_1, \cdot) = 0.1 < 0.9 = \tilde{u}(a_2, \cdot)\)，所以 \(a_2\) 最优。这与原始效用函数 \(u\) 的结论完全一致。这个线性效用函数的存在，就是“线性细化条件”的核心。
反例（信息失灵）：
- 修改效用函数：\(u(a_1, 1) = 1, u(a_2, 1) = 0; u(a_1, 2) = 0.5, u(a_2, 2) = 1\)。即，在状态2下，\(a_2\) 仍然最优，但 \(a_1\) 的效用不再是0，而是0.5。
- 现在，我们还能找到一个关于信号分布线性的效用函数 \(\tilde{u}\)，使得它和 \(u\) 共享最优方案吗？假设 \(\tilde{u}(a_1, P(\cdot | \theta)) = \alpha P(s_1 | \theta) + \beta P(s_2 | \theta)\)，\(\tilde{u}(a_2, P(\cdot | \theta)) = \gamma P(s_1 | \theta) + \delta P(s_2 | \theta)\)。我们需要：
  - 当 \(\theta=1\) 时：\(\tilde{u}(a_1, \cdot) > \tilde{u}(a_2, \cdot)\)，即 \(0.9\alpha + 0.1\beta > 0.9\gamma + 0.1\delta\)。
  - 当 \(\theta=2\) 时：\(\tilde{u}(a_1, \cdot) < \tilde{u}(a_2, \cdot)\)，即 \(0.1\alpha + 0.9\beta < 0.1\gamma + 0.9\delta\)。
- 这是一个线性不等式组。可以证明，这个不等式组无解。因此，线性细化条件不成立。在这种情况下，作者证明，随着 \(N \rightarrow \infty\)，多数投票无法实现FIE。选举结果会以正概率收敛到错误的方案（例如，在状态2下，\(a_1\) 可能以正概率胜出）。信息失灵了。
最小内核总结：
- 本文的核心数学问题：给定一个评分规则和共同偏好，是否存在一个关于信号分布线性的效用函数，与原始效用函数共享相同的最优备选方案？
- 关键想法：如果存在这样的线性效用函数，那么选民就可以通过“计算”这个线性函数的期望值（通过投票）来渐近地揭示真实状态下的最优方案。如果不存在，那么任何投票规则都无法完美聚合信息。
- 为什么难：这个条件看似简单，但它将信息聚合问题从复杂的博弈论均衡分析，转化为一个纯粹的线性代数问题（检查一组线性不等式是否有解）。这大大简化了分析，并提供了一个统一的、可检验的充要条件。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文研究在大型选举（选民数趋于无穷）中，对于一大类评分规则（scoring rules），私人信息能否被渐近聚合（即实现完全信息等价，FIE）的充要条件。
核心工具 / 方法：作者提出了一个称为线性细化条件（linear refinement condition） 的可行性条件，该条件将信息聚合问题转化为一个关于效用函数和信号分布的线性代数问题。
主要结论：线性细化条件是信息聚合的充要条件。当该条件成立时，存在一个均衡实现FIE；当该条件不成立时，任何均衡都无法实现FIE。该结果统一并推广了现有文献中的许多结论，并揭示了在强假设下可能出现的假阳性问题。

关键设定与假设¶

在第二节最小记号的基础上，本文的完整设定如下：

设定：
- 状态空间：\(\Theta\) 是有限集，\(|\Theta| = K\)。
- 备选方案集：\(A\) 是有限集，\(|A| = M\)。
- 信号空间：\(S\) 是有限集，\(|S| = L\)。
- 先验：\(\mu \in \Delta(\Theta)\)，严格为正。
- 信号分布：\(P \in \Delta(S)^\Theta\)，即每个状态对应一个信号分布。假设 \(P(s|\theta) > 0\) 对所有 \(s, \theta\) 成立（全支撑假设）。
- 效用函数：\(u: A \times \Theta \rightarrow \mathbb{R}\)，所有选民共享。
- 投票规则：一个评分规则，由向量 \(r = (r_1, \dots, r_M)\) 定义，其中 \(r_1 \ge r_2 \ge \dots \ge r_M\)，且 \(r_1 > r_M\)。选民根据其信号对备选方案进行排序，并给排名第 \(j\) 的方案分配 \(r_j\) 分。总得分最高的方案胜出。
- 选民行为：选民是策略性的，他们投票以最大化其期望效用，并形成对称贝叶斯纳什均衡（SBNE）。
关键假设：
1. 共同偏好（Common Preferences）：所有选民具有相同的效用函数 \(u\)。这是本文最核心的假设之一，它排除了选民之间因利益冲突而导致的信息聚合失败。
2. 条件独立同分布信号（Conditionally i.i.d. signals）：给定状态 \(\theta\)，选民的信号是独立同分布的。这是大数定律得以应用的基础。
3. 全支撑信号（Full support signals）：\(P(s|\theta) > 0\) 对所有 \(s, \theta\) 成立。这个技术性假设确保了贝叶斯更新是良定义的，且避免了边界情况。
4. 评分规则（Scoring rules）：本文的分析限定在评分规则上，这是对投票规则的一种常见且重要的分类。作者在脚注中讨论了将结果推广到其他规则的可能性。
相比已有文献的放宽或强化：
- 放宽：相比Duggan & Martinelli (2001)和Bhattacharya (2013)，本文不要求信号分布满足单调似然比（MLRP）或偏好满足单调性条件。线性细化条件是一个更弱的条件。
- 强化：本文要求共同偏好，而一些文献（如Feddersen & Pesendorfer (1997)）允许偏好异质性。这是本文框架的一个局限，也是未来研究的方向。

主要结果¶

本文的主要结果是定理1和定理2，它们共同构成了信息聚合的充要条件。

定理1（充分性）：如果线性细化条件成立，那么存在一个对称贝叶斯纳什均衡，该均衡实现完全信息等价（FIE）。
- 陈述：存在一个关于信号分布线性的效用函数 \(\tilde{u}: A \times \Delta(S) \rightarrow \mathbb{R}\)，使得对所有 \(\theta \in \Theta\)，\(\arg\max_{a \in A} \tilde{u}(a, P(\cdot|\theta)) = \arg\max_{a \in A} u(a, \theta)\)。那么，存在一个SBNE，其中每个选民根据 \(\tilde{u}\) 来投票，并且随着 \(N \rightarrow \infty\)，选举结果以概率1收敛到完全信息下的最优方案。
- 直觉：如果存在这样的线性效用函数，那么选民可以将其视为一个“虚拟的”效用函数。由于它是线性的，选民可以通过计算其期望值（即 \(\mathbb{E}[\tilde{u}(a, \cdot) | s_i]\)）来做出最优决策。而由于信号是条件独立的，大数定律保证了这些期望值的平均值（即选举结果）会收敛到真实状态下的最优方案。
- 必要条件：线性细化条件成立。
- 解决的技术难点：如何构造一个均衡，使得选民的行为是策略性最优的，同时又能实现信息聚合。作者通过构造一个“基于线性效用函数的诚实投票”均衡来解决这个问题。
定理2（必要性）：如果线性细化条件不成立，那么任何对称贝叶斯纳什均衡都无法实现完全信息等价（FIE）。
- 陈述：如果不存在上述的线性效用函数 \(\tilde{u}\)，那么对于任何SBNE，随着 \(N \rightarrow \infty\)，选举结果以正概率收敛到一个非最优的备选方案。
- 直觉：如果线性细化条件不成立，那么任何试图通过投票来聚合信息的努力都会失败。因为选民无法通过一个线性的“代理”来正确评估不同状态下的最优方案，他们的策略性投票行为会导致系统性偏差。
- 必要条件：线性细化条件不成立。
- 解决的技术难点：如何证明信息聚合的失败是不可避免的，而不仅仅是某个特定均衡的失败。作者使用了一个精巧的论证，将问题转化为一个关于“信号分布与效用函数”的线性规划对偶问题，并证明了当线性细化条件不成立时，任何均衡都会导致信息失灵。

证明路线与技术技巧¶

整体路线：
1. 定义线性细化条件：首先，作者严格定义了线性细化条件，即存在一个线性函数 \(\tilde{u}\) 与 \(u\) 共享最优方案。
2. 充分性证明（定理1）：
  - 步骤1：假设线性细化条件成立，即存在 \(\tilde{u}\)。
  - 步骤2：构造一个“诚实投票”均衡：每个选民根据 \(\tilde{u}\) 来对备选方案进行排序，并按照评分规则投票。作者证明这是一个SBNE，因为给定其他选民的行为，每个选民的最佳反应也是根据 \(\tilde{u}\) 投票。
  - 步骤3：应用大数定律：随着 \(N \rightarrow \infty\)，每个备选方案 \(a\) 获得的平均分数收敛到 \(\mathbb{E}[\tilde{u}(a, \cdot) | \theta]\)。由于 \(\tilde{u}\) 与 \(u\) 共享最优方案，得分最高的方案就是完全信息下的最优方案。因此，FIE实现。
3. 必要性证明（定理2）：
  - 步骤1：假设线性细化条件不成立。
  - 步骤2：利用对偶性（duality），将线性细化条件的不成立转化为一个关于“信号分布与效用函数”的线性不等式系统无解。
  - 步骤3：证明任何SBNE都会导致一个“信息失灵”的结果。核心论证是：如果信息能被聚合，那么选举结果必须能揭示真实状态。但线性细化条件不成立意味着，不存在一个线性的方式将信号分布映射到最优方案上。因此，任何均衡都会在某些状态下产生系统性偏差。
  - 步骤4：通过构造一个“坏状态”的例子，证明在那些状态下，选举结果会以正概率收敛到错误的方案。
关键跳跃点：
- 从博弈论到线性代数：最关键的跳跃是将信息聚合问题从复杂的博弈论均衡分析，转化为一个纯粹的线性代数问题（检查线性不等式组是否有解）。这个转化是通过“线性细化条件”实现的，它抓住了信息聚合的本质：选民需要一种“线性”的方式来评估不同状态下的方案优劣。
- 必要性证明中的对偶论证：必要性证明中，作者巧妙地利用了线性规划的对偶性。线性细化条件不成立等价于一个对偶系统有解，而这个对偶系统的解直接对应着一种“信息失灵”的模式。这个论证是本文技术上的亮点。
技术技巧点名：
- 线性规划与对偶性（Linear Programming & Duality）：这是本文最核心的技术工具。线性细化条件本身就是一个线性不等式系统，其可解性可以通过对偶性来刻画。必要性证明中，对偶系统的解被用来构造信息失灵的例子。
- 大数定律（Law of Large Numbers）：用于证明在充分性条件下，选举结果会收敛到期望值。
- 博弈论均衡概念（Game-theoretic equilibrium concepts）：SBNE是分析选民策略性行为的标准工具。

真实例子与应用¶

本文为纯理论，无实证例子。作者在文中通过一些数值例子（如第二节中的二选一反例）来直观展示线性细化条件的含义和信息失灵的可能性，但这些例子是理论构造，并非基于真实数据。

🔎 结论是否比证明窄¶

窄化点：本文的结论严格限定在共同偏好和评分规则下。作者在结论部分明确指出，将结果推广到偏好异质性或非评分规则（如逐对比较）是未来研究的方向。因此，论文的结论并不比证明更宽泛，作者对结论的适用范围有清晰的界定。
潜在泛化：作者在脚注中暗示，线性细化条件可能适用于更一般的投票规则，但并未给出严格证明。这是一个值得注意的“conjecture”而非“claim”。

四、开放问题¶

偏好异质性下的信息聚合：本文的核心假设是共同偏好。如果选民具有不同的效用函数（即存在利益冲突），线性细化条件是否仍然是信息聚合的充要条件？或者需要引入新的条件？（扎根于：论文结论部分明确将“heterogeneous preferences”列为未来工作）。
非评分规则下的信息聚合：本文的分析限定在评分规则。对于其他常见的投票规则，如逐对比较（Condorcet winner）、批准投票（approval voting）等，是否存在类似的充要条件？线性细化条件是否仍然适用？（扎根于：论文脚注中提及“extending our results to other voting rules is an interesting direction”）。
信号结构依赖性的放松：本文假设信号是条件独立的。如果信号之间存在复杂的依赖结构（如网络效应、共同冲击），信息聚合的条件会如何变化？（扎根于：论文引言中提及“conditional independence”是标准假设，但未讨论其放松）。
计算复杂性视角：本文证明了线性细化条件成立时，存在一个实现FIE的均衡。但找到这个均衡（即计算最优策略）的计算复杂度如何？是否存在某些满足线性细化条件的投票规则，其均衡的计算是困难的（例如，属于PPAD-complete类）？（扎根于：本文未涉及计算复杂性，但这是研究者感兴趣的“统计-计算权衡”方向的一个自然延伸）。

Maintained by 陈星宇 · Homepage · Source on GitHub