发表机构
The Chinese University of Hong Kong; University of North Carolina at Chapel Hill; Hong Kong University of Science and Technology（香港中文大学; 北卡罗来纳大学教堂山分校; 香港科技大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文研究委托人无先验时如何设计授权规则以最小化最坏遗憾，提出结合默认行动、固定差距与随机边界自由裁量区间的结构，并证明其在随机激励相容机制中最优。
AI 中文摘要
在决策过程中，委托人依赖持有信息的、存在偏见的代理人。在没有关于可能出现的各种情形之先验分布的情况下，委托人设计一种授权规则，以最小化最坏情况下的遗憾。最优授权结合了一个默认行动、一个高于默认行动的固定差距，以及一个具有随机边界的高层自由裁量区间。这一结构区分了两个边际：决策是否偏离默认行动，以及代理人若偏离时所获得的自由裁量权大小。默认行动与固定差距限制了在无需过多调整时的过度调整，而高层区间则在需要较大调整时保留了灵活性。对自由裁量区间的下限和上限进行随机化，可对冲委托人在潜在最坏情形下的风险暴露。在所有随机激励相容机制中，该规则是最优的。
英文摘要
A principal relies on information held by a biased agent in decision-making. Without a prior over the circumstances that may arise, she designs a delegation rule to minimize the worst-case regret. Optimal delegation combines a default action, a fixed gap above it, and a higher discretionary interval with random boundaries. This structure separates two margins: whether the decision departs from the default and how much discretion the agent receives conditional on doing so. The default and gap limit excessive adjustment when little adaptation is warranted, while the higher interval preserves flexibility when larger adjustments are needed. Randomizing the discretionary interval's floor and ceiling hedges the principal's exposure across potential worst-case states. This rule is optimal among all stochastic incentive-compatible mechanisms.
