我的笔记

Amelio_2022_CognitiveUncertainty_Overconfidence

更新于 2026/7/5

Cognitive Uncertainty and Overconfidence

元信息

  • 作者: Andrea Amelio
  • 年份: 2022
  • 期刊/来源: ECONtribute Discussion Paper No. 173, University of Bonn and University of Cologne
  • 关键词: Cognitive Uncertainty, Overconfidence, Overplacement, Cognitive Noise, Experiments
  • JEL: D91, C91, D83
  • DOI/链接: http://hdl.handle.net/10419/262335

一句话总结

通过在balls-and-urns信念更新任务中引入compound choices外生操纵认知不确定性（CU），本文证明CU是overplacement（高估自己相对他人的表现）的一个重要非动机性来源：CU越高，被试越倾向于认为自己比他人表现更好。

研究问题

Overplacement（过度自信的一种形式——高估自己在人群中的相对位置）为何如此普遍且持久？除了传统的动机性解释（ego utility）外，认知不确定性——即个体对自己最优答案的不确定程度——是否构成overplacement的一个独立来源？如果是，其因果机制是什么？

核心贡献

  1. 理论贡献：基于Enke and Graeber (2021)的CU框架，首次形式化地推导出CU→overplacement的理论预测——当被试对自己的表现不确定时，会将后验信念压缩向先验（50%），而这种压缩对自己和他人的程度不同
  2. 因果识别：通过compound choices（将信号诊断力参数以随机变量而非确定数字呈现）外生地提高CU约17%，建立CU→overplacement的因果关系
  3. 非动机性解释：提供了overplacement的认知噪声解释，与传统的belief-based utility解释互补

维度1：实验设计分析

实验任务详细流程

整体架构: 实验由一组信念更新任务（belief updating tasks）和最终问卷组成。每位被试完成6轮任务（sessions），前3轮为基准任务（baseline），后3轮为复合选择任务（compound choices）。

单轮任务的完整时间线（8步）:

  1. 任务呈现（参数揭示与信号抽取）: 被试面对经典"球与瓮"（balls-and-urns）任务。屏幕显示两个假想的瓮（Urn A 和 Urn B），每个瓮包含不同比例的蓝球和红球。被试被告知：(a) 100张牌的牌组中有A张牌标记为Urn A（A = 100 * P(A)），A 属于 {30, 50, 70}；(b) Urn A中蓝球数量为B（B = 100 * P(blue|A)），B 属于 {70, 90}，Urn B中蓝球数量为100-B。电脑从牌组中随机抽一张牌确定选中的瓮，然后从该瓮中抽取1或2个球作为信号（可能的信号组合: blue, red, blue-blue, red-red, blue-red, red-blue），单球抽取概率设为50%。

  2. 概率猜测（Probability Guess）: 被试根据观察到的球的颜色，给出其对每个瓮被选中概率的最佳猜测（0-100之间，两个概率之和须等于100）。

  3. 排名预期（Rank Elicitation）: 在同一页面上，被试被要求猜测自己在该特定任务中的整体排名（1-100之间，1为最佳）。这是一个绝对排位测度（absolute placement measure）。

  4. 认知不确定性引出（CU Elicitation）: 被试被问"你有多确定你的最优猜测恰好是X%？"——屏幕上显示一个滑块，从"非常确定"（Very Certain）到"非常不确定"（Very Uncertain）。被试点击滑块后，系统会动态显示其认为最优答案所在的区间范围（如"你确信最优猜测在11%到29%之间"）。该操作化方法直接沿用Enke和Graeber (2021)的设计。

  5. 观察他人答案（Other Participant's Answer Shown）: 被试看到另一位参与者对同一任务的答案（该答案来自前期预研究中收集的答案池，条件匹配于相同的参数设定和信号实现）。

  6. 相对排位信念（Relative Placement Belief）: 被试被问"你是否比另一位参与者表现更好？"，要求给出0-100之间的概率判断（100=确信自己更好，0=确信对方更好）。这是核心的overplacement测度。

  7. 答案调整机会（Chance to Change Probability Guess）: 被试可以选择修改或保持自己最初的概率猜测。

  8. 对他人CU的预期（Expectations about Other Participant's CU）: 被试评估另一位参与者在给出答案时的认知不确定性水平。

复合选择条件（Compound Choices, 后3轮）: 在后3轮中，信号诊断力参数B不再以确定数字呈现，而是以随机变量的期望值呈现。这引入了模糊性（ambiguity），旨在外生地提高被试的认知不确定性。在步骤5中，被试看到的是来自等价的非复合（reduced）问题的另一被试答案，且明确告知两个问题的正确答案相同。

其他实验设计要素

要素 内容
实验类型 在线实验（Amazon Mechanical Turk），被试内设计（within-subject）
Treatment设计 2个条件：基准任务（前3轮，参数确定）vs. 复合选择任务（后3轮，参数以随机变量呈现）。6种参数组合（3种A值 x 2种B值）跨6轮呈现
随机化 参数组合在6轮间随机分配；复合选择始终在后3轮（非完全随机化）；观察到的他人答案从预研究答案池中随机抽取
核心观测变量 (1) Placement: 相对排位信念（0-100概率）; (2) Rank: 绝对排名预期（1-100）; (3) CU: 认知不确定性（滑块测度）; (4) Answer Adjustment: 答案调整幅度
因果识别策略 复合选择作为CU的外生操纵工具——引入模糊性使CU平均提高17%；比较compound vs. baseline条件下的overplacement差异
样本量 主实验: 422人招募，198人因理解力测试不合格被筛除，最终N=224（1224观测值=224人x约5.5轮有效数据）; 预研究: 176人招募，105人通过筛选，用于构建答案池
激励机制 基础报酬0.5 USD（接受任务）+ 4.5 USD（完成实验）+ 最高3 USD绩效奖金（基于概率猜测准确性的激励相容机制）; 平均总报酬6.62 USD; 平均耗时23分钟
亮点 (1) 首次将认知不确定性框架与overplacement现象建立理论和实证联系; (2) 通过compound choices外生操纵CU以建立因果关系; (3) 同时测量绝对排名和相对排位两种placement指标; (4) 发现overplacement与概率加权（probability weighting）的初步关联
局限 (1) compound choices始终在后3轮，存在顺序效应风险; (2) MTurk样本代表性有限; (3) balls-and-urns任务的生态效度较低; (4) CU的滑块测度可能存在需求效应; (5) R^2值较低（0.05-0.21），说明CU只解释了overplacement变异的一小部分; (6) 仅关注overplacement，对overestimation和overprecision的分析有限

维度2：理论模型

基准理论

模型建立在 Enke and Graeber (2021) 的认知不确定性（CU）框架之上，并扩展至overplacement领域。同时将Moore and Healy (2008) 的过度自信基准模型纳入比较。

核心建模框架

效用函数与信号提取:

  • 二次效用: u(a,x) = -\frac{1}{2}(a - Bx)^2
  • 最优行动: a^* = Bx
  • 认知噪声: 代理人不直接观察状态变量x，而是通过含噪信号 s = x + \varepsilon 观察，其中 \varepsilon \sim \mathcal{N}(0, \sigma_\varepsilon^2)
  • 先验: x \sim \mathcal{N}(x_0, \sigma_x^2)

认知不确定性的定义:
$a^*(x \mid s) \sim \mathcal{N}(B\lambda s + B(1-\lambda)x_0, \; B^2(1-\lambda)\sigma_x^2)$
其中 \lambda = \frac{\sigma_x^2}{\sigma_x^2 + \sigma_\varepsilon^2}

认知不确定性 \sigma_{CU} 定义为上述分布的标准差，即代理人对自身最优行动的不确定性程度。

简化模型（用于overplacement分析）:
$u(a,x) = -\frac{1}{2}(x - a)^2 \quad \Rightarrow \quad a^* = x$

关键定义与命题

Definition 1 (Placement): 代理人i相对于代理人j的placement为:
$Placement_i(a_i^*, a_j^*) = P(u(a_j^*, x) < u(a_i^*, x))$

Definition 2 (Rank): 代理人i的期望排名为:
$Rank_i(a_i^*) = \mathbb{E}_{G_i}[Placement_i(a_i^*, a_j^*)]$

Proposition 1: 对于信念 a^* \sim \mathcal{N}(a_i^*, \sigma_{CU}^2) 的代理人i:

  • (i) Placement_i(a_i^*, a_j^*) = \begin{cases} 1 - F_{a_i^*}\left(\frac{a_i^* + a_j^*}{2}\right) & \text{if } a_j^* < a_i^* \\ F_{a_i^*}\left(\frac{a_i^* + a_j^*}{2}\right) & \text{if } a_j^* \geq a_i^* \end{cases}
  • (ii) Placement关于认知不确定性递减
  • (iii) Rank关于认知不确定性递减

信念更新（动态模型）:
$a^* \sim \mathcal{N}\left(\frac{\sigma_{-i}^2}{\sigma_{-i}^2 + \sigma_{CU}^2}a_i^* + \frac{\sigma_{CU}^2}{\sigma_{-i}^2 + \sigma_{CU}^2}a_j^*, \; \frac{\sigma_{CU}^2 \sigma_{-i}^2}{\sigma_{-i}^2 + \sigma_{CU}^2}\right)$

Proposition 2: 对他人CU评估更高（\sigma_{-i,H} > \sigma_{-i,L}）的代理人，更新后的placement更高，即更容易产生persistent overplacement。

可检验预测（Hypotheses）

  1. H1: Placement关于自身CU (\sigma_{CU}) 递减，关于对他人CU的评估 (\sigma_{-i}) 递增
  2. H2: Rank关于CU递减（CU越高，自我排名越低/越差）
  3. H3: 对他人信息的反应（答案调整）关于CU递增，关于 \sigma_{-i} 递减

维度3：核心发现

主要结论

发现1: CU与Placement负相关（支持H1）

  • CU对placement的系数: -0.915* (SE=0.176, p<0.01)（全模型，Table 1 Col.6）
  • Compound choice虚拟变量系数: -9.487* (SE=1.411, p<0.01)
  • 含 \sigma_{-i} 的模型中: CU系数 -1.333* (SE=0.157), \sigma_{-i} 系数 +1.045* (SE=0.143)（Table 2 Col.6）
  • compound choices使CU平均提高17%，支持因果解释
  • R^2从0.097（不含 \sigma_{-i}）提升至0.211（含 \sigma_{-i}），说明两个变量联合解释力显著增强

发现2: CU与Rank正相关（支持H2，注意编码方向）

  • CU对rank的系数: +0.754* (SE=0.219, p<0.01)（Table 3 Col.5-6）
  • Compound choice系数: +2.711* (SE=1.036, p<0.01)
  • CU越高的被试自我排名数值越大（=排名越靠后/越差）

发现3: CU与答案调整正相关（支持H3）

  • OLS: CU系数 +0.195* (SE=0.035), \sigma_{-i} 系数 -0.243* (SE=0.048)（Table 4 Col.4）
  • Probit（调整概率）: CU系数 +0.038* (SE=0.007), \sigma_{-i} 系数 -0.062* (SE=0.008)（Table 5 Col.4）
  • 仅243/1224观测值（19.9%）存在非零答案调整

发现4: CU与Overplacement（直接测度）

  • Probit（overplacement概率）: CU系数 -0.031* (SE=0.007)（Table 6 Col.4）
  • 加权overplacement（OLS）: CU系数 -0.459* (SE=0.113), \sigma_{-i} 系数 +0.378* (SE=0.106)（Table 7 Col.4）

发现5: Overplacement与后验概率压缩（Posterior Compression）的关联

  • 自我排名较高（数值小）的被试展现更明显的反S型概率加权模式
  • 自我排名较低的被试后验概率更接近贝叶斯基准（45度线）
  • 初步证据，作者强调此发现不够稳健

稳健性

  • 结果在多种模型设定下稳健（有/无控制变量、有/无session固定效应、有/无人口统计学控制）
  • CU与compound choice的效应在加入 \sigma_{-i} 后仍然显著，但compound choice系数有所下降
  • |a_i^* - a_j^*|（答案距离）的系数始终显著为正，与理论预测一致
  • R^2整体偏低（最高0.211），说明模型解释力有限
  • Overplacement与posterior compression的关联仅在rank分组下成立，placement分组下不成立

维度6：与其他文献的关系

在信念与认知偏差研究中的位置

本文处于认知不确定性/噪声与过度自信两支文献的交叉点:

认知噪声/不精确性                    过度自信
Woodford (2020)                   Moore & Healy (2008)
Khaw, Li, Woodford (2017)        Malmendier & Tate (2005)
Gabaix (2019)                    Barber & Odean (2001)
        |                               |
        v                               v
  Enke & Graeber (2021)    <--本文-->   Overplacement
  (认知不确定性框架)           桥接       (相对表现评估偏差)
        |                               |
        v                               v
  概率加权/后验压缩              动机性信念
  (inverse S-shape)           Benabou & Tirole (2002)

核心对话文献

  • Enke & Graeber (2021): 本文直接继承其CU框架和实验范式（balls-and-urns + CU滑块测度 + compound choices操纵），扩展至overplacement领域
  • Moore & Healy (2008): 本文在附录中展示CU模型可以复现MH模型的主要预测（hard-easy effect等），且CU框架额外提供了对overprecision的解释方向
  • Benjamin (2019): 实验任务设计的参考基准（balls-and-urns范式的标准化）

独特贡献

  1. 首次在理论上将认知不确定性与overplacement形式化联系
  2. 提供overplacement持久性（persistence）的非动机性解释：高 \sigma_{-i} 导致更保守的信念更新
  3. 首次记录overplacement测度与概率加权形状之间的经验关联

研究主题标签

#cognitive_uncertainty #overconfidence #overplacement #belief_updating #cognitive_noise #balls_and_urns #compound_choices #probability_weighting

维度4：变量概览

观测变量（Outcome Variables）

  • Placement：相对排位信念（0-100概率），核心overplacement测度——被试认为自己比随机对手表现更好的主观概率
  • Rank：绝对排名预期（1-100），overestimation的测度
  • Answer Adjustment：看到他人答案后的概率猜测调整幅度

核心自变量 / Treatment 变量

  • CU（认知不确定性）：滑块测度，被试对自己最优答案的不确定程度
  • Compound Choice条件：是否在compound choice轮次中（CU的外生操纵工具）

控制变量

  • 先验概率 P(A) \in \{0.3, 0.5, 0.7\}
  • 信号诊断力 P(blue|A) \in \{0.7, 0.9\}
  • 信号实现（球的颜色组合）
  • 概率猜测误差绝对值（控制能力差异）

维度5：局限性

  • 顺序效应：compound choice始终在后3轮，无法完全排除学习/疲劳效应与CU操纵的混淆
  • 样本筛选率高：422人中198人（47%）因理解力测试不合格被排除，最终分析样本可能偏向高认知能力群体，限制外部效度
  • R^2值较低（0.05-0.21）：CU只解释了overplacement变异的一小部分，大量变异来自其他未测量的因素
  • CU测度的需求效应：滑块测度可能引导被试报告更高的不确定性
  • balls-and-urns任务的生态效度：人们在日常生活中的overplacement（如驾驶能力、工作表现）可能受完全不同的心理过程驱动
  • 仅关注overplacement：对overestimation和overprecision的分析有限

维度7：可拓展的研究方向

  • 将CU框架推广到更自然的overconfidence情境：如学业成绩预测、投资能力自评，检验CU在ego-relevant领域是否仍是独立于motivated reasoning的解释因素
  • CU与motivated beliefs的交互：在同一实验中同时操纵CU和信念效用激活，分解两者对overplacement的相对贡献
  • 概率加权与overplacement的因果关系：本文发现了相关性，但概率加权形状是否因果地影响相对排位信念有待进一步检验
  • 动态设置中的CU演化：在多轮反馈环境中，CU是否随经验下降？overplacement是否相应减少？
  • 与Eil_Rao_2011_GoodNewsBadNews_AsymmetricProcessing的对接：Eil and Rao的good news-bad news effect是否部分由CU中介——对坏消息的更新更嘈杂是否反映了更高的认知不确定性？

关键结论

  1. 认知不确定性（CU）是overplacement的一个独立的非动机性来源：通过compound choices外生提高CU约17%后，被试的overplacement显著增加——即使没有ego utility动机，认知噪声本身就能产生系统性的自我高估
  2. 被试对他人的CU估计系统性偏高，导致他们认为自己的判断相对更精确——这种"信息不对称错觉"是overplacement持久性的重要机制

🔗 链接到这篇笔记