Risk Taking Under Limited Liability and Moral Hazard: Quantifying the Role of Motivated Beliefs

一句话总结

通过实验室 within-subject 设计 + 因果中介分析，本文首次量化了 motivated beliefs 在有限责任+道德风险情境下对过度冒险贡献的因果占比（约 1/3），并通过巧妙的 NM treatment 识别出其心理来源是自我形象关切 (self-image concerns) 而非预期效用，同时发现 motivated beliefs 的潜意识形成会使社会偏好"反噬"——被试在可能伤害他人时反而冒更大风险。

研究问题

在有限责任 + 道德风险的金融决策情境下，过度冒险有多少由激励结构变化驱动，又有多少由信念扭曲 (motivated beliefs) 驱动？能否量化这两个渠道的相对贡献？
如果 motivated beliefs 确实存在，其心理来源是什么——是为维持正面自我形象 (self-image concerns)，还是单纯从对未来的乐观预期中获取预期效用 (anticipatory utility)？
责任扩散 (diffusion of responsibility) 是否会进一步强化 motivated beliefs（一对多 vs 一对一的损失承担）？
在金融决策中，社会偏好是否会抑制 motivated beliefs 与过度冒险——还是反过来通过加剧认知失调而放大它们？

核心贡献

首次量化 motivated beliefs 的因果贡献比例：通过 Imai et al. (2011, 2013) 的 IV-based 因果中介分析框架，证明有限责任+道德风险下过度冒险的增量中约 1/3 通过 motivated beliefs 渠道传导，2/3 通过激励结构直接传导。
识别 motivated beliefs 的心理渠道：通过 NM treatment 复制 MA 的激励但移除道德风险，证明 motivated beliefs 源于自我形象关切而非 anticipatory utility 或纯粹的乐观偏差，为 Barberis (2013) 与 Brunnermeier & Parker (2005) 的理论之争提供了实证裁决。
发现 motivated beliefs 的潜意识"反噬"机制：MA > NM 的反直觉结果显示，社会偏好（关心 loss taker）不仅未抑制冒险，反而通过加剧认知失调强化了信念扭曲——这一发现对监管和企业治理具有重要含义。
方法论创新——dot spot matrix 范式：发明信息等价但视觉不同的模糊信号设计，使 within-subject 跨 treatment 信念比较具备强内部效度，为 motivated beliefs 文献中结果混杂的问题提供了一种可复制的实验工具。
政策含义：金融监管不仅要纠正"坏激励 (bad incentives)"，还要关注"坏信念 (bad beliefs)"——仅改变激励结构只能解决约 2/3 的过度冒险问题。

维度1：实验设计分析

实验任务详细流程

这是最重要的部分。 以下按时间线详细还原被试从进入实验室到实验结束的完整经历。

第一步：到达与准备

被试通过 ORSEE 系统被招募，到达柏林工业大学 (TU Berlin) 的实验经济学实验室。
实验使用 oTree (Chen et al. 2016) 编程，被试在电脑前就座。
实验时长约 120 分钟。

第二步：指导语与练习轮 (5 rounds)

被试首先阅读实验说明，了解整体结构：实验由多个 block（即 treatment）组成，但被试在实验开始时不被告知每个 block 的具体规则——他们只知道将有多个 block，每个 block 的详细规则在该 block 开始前才公布。
在正式实验开始前，被试参加 5 轮练习轮 (practice rounds)。练习轮的规则与第一个 treatment 完全相同，但被试被明确告知：(a) 练习轮不涉及真实金钱支付；(b) 每轮结束后，被试可以看到完整的假设性收益反馈（包括投资是否成功、假设性收益金额等）。
练习轮的目的是让被试熟悉实验界面、理解收益结构和决策流程。

第三步：客观风险任务 (Objective Risk Task)

在每个 treatment 开始之前，被试先完成一个客观风险投资任务。
在这个任务中，被试面对 11 个不同的资产，每个资产的成功概率是已知且外生给定的：0%, 10%, 20%, ..., 100%。
对于每个成功概率，被试获得 8 欧元禀赋，决定投入多少百分比。
收益结构与即将开始的 treatment 完全相同（例如，如果接下来是 MA treatment，则客观风险任务的收益结构也是 MA 的结构：投资者承担 25% 损失，loss taker 承担 75%，等等）。投资者/loss taker 的角色分配也与后续 treatment 一致。
11 个投资决策相互独立；为避免对冲，只有1个随机抽取的决策计入最终支付，且该支付在实验结束后才揭晓。
关键设计意图：在客观风险任务中，成功概率是明确已知的，不存在形成 motivated beliefs 的空间。因此，该任务可以单独测量社会偏好（如利他、不平等厌恶）对投资的影响，与主实验中 motivated beliefs 的效应相分离。

第四步：主实验——每个 Treatment 的 10 轮决策

被试参加 3 个 treatment（第一类 session: BL, MA, DF；第二类 session: BL, MA, NM），每个 treatment 包含 10 轮。以下是每一轮的具体步骤：

步骤 1：呈现 Dot Spot Matrix 信号（8秒）

屏幕上闪现一个 20 x 20 的点阵矩阵 (dot spot matrix)，持续 8 秒。
矩阵由红色点和蓝色点组成，总共约 400 个位置（20行 x 20列）。
矩阵中红点的数量在 120 到 280 个之间变化（10 轮使用 10 种不同数量的红点：120, 185, 190, 195, 199, 201, 205, 210, 215, 280 个红点）。
红点的含义：如果矩阵中红点多于蓝点（即红点 > 200），则该轮投资成功。如果蓝点多于红点（即红点 < 200），则投资失败。因此，事前成功概率 p = 1/2。
关键设计：8 秒的时间不够被试逐一数清红蓝点的数量，因此信号本质上是模糊的/有噪声的 (noisy)。被试只能形成一个大致的主观印象。这种模糊性为 motivated beliefs 的形成提供了"操作空间 (wiggle room)"。
信息等价但视觉不同：同一数量的红点在不同 treatment 中以不同的排列模式呈现（见论文 Figure 1 的两个示例矩阵——两个矩阵都包含 215 个红点，但红蓝点的空间排列完全不同）。这确保了：(a) 跨 treatment 的信号在信息含量上完全等价，可以做 within-subject 比较；(b) 被试无法识别出不同 treatment 中呈现的是"相同的"信号，避免了锚定效应和学习效应。

步骤 2：报告主观成功概率 + 做出投资决策（同一屏幕）

矩阵消失后，被试在同一个屏幕上完成两个任务：
- (a) 报告主观信念：被试估计该轮投资成功的概率（即矩阵中红点多于蓝点的概率），以百分比形式报告。
- (b) 做出投资决策：被试决定将 8 欧元初始禀赋的多少百分比（0% 到 100%）投入该轮的风险资产。投入金额记为 X，X 属于 [0 欧元, 8 欧元]。
论文未详细描述界面元素（如是否为滑块或输入框），但提到信念和投资决策在"同一屏幕 (the same screen)"上报告（脚注 11）。

步骤 3：无反馈，进入下一轮

被试做出决策后，不会收到任何关于该轮结果的反馈（投资是否成功、实际收益多少均不告知）。
这一无反馈设计是为了防止学习效应和收入效应：如果被试知道之前几轮的结果，可能调整后续轮次的策略。
直接进入下一轮，重复步骤 1-3。

步骤 4：Treatment 结束

10 轮结束后，该 treatment 结束。
进入下一个 treatment 之前，被试首先被告知新 treatment 的规则（损失分配方式的变化），然后再次完成一次客观风险任务（收益结构匹配新 treatment），然后开始新 treatment 的 10 轮决策。

第五步：人格特征测量

三个 treatment 全部完成后，被试参加一组人格特征测量 (personality elicitation battery)，包括：
- 认知能力测试 (cognitive ability)
- 过度自信 (overestimation, overplacement, overprecision) 三个维度
- 风险厌恶 (risk aversion)
- 损失厌恶 (loss aversion)
- 人口统计学问题：专业领域、性别、年龄
详细的测量方法见 Online Appendix A。

第六步：结果汇总与支付

人格测量完成后，被试看到实验结果汇总和最终收益。
支付结构：
- 每个 treatment 随机抽取 1 轮的投资决策计入支付。
- 信念支付（仅 2021 session）：每个 treatment 随机抽取 1 轮（与投资支付轮次不同），使用二元化评分规则 (binarized scoring rule, Hossain & Okui 2013) 支付 2 欧元或 0 欧元。三个 treatment 共计最高 6 欧元用于信念激励。
- 客观风险任务：随机抽取 1 个决策计入支付。
被试平均收入 38 欧元。

关于 Dot Spot Matrix 的详细描述（Figure 1）

论文 Figure 1 展示了两个信息等价但视觉不同的 dot spot matrix 示例：

两个矩阵均为 20 x 20 的方形点阵，包含 215 个红色点和 185 个蓝色/灰色点（论文注释：彩色版为红蓝，黑白印刷版为灰黑）。
左侧矩阵中，红蓝点的分布呈现一种模式；右侧矩阵中，同样数量的红蓝点以完全不同的空间排列呈现。
从视觉上看，两个矩阵呈现出不同的"质感"和"密度分布"，但它们传达的信息（红点占比）完全相同。
这种设计使得被试在不同 treatment 中看到"不同的"信号时，不会意识到信息实际上是相同的。

实验类型

实验室实验 (Lab experiment)，在柏林工业大学 (TU Berlin) 的实验经济学实验室进行。
通过 ORSEE (Greiner 2015) 招募被试，使用 oTree (Chen et al. 2016) 编程。
Within-subject 设计：每位被试参加所有 treatment。

Treatment 与 Control 设计

本实验包含 四个处理组 (treatments)，核心变量是投资失败时的损失分配方式：

Treatment	有限责任?	道德风险?	损失承担方式	收益结构
BL (Baseline)	否	否	投资者承担 100% 损失	成功: +0.75X; 失败: -1.00X
MA (Matched)	是	是	投资者承担 25% 损失，匹配的 1 名 loss taker 承担 75%	成功: +0.75X; 失败: -0.25X（投资者），-0.75X（loss taker）
DF (Diffusion)	是	是	投资者承担 25% 损失，75% 均摊给所有 loss takers	成功: +0.75X; 失败: -0.25X（投资者），-(0.75/T) x 总失败投资（每个 loss taker）
NM (No Matches)	是	否	投资者承担 25% 损失，失败不影响任何第三方	成功: +0.75X; 失败: -0.25X

各 Treatment 的详细描述：

BL (Baseline)：完全责任基准组。每位被试既是投资者也承担全部后果。投资 X 于风险资产，成功获 0.75X 收益（总收入 8 + 0.75X），失败损失 X（总收入 8 - X）。这是衡量无有限责任、无道德风险时的风险承担基准。

MA (Matched)：有限责任 + 道德风险（一对一匹配）。被试被随机分为两种角色：一半是"投资者 (type A)"，一半是"loss taker (type B)"。每位投资者被匿名且随机地与一名 loss taker 配对，配对关系在整个 treatment 的 10 轮中保持不变。投资者投入 X，成功时投资者获 0.75X 收益（loss taker 保留 8 欧元禀赋不变）；失败时投资者仅损失 0.25X，loss taker 损失 0.75X（从 loss taker 的 8 欧元禀赋中扣除）。所有投资者被告知他们的投资决策只可能负面影响 loss taker（不会正面影响）。

DF (Diffusion)：有限责任 + 道德风险（责任扩散）。角色分配同 MA。关键区别：失败投资的 75% 损失不是由单一 loss taker 承担，而是均摊给 session 中所有 loss taker。具体而言，每个 loss taker 承担的损失 = (0.75/T) x 所有失败投资者的投资额之和，其中 T 是 loss taker 的总人数。投资者的收益结构与 MA 完全相同。设计意图：检验责任扩散（一对多 vs 一对一）是否降低 motivated beliefs 的形成动机。

NM (No Matches)：有限责任但无道德风险。所有被试都是投资者（没有 loss taker 角色）。投资者投入 X，成功获 0.75X 收益，失败仅损失 0.25X——与 MA 的激励结构完全相同。但关键区别是：失败的投资不会导致任何第三方的损失。因此，投资者没有自我辩解 (self-justify) 的需求，不应形成 motivated beliefs。这个 treatment 是识别 motivated beliefs 心理来源的关键——区分自我形象关切 (self-image concerns) 与预期效用 (anticipatory utility)。

关键比较逻辑：

MA vs BL：有限责任 + 道德风险的总效应（激励 + motivated beliefs）
DF vs MA：责任扩散的增量效应
NM vs BL：有限责任（无道德风险）的纯效应
NM vs MA：道德风险（自我形象威胁）的效应——若 MA > NM，则 motivated beliefs 导致额外冒险
MA vs NM 在信念上：若 MA 信念 > NM 信念 = BL 信念，则 motivated beliefs 源于自我形象关切而非预期效用

随机化策略

Within-subject 设计：所有被试参加所有处理组。
- 第一类 session（2019年1-2月）：每位被试参加 BL, MA, DF 三个 treatment。
- 第二类 session（2021年9月）：每位被试参加 BL, MA, NM 三个 treatment。
每个 treatment 包含 10 轮。
处理顺序随机化 (counterbalancing)：
- 第一类 session 有 3 种顺序：(1) BL, MA, DF; (2) MA, DF, BL; (3) DF, MA, BL。
- 第二类 session 有 2 种顺序：(1) BL, MA, NM; (2) MA, NM, BL。
- 每种顺序的 session 数量大致平衡。
信号随机化：同一 dot matrix 在不同 treatment 中以信息等价但视觉不同的模式呈现，红点数量在 10 轮中系统变化（120-280），排列随机化。
角色随机化（MA/DF treatment）：被试被随机分为投资者 (type A) 或 loss taker (type B)，角色在 treatment 内保持不变，但跨 treatment 保持一致（脚注 15）。
配对随机化（MA treatment）：投资者与 loss taker 的匹配是匿名且随机的。

观测变量及精确测量方式

投资决策 (Invest)：被试决定将 8 欧元初始禀赋的多少百分比投入风险资产。范围 0%-100%，以百分比记录。
主观成功概率 (Prob / Stated beliefs)：看到 dot spot matrix 后，被试报告投资成功的主观概率（即红点多于蓝点的概率）。以百分比记录。2021 session 使用二元化评分规则激励。
客观风险任务投资 (InvestR)：对 11 个已知成功概率（0%, 10%, ..., 100%）的资产的投资决策，每个 treatment 前做一次。
人格特征：认知能力、过度自信三维度 (overestimation, overplacement, overprecision)、风险厌恶、损失厌恶。
人口统计学：专业领域、性别、年龄。

因果识别策略（中介分析的完整描述）

本文采用 Imai et al. (2011, 2013) 的因果中介分析框架，通过 IV（工具变量）方法分解有限责任+道德风险对投资的总效应。

第一阶段回归（Equation 5）：
$ $Prob_{b,r} = \alpha_0 + \alpha_1 \times MH_{b,r} + \alpha_2 \times Dots_{b,r} + \epsilon_{b,r}$ $

$Prob_{b,r}$ ：投资者 b 在第 r 轮的主观成功概率。
$MH_{b,r}$ ：道德风险虚拟变量（MA 和 DF 取 1，BL 取 0）。
$Dots_{b,r}$ ：dot spot matrix 中红点数量的虚拟变量组（10 个 dummies）。
关键发现： $\alpha_1$ 显著为正（约 3-4 个百分点），说明道德风险使信念系统性上移。

第二阶段回归（Equation 6）：
$ $Invest_{b,r} = \beta_0 + \beta_1 \times \widehat{Prob}_{b,r} + \beta_2 \times MH_{b,r} + u_{b,r}$ $

$\widehat{Prob}_{b,r}$ ：第一阶段预测的信念值（工具化后的信念）。
$\beta_1$ ：信念对投资的因果效应（约 1.1，即信念每增加 1 个百分点，投资增加约 1.1 个百分点）。
$\beta_2$ ：有限责任+道德风险对投资的直接效应 (CADE)，即不通过信念渠道的效应（约 8 个百分点）。

分解结果：

间接效应 (CACME = $\alpha_1 \times \beta_1$ )：约 3.697 x 1.097 = 4.055 个百分点，即通过 motivated beliefs 渠道传导的投资增量。这是"Complier Average Causal Mediation Effect"，即那些信念受道德风险影响的投资者通过信念渠道增加的投资。
直接效应 (CADE = $\beta_2$ )：约 7.844-8.246 个百分点，即通过激励结构变化（下行风险减少）直接推动的投资增量。
总效应：约 12 个百分点，其中 约 1/3 来自 motivated beliefs，约 2/3 来自激励变化。
核心识别假设 (exclusion restriction)：dot spot matrix 中红点数量 ( $Dots_{b,r}$ ) 仅通过影响信念来影响投资决策，而不直接影响投资。这是因为红点数量的"信号价值"只有通过被试的主观概率判断才能传导到投资行为。

NM Treatment 的渠道识别：

如果 motivated beliefs 源于预期效用 (anticipatory utility)，则 NM 中也应出现 motivated beliefs（因为 NM 有与 MA 相同的有限责任激励）。
如果 motivated beliefs 源于自我形象关切 (self-image concerns)，则 NM 中不应出现 motivated beliefs（因为 NM 无道德风险，不威胁自我形象）。
实证结果：NM 与 BL 的信念无显著差异，但 MA 的信念显著高于两者 --> 确认自我形象关切是 motivated beliefs 的来源。

样本量与被试招募

总共 286 名被试，通过 ORSEE (Greiner 2015) 从 TU Berlin 学生池招募。
第一类 session（含 BL, MA, DF treatment）：
- 178 人参加，2019 年 1-2 月进行。
- 共 9 个 session：8 个 session 各 20 人（10 投资者 + 10 loss taker），1 个 session 18 人（9 投资者 + 9 loss taker，因 no-show）。
- 其中 6 个 session 各 12 名 loss taker（可能因角色分配比例不同），2 个 session 各 10 名，2 个 session 各 8 名。
第二类 session（含 BL, MA, NM treatment）：
- 108 人参加，2021 年 9 月进行。
- 共 10 个 session（疫情期间规模缩小，每个 session 人数较少）。
Session 时长约 120 分钟。

激励机制（完整支付结构）

每轮初始禀赋 8 欧元。
投资收益：
- 成功：获 0.75X 收益（总收入 = 8 + 0.75X）。
- 失败：
  - BL: 损失 X（总收入 = 8 - X）。
  - MA/DF: 投资者损失 0.25X（总收入 = 8 - 0.25X）。
  - NM: 损失 0.25X（总收入 = 8 - 0.25X）。
反对冲设计：
- 每个 treatment 中，仅随机抽取 1 轮的投资决策计入最终支付。
- 客观风险任务中，仅随机抽取 1 个决策计入支付。
- 支付在实验结束后才揭晓，实验过程中无任何结果反馈。
信念激励（仅 2021 年 session）：
- 采用二元化评分规则 (binarized scoring rule, Hossain & Okui 2013)。
- 每个 treatment 随机抽取 1 轮，根据信念准确度支付 2 欧元或 0 欧元。
- 三个 treatment 共计最高 6 欧元用于信念激励。
- 为避免对冲：信念支付轮次与投资支付轮次不同。
- 被试被告知信念支付的轮次不会是投资支付的轮次。
2019 年 session 的信念未激励，但作者在 Online Appendix C 中验证：激励与非激励的信念在统计上无显著差异，因此合并分析。
被试平均收入 38 欧元。

实验亮点

信息等价但视觉不同的 dot spot matrix 信号：同一红点数量的矩阵在不同 treatment 中以不同空间排列呈现。这是 within-subject 设计的核心创新——确保跨 treatment 的信念比较在信息维度上完全可控，同时防止被试识别重复信号、产生锚定或学习效应。
NM treatment 的巧妙设计：复制 MA 的激励结构（有限责任、投资者仅承担 25% 损失）但移除道德风险（失败不伤害第三方）。这为精确识别 motivated beliefs 的心理来源提供了关键对照——排除了 anticipatory utility，确认了 self-image concerns。
客观风险任务 (objective risk task) 的三角验证：在概率外生给定的情况下排除 motivated beliefs 的形成空间，单独测量社会偏好的影响方向和大小。结果显示：客观风险下社会偏好正常运作（减少对他人有害的投资），与主实验中信号模糊时的反转形成对比。
因果中介分析：超越简单的处理效应检测，量化了 motivated beliefs 渠道对总效应的贡献比例（约 1/3），方法论上为后续研究提供了范式。
无反馈设计：10 轮内无任何结果反馈，排除了学习效应和收入效应对决策的干扰。
新的实验范式 (experimental paradigm)：dot spot matrix + within-subject 跨 treatment 比较的组合，在此前 motivated beliefs 文献中结果混杂的背景下，提供了一个简洁、可控、可复制的实验工具。

实验局限

信念与投资决策的因果方向模糊：信念和投资在同一屏幕上报告，无法完全排除"投资决策先行，信念报告事后合理化"的可能。作者建议未来可分离两个决策的时序（如 Gneezy et al. 2019 的设计：先报告信念，再做投资决策）。
实验室学生被试的外部效度：被试为 TU Berlin 学生，与真实金融市场中的投资者（如银行交易员、基金经理）可能在经验、动机和认知上存在差异。
MA > NM 的反直觉结果需要进一步验证：被试在可能伤害第三方时反而冒更大风险，这个发现虽然在理论上有 motivated beliefs 潜意识形成的解释，但作者自己也建议复制实验以确认稳健性。
缺少道德身份 (moral identity) 的直接测量：作者建议未来可加入 Aquino & Reed (2002) 的道德身份量表，或通过操纵道德关切（如让慈善机构承担损失）来强化自我形象渠道的识别。
DF vs MA 无差异：未能检测到责任扩散的效应，可能是因为实验室中 loss taker 人数有限（不足以产生真实的"扩散感"），或者责任扩散的效应本身较小。

维度2：理论模型

经典理论基准

理性基准 (Rational benchmark)：在有限责任下，理性且自利的投资者应增加投资（因为下行风险被部分截断），但对同一信号应报告相同的成功概率。
也就是说，Bayesian 更新不依赖支付结构——理性被试应在所有 treatment 中对相同 dot matrix 报告相同的主观概率。
投资水平的预测：MA/DF/NM > BL（因为损失减少了），但信念应 MA = DF = NM = BL。

行为偏差模型的形式化表达

本文基于 Benabou & Tirole (2011, 2016) 和 Barberis (2013) 的 motivated beliefs / motivated reasoning 框架：

核心机制：当投资者面临有限责任+道德风险时，过度冒险行为可能伤害第三方（loss taker），这与投资者维持"关心他人福祉"的正面自我形象 (self-image) 之间产生认知失调 (cognitive dissonance, Festinger 1957)。
解决机制：为缓解认知失调，投资者扭曲自身对投资成功概率的信念，使其过度乐观。这样，在内部叙事 (internal narrative) 中，过度冒险就不那么"不道德"了——因为如果成功概率确实很高，那么投资大量资金就是合理的，伤害他人的风险也就很低。
信念扭曲受可信度约束 (credibility constraint)：只有在信号足够模糊时，被试才能"可信地"向自己讲述一个乐观的故事（Kunda 1990; Benabou et al. 2018）。在极端信号（如 120 红点或 280 红点）下，信息太明确，信念扭曲的空间很小。
两个可能的渠道：
- (a) 自我形象关切 (self-image concerns)：人们在意自己的道德形象，通过扭曲信念来维持"我是一个好人"的叙事（Barberis 2013; Gino et al. 2016; Grossman & Van Der Weele 2017）。
- (b) 预期效用 (anticipatory utility)：人们从对未来的乐观预期中直接获得效用（Brunnermeier & Parker 2005），导致过度乐观信念（与道德风险无关，仅与收益不对称有关）。
作者未建立完整的结构模型，而是通过实验设计（NM treatment 排除渠道 b）和中介分析（量化渠道 a 的贡献）来检验理论预测。

模型关键假设

自我形象关切是 motivated beliefs 的核心来源（而非预期效用/anticipatory utility）——通过 NM treatment 检验。
信号的模糊性为信念操纵提供了"操作空间 (wiggle room)"——这是 motivated beliefs 形成的必要条件。
Dot matrix 中的红点数量 ( $Dots_{b,r}$ ) 仅通过信念渠道影响投资决策——这是 IV 排他性约束 (exclusion restriction)。
Motivated beliefs 是潜意识形成的 (formed subconsciously)——被试不自觉地扭曲信念，然后对这些已扭曲的信念做出"理性"反应（增加投资）。这解释了为什么社会偏好反而"反噬"：被试不知道自己在扭曲信念，因此无法有意识地抵消。

可检验预测（6 个假设）

假设	内容	预测方向	实证结果
H1	MA 中投资 > BL	MA > BL	支持（p < 0.001）
H2	MA 和 BL 中信念相同	MA = BL（理性基准）	拒绝（MA > BL, p < 0.001），证明存在 motivated beliefs
H3	DF 和 MA 中投资相同	DF = MA	支持（p = 0.165，无法拒绝）
H4	DF 和 MA 中信念相同	DF = MA	支持（无法拒绝）
H5	NM 和 BL 中信念相同	NM = BL	支持（无法拒绝），排除 anticipatory utility
H6	NM 和 MA 中投资相同	NM = MA（如果无 motivated beliefs 效应）	拒绝（MA > NM, p < 0.05），社会偏好反噬

Structural Estimation

本文未进行结构估计。
采用约简式 (reduced-form) 回归 + 因果中介分析 (IV-based causal mediation)。
中介分析方法来自 Imai et al. (2011, 2013)，使用 dot spot 矩阵红点数作为 encouragement（工具变量/激励设计）。

维度3：核心发现

主要结论

Result 1（投资的处理效应）：

MA 和 DF 中的投资显著高于 BL（Wilcoxon signed-rank test: p < 0.001 for both）。
平均而言，投资者在 MA 中比 BL 多投资 13 个百分点（43.24% vs 29.06%），在 DF 中多投资 11 个百分点（39.27% vs 29.06%）。
MA 和 DF 之间无显著差异（p = 0.165），即责任扩散未产生额外效应。

Result 2（信念的处理效应）：

MA 和 DF 中的主观成功概率显著高于 BL（Wilcoxon: MA vs BL p < 0.001, DF vs BL p < 0.035）。
在有限责任+道德风险下，被试对相同信号报告更高的成功概率——这是 motivated beliefs 的直接证据。
MA 和 DF 之间信念无显著差异。

Result 3（量化 motivated beliefs 的效应）：

通过中介分析，有限责任+道德风险导致的投资增加中：
- 约 1/3 由 motivated beliefs 解释（间接处理效应 CACME 约 4.055 个百分点）。
- 约 2/3 由激励结构变化解释（直接处理效应 CADE 约 7.844-8.246 个百分点）。
CACME 在所有规格中均在 1% 水平上显著（Bootstrap 标准误，1000 次重抽样）。

Result 4（自我形象是 motivated beliefs 的渠道）：

NM 与 BL 的信念无显著差异（H5 支持）——在无道德风险的有限责任下不产生 motivated beliefs。
MA 的信念显著高于 NM（回归系数 -3.942, p < 0.01）。
这排除了 anticipatory utility 渠道，确认 self-image concerns 是 motivated beliefs 的来源。

Result 5（社会偏好的"反噬"效应）：

MA 中投资显著高于 NM（差异约 4.6 个百分点，p < 0.05），即被试在可能伤害第三方时反而冒更大风险。
这是一个反直觉的发现（Hypothesis 6 被拒绝）。
解释：motivated beliefs 是潜意识形成的。社会偏好（关心他人）产生了更强的认知失调，驱动了更强的信念扭曲，而被试无意识地对这些过度乐观的信念做出了反应，最终导致更高的投资。
客观风险任务的三角验证：在概率已知时（无信念扭曲空间），RMA < RNM——社会偏好正常运作，投资者在可能伤害他人时投资更少。这与主实验中信号模糊时的 MA > NM 形成鲜明对比，进一步确认了 motivated beliefs 的潜意识机制。

Effect Size（具体数字）

比较	投资差异 (百分点)	信念差异 (百分点)
MA vs BL (投资均值)	+14.18 pp (43.24 vs 29.06)	+5.44 pp (49.92 vs 44.48)
DF vs BL (投资均值)	+10.21 pp (39.27 vs 29.06)	+2.72 pp (47.20 vs 44.48)
MA vs NM (投资)	+4.6 pp	MA 信念显著高于 NM
CACME (间接效应, 通过信念)	~4.055 pp	--
CADE (直接效应, 通过激励)	~7.844-8.246 pp	--
回归系数: 信念 -> 投资 ( $\beta_1$ )	~1.097 pp投资/pp信念	--
回归系数: 道德风险 -> 信念 ( $\alpha_1$ )	--	~3.255-3.802 pp
MA 回归系数 (Table 3)	12.76*** (SE 1.402)	--
DF 回归系数 (Table 3)	9.095*** (SE 1.562)	--
185.dots 回归系数 (Table 3)	11.83*** (SE 1.284)	--

信念每增加 1 个百分点 --> 投资增加约 1.1 个百分点。
道德风险使信念增加约 3-4 个百分点。
红点数量从 120 增加到 280 --> 信念增加约 70-80 个百分点，投资增加约 87-89 个百分点。

稳健性检验

激励 vs 非激励信念：2019 年（非激励）与 2021 年（激励）的信念数据合并，附录 C 验证无统计差异。
连续变量替代虚拟变量：用红点数连续变量替代红点数 dummies 复制 Table 3 和 Table 5 的回归（附录 F.3, G.3），结果定性一致。
多种回归规格：加入/不加入人格控制变量、性别、treatment order dummies（Table 3 的 4 列、Table 5 的 4 列）。
线性 vs Logit 回归（附录 I）。
非工具化 (non-instrumented) 回归作为对比（附录 I）。
Bootstrap 标准误：Table 8 中 CACME 和 CADE 使用 1000 次 bootstrap 重抽样计算标准误。
客观风险任务三角验证（Table 11）：在概率已知时检测社会偏好效应，确认与主实验的对比。
顺序效应讨论（附录 D）：检验 treatment 顺序是否影响结果。
子样本分析：仅使用 190-210 红点的中间信号（模糊性最强）进行分析（附录 E）。

与其他研究的一致性/差异

一致性：

与 Benabou & Tirole (2011), Barberis (2013), Gino et al. (2016) 的理论预测一致：道德风险情境下投资者形成 motivated beliefs 以维持正面自我形象。
与 Gneezy et al. (2019, 2020), Exley (2016), Rodriguez-Lara & Moreno-Garrido (2012) 发现的自利导向信念操纵一致。
与 Ahrens & Bosch-Rosa (2023) 在有社会偏好共享利润但仅部分承担损失时检测到 motivated beliefs 的发现一致。

新发现/差异：

MA > NM 的"反噬"结果与先前文献中社会偏好抑制冒险行为的预期不符。在 Fehr & Schmidt (1999) 框架下，不平等厌恶应导致投资者在可能伤害他人时减少投资（客观风险任务确认了这一点），但 motivated beliefs 的潜意识形成反转了这一效应。
DF vs MA 无显著差异：与 Falk & Szech (2013), Alos-Ferrer et al. (2022), Bartling et al. (2015) 关于责任扩散增强反社会行为的发现不同。本文未检测到责任扩散的额外效应。
关于信念文献结果混杂的贡献：Krizan & Windschitl (2007), Burton et al. (2022) 指出 motivated beliefs 文献中实证结果不一致。本文的 dot spot matrix 范式提供了一种稳健的实验方法，产生了一致且显著的结果。

维度6：与其他文献的关系

领域位置

本文处于以下领域的交叉核心位置：

Motivated beliefs / Motivated reasoning (Kunda 1990; Benabou & Tirole 2011, 2016; Benabou 2013, 2015)
金融风险承担与有限责任 (Barberis 2013; Cheng et al. 2014, 2015; Cole et al. 2015)
道德风险与社会偏好 (Fehr & Schmidt 1999; Falk & Szech 2013; Sutter et al. 2020)
实验经济学方法论 (因果中介分析, within-subject 设计)

这是首篇在实验室中量化 motivated beliefs 对有限责任下风险承担贡献比例的论文。

与哪些经典论文对话

Barberis (2013) - 金融创新与2007-08金融危机中的 motivated beliefs 理论假说。本文为其假说提供了首个实验证据。
Benabou & Tirole (2011, 2016) - 身份、道德与信念作为资产的理论框架。本文实证验证了自我形象关切驱动信念扭曲的机制。
Benabou (2013, 2015) - 集体妄想 (groupthink) 与 motivated beliefs 经济学。本文的 DF treatment 是对集体层面信念扭曲的实验检验（虽然未发现显著效应）。
Kunda (1990) - motivated reasoning 的心理学经典。本文通过 dot spot matrix 的模糊性设计体现了"可信度约束"。
Festinger (1957) - 认知失调理论。本文的核心机制（冒险行为与道德自我形象的冲突 --> 信念扭曲）直接建立在此理论之上。
Gino et al. (2016) - "motivated Bayesians" 概念。本文的被试正是 motivated Bayesians 的实验证据。
Imai et al. (2011, 2013) - 因果中介分析方法论。本文将此方法应用于 motivated beliefs 的量化。
Fehr & Schmidt (1999) - 不平等厌恶/社会偏好。本文的 Result 5 挑战了该框架在信号模糊情境下的预测。
Gneezy et al. (2019, 2020) - 贿赂行为中的 motivated beliefs。本文拓展了 motivated beliefs 的应用领域到金融投资。
Exley (2016), Exley & Kessler (2024) - 利用风险规避和"motivated errors"来为自利行为辩解。本文提供了互补的证据。
Saccardo & Serra-Garcia (2023) - 人们在自我欺骗意愿上的异质性。本文的潜意识发现与此呼应。

新的知识贡献

量化贡献：首次精确估计 motivated beliefs 渠道占有限责任下过度冒险增量的约 1/3，激励结构变化占 2/3。这为政策制定提供了量化基础。
渠道识别：通过 NM treatment 证明 motivated beliefs 源于自我形象关切 (self-image concerns)，而非预期效用 (anticipatory utility) 或一厢情愿 (wishful thinking)。这在 Brunnermeier & Parker (2005) vs Barberis (2013) 的理论之争中提供了实验证据。
潜意识机制的发现：motivated beliefs 是潜意识形成的——社会偏好不仅未抑制过度冒险，反而通过加剧认知失调、强化信念扭曲，导致被试在可伤害他人时冒更大风险（MA > NM 的反直觉结果）。这揭示了 motivated beliefs 可能"反噬 (backfire)"的风险。
政策含义：监管政策不仅需要纠正不良激励 (bad incentives)，还需要关注不良信念 (bad beliefs) 的形成。仅改变激励结构可能只解决约 2/3 的过度冒险问题。
方法论创新：dot spot matrix 实验范式为 motivated beliefs 研究提供了一个简洁、可控、可复制的工具。信号模糊性可通过调整红蓝点比例精确控制，within-subject 比较因信息等价设计而具有很强的内部效度。该范式在此前结果混杂的文献中产生了一致且显著的结果。

维度4：变量概览

变量	类型	测量方式	取值范围
Invest	因变量（主）	投资者将 8 欧元禀赋投入风险资产的百分比	0%–100%
Prob (Stated belief)	中介变量	看到 dot spot matrix 后报告的成功概率	0%–100%
InvestR (Objective Risk)	对照因变量	在 11 个外生概率（0%, 10%, ..., 100%）下的投资比例	0%–100%
Treatment	主要解释变量	BL / MA / DF / NM 的虚拟变量	4 种类别
MH (Moral Hazard dummy)	主要解释变量	MA 和 DF 取 1，BL 取 0	{0, 1}
Dots	工具变量	dot matrix 中红点数量（10 类 dummies 或连续变量）	120, 185, 190, 195, 199, 201, 205, 210, 215, 280
Cognitive ability	个体控制变量	CRT/Raven 等标准测试	标准化分数
Overconfidence	个体控制变量	overestimation, overplacement, overprecision 三维	标准化分数
Risk aversion	个体控制变量	Holt-Laury 风险偏好测量	数值
Loss aversion	个体控制变量	标准损失厌恶任务	数值
Gender / Age / Field	人口统计学控制	自报	类别/数值
Treatment Order dummy	控制变量	5 种顺序虚拟变量	类别
Round	时间维度	1–10	整数
Subject ID	聚类单位	ORSEE ID（cluster SE）	标识符

维度5：局限性

信念与投资在同一屏幕上同时报告：无法完全分离"信念形成 → 投资决策"与"投资决策 → 信念事后合理化"两种因果方向。Gneezy et al. (2019) 的分时序设计可能更干净。
无反馈设计的代价：虽避免了学习与收入效应，但也削弱了实验对真实金融市场的外部效度——真实交易员会持续接收反馈并更新信念。
学生被试样本：TU Berlin 学生与真实金融市场参与者（基金经理、银行交易员）在经验、动机、风险偏好上存在差异，外部效度受限。
MA > NM 的反噬效应需要复制：尽管理论上有 motivated beliefs 潜意识形成的解释，但这是反直觉发现，作者自己建议在不同样本和情境下复制以验证稳健性。
DF vs MA 无差异的可能解释多样：是责任扩散效应不存在，还是实验室 loss taker 数量太少导致"扩散感"不足？需要更大规模 session 或不同设计验证。
缺少道德身份直接测量：未使用 Aquino & Reed (2002) 的道德身份量表，无法直接验证自我形象渠道的强度异质性。
结构估计缺失：仅有 reduced-form + 中介分析，未对 motivated beliefs 的形成成本函数（如 Benabou & Tirole 风格的"信念扭曲成本"）进行结构估计。
8 秒的呈现时间任意性：dot matrix 的呈现时间是关键设计参数，但其选择缺乏严格校准，不同时长可能影响信号模糊度和 motivated beliefs 形成空间。
NM treatment 仅在 2021 session 引入：NM 与 MA 的比较涉及不同年份、不同被试群体（虽然有 BL 作为锚点跨年份对照），存在样本可比性问题。

维度6：与其他文献的关系（双链补充）

主要对话文献（已存在于 vault）：

Barberis_PsychologyBased_AssetPricing —— 金融决策中 motivated beliefs 的理论假说，本文为其提供首个实验证据。
Benabou_2011_Identity_Morals_BeliefsAsAssets —— 身份、道德与信念资产化的理论框架。
Benabou_2015_EconomicsMotivatedBeliefs —— motivated beliefs 经济学综述。
Benabou_Tirole_2016_MindfulEconomics_Beliefs —— Mindful Economics 中的信念视角。
Benabou_Henkel_2025_Identity_SelfImage —— 自我形象关切的进一步理论发展。
Brunnermeier_2007_OptimalBeliefs_SkewedReturns —— anticipatory utility / optimal beliefs 框架，本文 NM treatment 排除了其作为 motivated beliefs 唯一渠道的可能。
Kunda_1990_MotivatedReasoning —— motivated reasoning 心理学经典，本文 dot matrix 模糊性体现了"可信度约束"。
Gneezy_2020_BribingTheSelf —— 贿赂行为中的 self-deception，本文拓展到金融投资。
Gneezy_MotivatedSelfDeception_Identity —— 自我欺骗与身份维护的实验。
Exley_2024_MotivatedErrors —— motivated errors 的实验证据，与本文互补。

维度7：可拓展的研究方向

现场实验扩展：将 dot spot matrix 范式推广到真实金融从业者样本（基金经理、银行交易员、保险定损员），测试 motivated beliefs 是否在专业群体中存在或更弱（专业训练是否提供"去偏校正"？）。
道德身份的异质性分析：引入 Aquino & Reed (2002) 道德身份量表，检验 motivated beliefs 强度是否随道德身份显著性而变化。
结构估计：建立 Benabou-Tirole 风格的信念扭曲成本函数模型，结构性估计被试的"信念可塑性"参数和自我形象关切权重。
信念-决策分时序设计：参考 Gneezy et al. (2019) 设计，将信念报告与投资决策时间分离，识别信念因果先行的份额。
反馈与去偏干预：在某些 treatment 中给予事后客观反馈（如统计每个被试的实际成功率与报告概率的偏差），测试反馈是否能减弱 motivated beliefs。
跨文化比较：在不同道德文化（个人主义 vs 集体主义、强宗教 vs 弱宗教）中复制实验，检验自我形象关切的文化敏感性。
责任扩散的更大规模检验：增加 DF 的 loss taker 数量（如 100+ 人 session 或在线大规模实验），以更强力地测试责任扩散是否真的无效。
Motivated beliefs 的市场均衡含义：将单个投资者的信念扭曲置入资产市场均衡模型（如类似 Benabou (2013) groupthink），分析价格泡沫与系统性风险的形成。
政策实验：在 MA 中引入"道德提示 (moral nudge)"或"利益冲突披露"等干预，测试能否减弱信念扭曲并降低过度冒险。
神经/生理测量：通过 fMRI 或 EEG 测量被试在 dot matrix 呈现时的神经活动，检验是否存在动机性视觉处理偏差（如对红点的选择性注意）。
将 dot matrix 信号扩展到其他领域：道德决策、政治信念更新、健康行为（吸烟者对香烟危害信号的处理）等。

关键结论

Motivated beliefs 在有限责任 + 道德风险情境下显著存在且可量化：通过因果中介分析估计，约 1/3 的过度冒险增量通过信念扭曲渠道传导，2/3 通过激励变化直接传导。
Motivated beliefs 的心理来源是自我形象关切 (self-image concerns) 而非预期效用：NM treatment（无道德风险的有限责任）下不出现信念上移，证伪了 anticipatory utility 作为单一来源的假说。
社会偏好可能"反噬"——MA > NM 的潜意识反转：当被试可能伤害他人时，认知失调驱动了更强的信念扭曲，最终导致更高（而非更低）的冒险。客观风险任务的对照（社会偏好正常运作）证明这一反转源于信念渠道的潜意识形成。
责任扩散效应未被检测到：DF 与 MA 在投资和信念上无显著差异，与 Falk & Szech (2013) 等文献预测不一致——可能是实验室规模限制或扩散效应本身较弱。
政策含义：金融监管不能仅依赖修正激励结构，还需关注信念形成机制——例如强制信息披露、独立风控审查、道德身份激活干预等。
方法论遗产：dot spot matrix + within-subject + 因果中介分析的范式，为 motivated beliefs 的实证研究提供了一个可复制、可扩展的工具。

Bosch-Rosa_Gietl_Heinemann_2024_RiskTaking_MotivatedBeliefs