Beliefs from Cues

作者: John J. Conlon (CMU), Spencer Y. Kwon (Brown)
版本: 2025-06-30 工作论文 | 预注册 AEARCTR-0015484
原文: Conlon和Kwon - 2025 - Beliefs from Cues

一句话总结

提出一个"线索→相似性采样→信念"的信念形成模型:在状态空间巨大、无法穷举时,人脑按"与当前情境(cue)的相似度"抽取状态,导致即便是客观上完全无信息、甚至明确不可能的线索也会系统性扭曲信念;扭曲程度由线索的**共鸣度(resonance)与代表性(representativeness)**两个可由相似性判断单独测量的统计量决定。通过一个大样本在线实验验证了模型,并把它嵌入消费-储蓄与投资框架,统一解释了经验效应、投射偏差、现时偏差与投资组合欠分散。

研究问题

经济学(即便行为经济学)通常假设信念只是先验与信号似然的函数。但现实中:个体预期对眼前情境/个人经历过度敏感、广告充斥看似无关的情境细节、调查测得的信念对措辞高度敏感。这些都暗示规范上无关的"线索"会通过改变"什么状态浮现脑海"来扭曲信念。本文要回答:线索如何起作用?它唤起什么、产生何种方向与量级的偏差?能否用一个可证伪、且由数据约束的理论来刻画?

核心贡献

理论:形式化了一个仅有极少自由度的"线索信念"模型(承接 Bordalo et al. 2023 的联想采样思想),给出可证伪的比较静态,并明确指出检验所需的数据(相似性判断)。
测量方法:借用认知心理学的主观相似性判断,把"不可观测的相似性"变成可估计的 resonance 与 representativeness,从而摆脱"任何信念都能事后合理化"的批评。
实验验证:用新设计的"骰子游戏"任务,证明客观无信息线索能大幅移动信念,且移动方向/量级与独立测得的相似性结构一致;模型 77.3% complete、97.6% restrictive。
经济应用:把模型嵌入标准框架,统一解释经验效应、投射偏差、现时偏差(外生线索),并揭示说服情境下"风险性 vs 可被说服性"的新权衡(内生线索)→ 欠分散、事后后悔。

维度1:实验设计分析(被试完整体验时间线)

平台与样本: Prolific 招募,2025 年 3 月,共 3,154 名被试完成;Qualtrics 问卷。中位完成时间 12.5 分钟。

被试从进入到结束,依次经历:

学习"游戏"规则(数据生成过程)。 屏幕介绍一个"游戏":每局有 7 轮,每轮掷一枚六面骰子决定本轮加减分——骰子 1–4 面显示绿色,表示给总分加 1/2/3/4 分;5、6 面显示红色,表示减 5 或 6 分。即每轮点数 $p_r \in \{+1,+2,+3,+4,-5,-6\}$ ,等概率且各轮独立。一局的最终得分=7 轮之和。状态空间为 $6^7=279{,}936$ 种序列(46.2% 最终为正、50.0% 为偶),大到无法穷举——这正是让"什么浮现脑海"有可乘之机的设计核心。
10 道理解测验(强制门槛)。 被试必须全部答对才能继续;被真实告知"答错超过 2 题将被立即筛除"。该限制仅筛掉约 3% 报名者(显示高投入度)。正文主分析只保留全部 10 题一次答对的 77% 被试(附录显示结论不依赖此筛选)。
(关键)看到游戏可视化图 + 随机分配线索处理。 所有人先看一张帮助理解游戏的图(Figure 2 左)。随后被随机分组:
- 控制组(无线索): 只需等待 20 秒,然后弹出文本框提问。
- 线索组: 在提问前观看 1 个、5 个或 10 个"示例游戏"(即 cue)。示例以动画呈现——被试用鼠标悬停在一排圆点上,逐点依次显示该局每一轮的结果(看着一局游戏"展开")。看完每个示例后须分别等待 20 / 10 / 5 秒(对应看 1/5/10 个示例),再看下一个或进入提问。
明确告知线索无信息 + 强制确认理解。 被试被(真实地)告知:是否给示例、给哪类示例都是随机决定;且明确写明"您看到的任何示例都不应影响您的猜测",并须在一道理解题中确认这一点才能继续。95.4% 一次答对——说明被试高度理解线索本应无关。
激励化信念引出(主问题)。 文本框依次询问:每 100 局中,最终得分为正( >0 )的平均局数;随后类似地问最终得分为偶数的局数。
相似性判断引出。 给出信念后,**所有被试(无论组别)**做 15 次成对相似性判断:每一对包含"被试看过的某个 cue"与"按真实 DGP 随机生成的一个示例局",判断二者相似程度。这批数据用于(独立于信念数据)估计每个 cue 的 resonance 与 representativeness。
过程数据("什么浮现脑海")。 在单独一页,请被试指出在形成信念时"你感觉浮现在脑海中的"一个结果。
信心引出。 询问被试对每个问题答案正确性的确定程度(0–100)。
支付。 完成费 $2.00;若(随机决定考查"正"或"偶"问题)其信念与真值相差在 5 个百分点以内,额外得 $1.00 奖金。

Cue 的三种构造(treatment 变体):

Baseline cues: 从最终得分为 ±10/±11/±12/±13 的真实结果中各随机抽取,得 80 个,半正半负、半奇半偶。309 人各看其中一个,对比 161 人控制组。
Impossible(不可能)cues: 故意打破骰子规则(把某轮改成"+5"或"−4"等规则下不可能的值),并向被试着重强调其不可能性。310 人各看一个。用于检验"明知不可能的线索也能扭曲信念"。
Odd/Even cues: 检验"当相似性结构不区分某假设时,线索应无效"的反向预测。
多线索: 1 / 5 / 10 个(全正或全负 baseline cue),检验信念是否随线索数趋向(但不超过)代表性上限。

识别策略: 纯随机分配 cue(between-subject),规范基准为"线索应零效应"(因无客观不确定性、所有结果等概率、且明确告知无关)。任何系统性效应都是对规范基准的过度反应,且其异质性(哪些信念被移动、移动多少)由独立测得的相似性数据事前约束——这同时排除了学习、噪声/分心、实验者需求等替代解释(见§3.5)。

维度2:理论模型

经典基准: 理性 agent 对所有状态积分, $\Psi_{rat}=\sum_\omega \pi(\omega)\psi(\omega)$ 。

行为模型(联想采样): agent 拥有无偏的"心理数据库"(知道所有状态 $\omega$ 及其客观概率 $\pi(\omega)$ ),但提取状态的过程被情境 $C$ 扭曲——抽到 $\omega$ 的概率正比于它与情境的相似度 $S(\omega,C)$ 。大样本极限下模拟分布:
$ $\pi_s(\omega|C) \propto \pi(\omega)\cdot S(\omega,C)$ $
agent 对此扭曲天真无知(naive),直接以模拟分布为信念。 $S(\omega,C)=1$ 时回到理性基准。

两个关键统计量(本文核心) —— 信念扭曲 = 各 cue 代表性的、以共鸣度为权重的凸组合:

Resonance(共鸣度) $\mathcal{W}(\omega_c)=E[S(\omega,\omega_c)]$ :cue 与所有状态的平均相似度,即它能唤起多少状态。
Representativeness(代表性) $\mathcal{D}^\psi(\omega_c)=\frac{Cov[S(\omega,\omega_c),\psi(\omega)]}{E[S(\omega,\omega_c)]}$ :cue 唤起的状态是否偏向高效用/某假设 H。

关键假设: ①相似性函数 $S$ 外生且可由主观相似性判断代理;②agent 对扭曲天真;③cue 与状态空间有良定义的相似度(故无法处理如"情绪"这类异质线索)。

可检验预测(由相似性数据事前约束):

共鸣度相近时,代表性越高的 cue 越能抬高对应信念。
不可能的 cue 也能扭曲信念(只要它与可能状态相似),因 resonance 不等于概率。
扭曲有上限: $E_s[\psi|C]-\Psi_{rat}\le \max_{\omega\in C}\mathcal{D}^\psi(\omega)$ ;若 H 与相似性相关特征无关(如奇偶),则信念对线索免疫。
聚合极限/相互干扰:即使线索数 $|C|\to\infty$ ,多个线索互相"挤出",合力仍受代表性上限约束。

结构估计方法: GMM,自助法构造置信区间。用 360 个 cue、1,862 名被试、两个问题共 722 个矩,而模型仅 3 个自由度(默认情境的 resonance、对正/负的代表性、对奇/偶的代表性)。借 Fudenberg et al. (2022, 2023) 的 completeness / restrictiveness 评估:77.3% complete(达到随机森林上限解释力的 77%)、97.6% restrictive(对打乱的合成数据几乎无法拟合)——既拟合真实数据,又不是"什么都能解释"。

核心发现(效应量)

Baseline 正/负 cue 效应巨大: 看正向 cue 者认为 58.9% 的局为正,看负向 cue 者仅 39.8%(控制组 44.5%),差距 19.1 pp = 控制组信念标准差的 77%, $p<0.001$ 。作为参照,Möbius et al. (2022) 中一个 75% 准确的客观信号也只造成 48% 标准差的信念差异——无信息线索的效应甚至可与相当精确的真实信号相比。
不可能的 cue 同样有效: 正向不可能 cue 54.6% vs 负向 43.8%( $p<0.001$ )。明确知道不可能的虚构结果,仍因与可能状态相似而扭曲信念。
奇/偶 cue 无效(模型成功预测的零结果): 45.9% vs 46.7%( $p=0.551$ ),与控制组无异。因奇偶结果"交错",cue 对奇偶假设的代表性≈0。模型既预测了"动",也预测了"不动"。
过程数据支持机制: 看正向 cue 者报告"正向结果浮现脑海"的概率高 30.1 pp( $p<0.001$ );奇偶 cue 则无差异——直接呼应"哪些状态被唤起"的机制。
多线索趋向上限: 10 个正向 cue → 信念升至 70.2%,接近代表性上限 67.9%;10 个负向 cue 略微超过模型预测。
稳健性: 排除学习、噪声/分心(本文研究的是过度反应而非衰减)、实验者需求(明确反向告知反而压低效应;且只有理论预测该起作用的 cue 才起作用)。

维度3:经济应用

(1) 外生线索 → 跨期选择(消费-储蓄): 把模型嵌入标准跨期框架,情境 $C_t$ 由当前与过去经历的状态构成,得到相似性修正的欧拉方程,两条扭曲渠道:

Differential cueing(哪些未来状态浮现): 当前/过去经历若与高边际效用未来状态相似 → 过度储蓄。统一刻画了经验效应(Malmendier-Nagel:经历过萧条者更谨慎)与投射偏差(Loewenstein et al.)。且因经由相似性起作用,效应具领域特异性——经历过某类风险会在相似领域更谨慎,却可能在不相似领域(如健康 vs 金融)反向更不谨慎。
Cognitive discounting(有多少未来状态浮现): 未来越不similar于当下→越难想象→当下消费相对偏高,内生出现时偏差/双曲贴现(Laibson)。新颖含义:身处不寻常情境时更显冲动("超市里精打细算,度假时挥霍"),且越久处于与未来相似的稳定情境会越有耐心。

(2) 内生线索 → 说服与产品设计: 说服者(厂商/顾问)同时选择产品 $\psi$ 与 cue $Q$ 以抬高天真接收者的支付意愿。核心结论——风险性 vs 可被说服性的权衡:完全安全的资产无法被 cue(各状态收益相同),而风险/状态依赖型资产可被"挑高点"说服("科技板块可能起飞!")→ 顾问诱导客户持有欠分散组合以最大化费用;消费品则被设计得更"特化"(分时度假房、跑车、保修/旅行险),广告 cue 其高效用场景 → 买家事后后悔(实际很少身处那些高效用状态)。

与其他文献的关系

联想采样/记忆与模拟: 直接承接 Bordalo_2023_Memory_Beliefs 的相似性采样框架,但将其从"唤起记忆"推广到"唤起未实现的可能状态";与 Enke_Schwerter_Zimmermann_2024、Graeber et al. (2024) 的相似性/认知机制一脉相承。
代表性启发式: 沿用 Kahneman & Tversky (1972) 的 representativeness 概念并形式化;与 Gennaioli_Shleifer_2018_CrisisOfBeliefs 的诊断性预期是不同但相关的"相似性驱动信念偏差"路径。
信念更新基准: 以 Möbius et al. (2022) 的客观信号更新作为效应量参照,凸显无信息线索之强;与 Enke_Graeber_2019_CognitiveUncertainty_WP 的认知不确定性互补。
心理学锚定/启动: 与 Tversky & Kahneman (1974) 锚定、Collins & Loftus (1975) 语义启动同源,但给出方向与量级的定量预测。
应用端: 经验效应 (Malmendier-Nagel 2011)、投射偏差 (Loewenstein et al. 2003)、现时偏差 Laibson_1997_QJE、欠分散 (Benartzi 2001);行为说服承接 Schwartzstein & Sunderam (2021)。

评注与可能的切入点

方法论亮点: "用独立的相似性判断事前约束信念预测"是规避"事后合理化"批评的范本,且 completeness/restrictiveness 双指标值得本库其他结构模型笔记借鉴。
对本人研究的关联: 该模型为"动机性信念/投资者信念"提供了一个非动机性、纯认知的替代机制——金融情境中的 framing、广告、近期经历都可视为 cue。可考虑:在资产市场实验中操纵 cue 的 resonance/representativeness,检验其对价格预期与交易的影响;或与动机性更新(motivated updating)做horse race。
局限: 相似性函数外生;无法处理情绪类线索;naive 假设未检验 agent 是否会学习去 debias。

Conlon_Kwon_2025_BeliefsFromCues