Good News and Bad News are Still News: Experimental Evidence on Belief Updating

元数据

• 作者: Alexander Coutts
• 年份: 2019
• 期刊: Experimental Economics, 22(2), 369-395
• 机构: Nova School of Business and Economics
• DOI: 10.1007/s10683-018-9572-5
• 关键词: Belief updating, Bayesian updating, Asymmetry, Good news, Bad news, Conservatism

一句话总结

通过精心设计的防对冲（hedge-proof）实验, 在控制信号结构后发现"好消息偏好"（asymmetric updating favoring good news）并不存在: 被试反而对否定信号反应更强, 且这种不对称在有金钱利益（valenced）和中性条件下完全一致, 说明并非由动机性推理驱动。

研究问题

在贝叶斯更新基准下, 人们对"好消息"（让自己更富裕或形象更好的信号）和"坏消息"（相反方向的信号）的反应是否系统性不同? 此前文献（Mobius et al. 2014; Eil & Rao 2011）发现存在好消息偏好, 这是源于真实的动机性推理（motivated reasoning）, 还是源于实验设计中的信号结构混杂或激励不相容?

核心贡献

1. 方法贡献: 采用Blanco et al. (2010)的防对冲（hedge-proof）支付机制, 将奖金状态与准确性状态分离, 确保被试无法通过歪曲信念报告来对冲事件结果, 从而获得激励相容的真实信念。
2. 识别贡献: 通过within-subject随机分配是否持有金钱利益（$0 vs $80 stake）, 在同一被试内部干净地比较valenced（好/坏消息）与neutral（仅信息）条件下的更新模式。
3. 实证贡献: 报告与"好消息偏好"完全相反的结果——否定信号被赋予更高权重（\beta_0 > \beta_1）, 且valenced与neutral条件无差异, 说明此前文献中的不对称可能源于信号结构（先验多低于0.5时否定信号天然更具信息量）而非动机性推理。

核心问题

人们在面对"好消息"（good news）和"坏消息"（bad news）时，信念更新是否存在不对称性？具体而言，是否存在所谓的"好消息偏好"（即对好消息过度更新、对坏消息不足更新）？本文通过精心设计的实验检验这一问题，并挑战了此前文献中关于不对称更新的结论。

维度1：实验设计分析

被试与招募

• 被试: 大学生，在实验室中进行
• 样本量: 约120名被试（多个session）
• 激励: 真实金钱支付，包括准确性支付（accuracy payment）和事件利益（financial stake）

实验任务详细流程

总体结构

每位被试对**多个二元事件（binary events）**进行信念更新。实验包含以下五类事件：

1. Easy Dice（简单骰子）: 2个骰子掷出特定结果的概率
2. Hard Dice（困难骰子）: 4个骰子掷出特定结果的概率
3. Weather（天气）: 被试是否正确估计了纽约市某随机日期的平均温度（正负5华氏度以内）
4. Quiz Self（测验-自我）: 被试自己是否在此前进行的测验中得分位于前15%
5. Quiz Other（测验-他人）: 房间中随机选取的另一被试是否在测验中得分位于前15%

信念引出流程（每个事件）

第1步：报告先验信念（Prior）

• 被试报告事件E发生的概率 \tilde{\pi}（0-100%）

第2步：接收信号（Signal）

• 被试收到一个关于事件E的二元信号（肯定信号"+"或否定信号"-"）
• 信号的准确性为已知的 \frac{2}{3}：即如果事件E确实发生，收到"+"信号的概率为2/3，收到"-"信号的概率为1/3；反之亦然
• 中性信号：也存在中性信号（即无信息含量的信号）

第3步：报告后验信念（Posterior）

• 被试在收到信号后报告更新后的信念

第4步：重复

• 对每个事件，被试共接收3轮信号，每轮信号后更新信念
• 因此每个事件产生4次信念报告（1次先验 + 3次后验）

关键设计特征

（1）防对冲设计（Hedge-Proof Design）

• 采用Blanco et al. (2010)的方法
• 将支付世界划分为两个互斥状态：
  • 准确性状态（Accuracy State）：以概率0.5发生，根据被试报告的信念 \tilde{\pi} 使用**抽奖法（lottery method）**支付准确性报酬（a > 0，session层面随机化为$3、$10或$20）
  • 奖金状态（Prize State）：以概率0.5发生，被试获得保底支付 \bar{a}，若事件E发生则额外获得**$80**，若不发生则无额外收入
• 这一设计确保被试无法通过操纵报告信念来对冲事件结果的风险

（2）事件效价操控（Good/Bad News vs. Just News）

• 有利益的事件（Valenced / Good-Bad News）: 当被试持有$80的financial stake时，"+"信号意味着好消息（事件发生则获得更多钱），"-"信号意味着坏消息
• 无利益的事件（Neutral / Just News）: 当被试无financial stake（$0）时，信号仅包含信息内容，无好坏之分
• Financial stake在个体-事件层面随机分配（50%概率获得$0或$80）

（3）Within-subject设计

• 每位被试同时经历有利益和无利益的事件，允许在个体内部比较更新行为

支付机制

• 随机选取一个事件用于支付
• 对选中事件，随机进入准确性状态或奖金状态
• 准确性状态下使用抽奖法确定支付
• 奖金状态下根据事件结果确定支付

维度2：理论模型

贝叶斯更新基准（Bayesian Benchmark）

对于信号准确性为 q = \frac{2}{3} 的二元信号，贝叶斯法则给出：

收到肯定信号（+）后的后验概率：
$\pi^{+} = \frac{q \cdot \pi}{q \cdot \pi + (1-q)(1-\pi)}$

收到否定信号（-）后的后验概率：
$\pi^{-} = \frac{(1-q) \cdot \pi}{(1-q) \cdot \pi + q(1-\pi)}$

核心实证模型

采用Mobius et al. (2014)的log-odds框架：

其中：

• \text{logit}(p) = \ln\frac{p}{1-p}，即log-odds变换
• \tilde{\pi}_{t}：第t轮的后验信念
• \tilde{\pi}_{t-1}：第t-1轮的信念（即先验）
• \lambda_t^{+} = \ln\frac{q}{1-q}：肯定信号的log似然比（若收到"+"信号）
• \lambda_t^{-} = \ln\frac{1-q}{q}：否定信号的log似然比（若收到"-"信号）
• \delta：先验信念的权重参数
• \beta_1：对肯定信号的反应系数
• \beta_0：对否定信号的反应系数

贝叶斯基准下的参数值

• \delta = 1（先验被完全纳入）
• \beta_1 = 1（对肯定信号的反应恰好等于贝叶斯预测）
• \beta_0 = 1（对否定信号的反应恰好等于贝叶斯预测）

偏差的解读

• \delta < 1：基率忽视（base rate neglect），先验被低估
• \beta < 1：保守更新（conservatism），对信号反应不足
• \beta > 1：过度更新（over-updating），对信号过度反应
• \beta_1 \neq \beta_0：不对称更新（asymmetric updating）
  • \beta_1 > \beta_0：对肯定信号更敏感（"好消息偏好"假说所预测）
  • \beta_1 < \beta_0：对否定信号更敏感

效价比较模型

为检验好消息/坏消息不对称是否与中性环境不同，扩展模型加入效价交互项：

其中 V 表示有效价条件（good/bad news），N 表示中性条件（just news）。

维度3：核心发现

发现1：整体保守更新（Conservatism）

• \delta = 0.914*（SE = 0.009），显著小于1（p < 0.001）
  • 先验信念被略微低估，存在一定程度的基率忽视
• \beta_1 = 0.588*（SE = 0.034），显著小于1（p < 0.001）
  • 对肯定信号的反应远低于贝叶斯预测，约为贝叶斯量的59%
• \beta_0 = 0.793*（SE = 0.038），显著小于1（p < 0.001）
  • 对否定信号的反应也低于贝叶斯预测，约为贝叶斯量的79%

发现2：否定信号被赋予更高权重（"坏消息效应"）

• \beta_1 - \beta_0 = -0.205，显著为负（p < 0.001）
• 被试对否定信号的反应显著强于对肯定信号
• 这与"好消息偏好"假说（\beta_1 > \beta_0）的方向完全相反
• 效应量：否定信号的权重比肯定信号高约35%（0.793 vs 0.588）

发现3：好消息/坏消息条件与中性条件无差异

• 在有financial stake（好/坏消息）条件下：\beta_1^V = 0.528，\beta_0^V = 0.722
• 在无financial stake（中性消息）条件下：\beta_1^N = 0.454，\beta_0^N = 0.762
• Chow检验结果（检验有效价与中性条件的参数是否相等）：
  • \delta^V = \delta^N：p = 0.4444（不能拒绝）
  • \beta_1^V = \beta_1^N：p = 0.2195（不能拒绝）
  • \beta_0^V = \beta_0^N：p = 0.5313（不能拒绝）
  • (\beta_1^V - \beta_0^V) = (\beta_1^N - \beta_0^N)：p = 0.1709（不能拒绝）
• 核心结论：不对称更新在有效价和无效价条件下的模式完全一致，说明不对称并非由好/坏消息的动机性推理驱动

发现4：跨事件类型的一致性

• 骰子事件的保守性最强，自我相关事件（Weather、Quiz Self）更接近贝叶斯
• 不对称更新在大多数事件中方向一致（\beta_1 < \beta_0）

发现5：信号顺序效应

• 收到相同信号序列但顺序不同的被试，更新行为存在显著差异
• 先收到否定信号再收到肯定信号的被试，与先收到肯定信号再收到否定信号的被试相比，表现出不同程度的不对称（Columns 5-6, Table E5）
• 这一发现暗示更新行为可能受到信号结构（signal structure）的影响，而非纯粹的效价驱动

发现6：贝叶斯法则的充分性、稳定性与不变性

• 充分性（Sufficiency）: 滞后信号在第3轮有显著预测力（\beta_{t-2} = 0.164***），部分违反
• 稳定性（Stability）: Chow检验拒绝跨轮次参数相等（\delta: p = 0.0260; \beta_1: p < 0.001; \beta_0: p = 0.0005）
• 不变性（Invariance）: \delta = 1 在1%水平被拒绝

发现7：Financial stake和accuracy payment不影响结果

• $0 vs $80 stake：不能拒绝参数相等
• $3 vs $10 vs $20 accuracy payment：不能拒绝参数相等
• 不同激励条件下更新行为高度一致

发现8：仅限主动更新的子样本

• 当仅分析主动更新（active updates，排除保持不变的被试）时，出现过度更新（\beta_0 = 1.305***）而非保守
• 不对称模式仍然存在（\beta_1 - \beta_0 = -0.231, p < 0.001）

维度6：与其他文献的关系

本文的核心贡献

1. 挑战"好消息偏好": 直接回应Mobius et al. (2014)和Eil & Rao (2011)等发现的好消息不对称更新，证明该不对称在控制了信号结构后消失
2. 方法论创新: 使用防对冲设计（hedge-proof design），解决了信念引出中的激励相容问题
3. 关键识别策略: 通过within-subject比较有效价与无效价条件，提供了识别动机性推理的干净检验

与关键文献的关系

在信念更新文献中的定位

• 保守更新（Conservatism）: 本文证实大量保守更新的存在（\beta < 1），与经典心理学文献一致
• 基率忽视（Base Rate Neglect）: 适度存在（\delta \approx 0.9）
• 动机性推理（Motivated Reasoning）: 本文的核心否定性发现 -- 不对称更新不是由好/坏消息的动机驱动
• 信号结构效应: 提出否定信号天然更有信息量（因先验多低于0.5），可能解释此前文献中的不对称发现

局限性

1. 仅使用大学生被试，外部效度有限
2. 信号准确性固定为2/3，不同准确性水平下结果可能不同
3. 骰子事件的先验系统性低于0.5，可能影响跨事件比较
4. 不能完全排除被试从信念中获得效用（如自我形象）的可能性

维度4：变量概览

维度5：局限性

1. 被试同质性: 仅使用大学生被试, 外部效度有限, 无法直接推广至真实金融市场参与者。
2. 信号准确性单一: q=2/3固定, 无法识别参数对信号精度的依赖（如高精度信号是否引发不同更新模式）。
3. 先验分布不平衡: 骰子事件的客观先验系统性低于0.5, 可能与不对称发现混杂——否定信号在低先验区域天然更具log-odds变化量。
4. 效用从信念中获得的可能性: 即使存在防对冲, 仍无法完全排除被试从持有特定信念本身（如自我形象、anticipatory utility）中获得效用。
5. 支付状态的认知复杂性: 准确性状态与奖金状态的随机化机制对被试的理解要求较高, 可能引入认知噪声。
6. 不能直接区分动机性推理与认知性偏差: 虽然valenced=neutral, 但如果两种条件均存在某种与动机无关的认知偏差, 该设计无法识别。

维度7：可拓展的研究方向

1. 跨人群外部效度: 在金融市场参与者、患者、求职者等高风险决策环境中复制本设计, 验证不对称模式的稳健性。
2. 信号精度调节: 系统操控q从0.55到0.95, 检验更新偏差是否随信号精度变化。
3. 先验校准研究: 通过实验操控先验水平（如要求被试达到特定先验）以分离先验位置效应与效价效应。
4. 动态记忆研究: 结合Zimmermann_2020_DynamicsOfMotivatedBeliefs的方法, 检验信念更新后是否随时间出现选择性遗忘。
5. 神经经济学拓展: 结合脑成像研究信号处理过程, 识别认知不对称（如否定偏好）的神经机制。
6. 多维不确定性扩展: 借鉴Coutts_Gerhards_2024_SelfServingAttributionBias在多维归因情境下的设计, 扩展到信念更新的归因维度。
7. 从信号结构到真实决策: 将本研究的更新偏差与真实金融决策（如投资组合调整）结合, 量化偏差的福利后果。

标签

#belief_updating #bayesian #conservatism #asymmetric_updating #good_news_bad_news #motivated_reasoning #experimental_economics #hedge_proof_design #log_odds

关键结论

1. 不存在好消息偏好: 被试在控制信号结构后表现出对否定信号反应更强的不对称模式（\beta_0 = 0.793 > \beta_1 = 0.588）, 与"好消息偏好"假说方向相反。
2. 不对称非动机性: valenced（持$80利益）与neutral（无利益）条件下的更新参数无显著差异, Chow检验无法拒绝两者相等, 表明此前文献中观察到的不对称并非由动机性推理（motivated reasoning）驱动。
3. 保守更新仍是主导模式: 整体存在显著的保守更新（\beta < 1）和轻度基率忽视（\delta = 0.914 < 1）, 与经典心理学文献一致。
4. 方法论启示: 引出真实信念需采用激励相容设计（如hedge-proof机制）, 否则被试的对冲动机会污染信念报告, 可能导致研究者错误地将信号结构效应识别为动机性偏差。
5. 对Mobius et al. (2014)和Eil & Rao (2011)的再解读: 此前文献中的"好消息偏好"很可能是先验位置不对称（先验多低于0.5）与信号结构交互作用的产物, 而非真实的动机性更新。