What to Blame? Self-Serving Attribution Bias with Multi-Dimensional Uncertainty

一句话总结

在多维不确定性环境下，个体不仅过度高估自身能力，还会通过对"队友"等他人的信念扭曲，灵活分配责任以维护正面自我形象——self-serving attribution bias 在多维世界中获得了额外"自由度"，并通过更不愿更换队友的行为后果延续过度自信。

研究问题

当结果由多个不确定性来源（自己的能力 + 队友的能力，或自己 + 随机环境）共同决定时，个体如何在贝叶斯更新基础上扭曲信号归因？这种 self-serving attribution bias 是否仅出现在涉及人类他人的情境中？它对个体后续的环境选择行为（如是否更换队友）有何影响？

核心贡献

1. 首次提出多维不确定性下 self-serving attribution bias 的正式经济学模型，引入两个独立的扭曲参数 \gamma_s^1、\gamma_s^2 分别刻画对自身和他人信念的扭曲方向与强度
2. 设计了一个能识别"自我归因"成分的实验范式：Main treatment（被试是团队成员）vs. Control treatment（被试是第三方观察者），信息集几乎完全相同但 ego stake 不同
3. 提出一种新颖的间接激励兼容信念引导机制——通过 2x2 概率矩阵 + 权重决策同时引导联合信念，不依赖风险中性假设
4. 实证发现 self-serving bias 不仅存在，且具有"灵活归因"特征：被试既低估关于自身的负面信号，也正向扭曲对队友的信念以抵消权重决策中的经济成本
5. 通过 Follow-up 实验证明 self-serving bias 需要"人类他人"作为不确定性来源——替换为随机基本面后偏差消失，揭示了认知成本随扭曲对象性质而异
6. 展示信念扭曲的真实行为后果：Main treatment 被试更不愿付费更换队友（31% vs. Control 47%），暗示过度自信会通过环境选择长期持续

维度1：实验设计分析

实验任务详细流程

本文包含三个实验：主实验（Primary lab experiment）、后续实验（Follow-up lab experiment）、验证实验（Validation online experiment）。

主实验（Primary Lab Experiment）

地点与平台： 汉堡大学WiSo实验室，使用z-tree软件，面对面实验。2017-18学年分两波（wave 1: 192人，wave 2: 234人）共17场，总计426名学生参与。

Part 1：IQ测试（10分钟）

• 被试完成一份包含15道题的智力与逻辑测试（trivia and logic test）
• 指导语强调："这类题目常用于衡量一般智力（IQ），请尽可能多地正确回答"
• 激励：每题答对得2.5分，答错扣1分，未答不扣分，分数不低于零
• 被试被随机分配到"难版"或"易版"测试（session层面随机）
• 此阶段结束后不提供任何表现反馈

Part 2：团队配对与信念引导（核心阶段）

Step 1 - 配对与先验信念：

• 被试被配对为两人团队。每人的测试成绩与同场session中随机选取的19人组成的比较组比较，排名前10为"top half"，后10为"bottom half"
• 被试不知道自己或队友的绝对分数、排名，也不知道队友身份
• 被试只被告知队友尝试回答了多少道题（而非实际成绩），以提供有限信息
• 被试报告先验信念：自己（teammate 1）和队友（teammate 2）进入top half的概率

Step 2 - 权重决策与信念引导界面（Figure 1截图描述）：

• 界面上方：两个滑块分别用于输入"你的表现在Top 10的概率"和"队友的表现在Top 10的概率"（显示为百分比，如25%、47%）
• 界面中部：一个2x2矩阵，显示四种状态下的联合概率（You Top 10 x Teammate Top 10、You Top 10 x Teammate Bottom 10等），被试可用+/-按钮调整，总和必须等于100%
• 界面下部：一条曲线图显示所选权重(weight)与赢得10欧元概率的映射关系。电脑根据被试报告的信念自动计算最优权重并推荐
• 被试可选择接受推荐权重或自行修改，然后提交

Step 3 - 反馈（重复4轮）：

• 提交权重后，被试收到来自"team evaluator"的二元反馈信号，以卡通形象呈现
• 正面反馈 = "green check"（绿色勾号），负面反馈 = "red X"（红色叉号）
• 反馈概率取决于两人的实际排名：
  • 两人都在top half → 90%正面 / 10%负面
  • 一人top一人bottom → 50%正面 / 50%负面
  • 两人都在bottom half → 10%正面 / 90%负面
• 关键设计：反馈(i)来源于Part 1的实际表现，(ii)各轮独立，(iii)不依赖于被试报告的信念或权重
• 收到反馈后，被试再次报告后验信念（两人各自进入top half的概率），并提交新的权重
• 此过程重复4轮，共报告5次信念、提交5次权重

Part 3（仅Wave 2）：更换队友的意愿支付

• 在Part 2结束后，被试被告知有机会花钱更换队友（teammate 2）
• 使用BDM机制：被试报告最大支付意愿（0至5欧元），电脑随机生成价格，WTP >= 价格则更换并支付
• 更换后的Part 3流程与Part 2完全相同（新队友、新信念引导、4轮反馈）

Control Treatment（200人）：

• 被试不是团队成员，而是作为第三方观察者，为另一个两人团队做出等价决策
• 被试看到teammate 1答题界面的截屏，并知道teammate 2尝试了多少题
• 关键区别：被试自己的测试表现与收益无关（无自我保护动机），但信息集几乎完全相同
• 通过比较Main与Control treatment，可以分离出ego-driven的归因偏差

后续实验（Follow-up Lab Experiment）

地点： 汉堡大学，2021-22学年，219名参与者。

设计： 与主实验Main treatment完全相同，唯一区别是teammate 2被替换为一个"随机基本面"（random fundamental）——一个可取HIGH或LOW值的随机因素。被试被告知不是与另一个人配对，而是与一个随机因素匹配。

先验信念校准： 为使先验信念与人类队友版本相似，给定被试一个关于random fundamental为HIGH的概率范围（取自主实验中关于teammate 2的实际先验分布，上下浮动15个百分点）。

目的： 检验当不确定性的第二维度来源从"人类队友"变为"非人类随机因素"时，self-serving attribution bias是否仍然存在。

验证实验（Validation Online Experiment）

平台： Prolific，2023年，N = 600。

设计： 两个between-subject treatments：

1. Human treatment（N = 301）：被试与一个曾参加过实验室实验的真人配对，知道该人参加了IQ测试并有排名（1-20，1-10为top，11-20为bottom）
2. RF treatment（N = 299）：被试与一个随机数字配对（1-20随机抽取，1-10为high，11-20为low）

任务流程：

• 被试提供"initial estimate"：配对对象为top/high的概率（使用BSR激励）
• 然后有机会修改估计值（"revised estimate"）：除BSR激励外，每偏离初始估计5个百分点可额外获得1 token
• 理论上，面对修改激励，风险中性者的最优扭曲为20个百分点

目的： 直接检验人们是否更容易扭曲关于人类（vs. 随机基本面）的信念。

其他实验设计要素

维度2：理论模型

基准理论

贝叶斯更新（Bayesian updating）作为基准。在2x2状态空间中（teammate 1能力 x teammate 2能力各取{B, T}），个体收到二元信号（正面p/负面n），信号概率取决于四种状态：

行为偏差形式化

Self-Serving Attribution Bias模型： 个体按修改版贝叶斯规则更新，但允许跨不同不确定性来源进行灵活的错误归因。

核心扭曲参数：

• \gamma_s^1：对关于teammate 1（自己）能力的信号似然比的扭曲。\gamma_s^1 > 1 表示正向自我归因（将信号更多归因于自己表现好）
• \gamma_s^2：对关于teammate 2能力的信号似然比的扭曲。\gamma_s^2 \lessgtr 1 表示正向或负向归因

关键公式 - 扭曲后的更新规则（对teammate 1）：

最优权重（无偏差时）：

扭曲后的最优权重：

实证检验方程（logit形式的结构模型）：

贝叶斯基准：\delta = \beta_1 = \beta_0 = 1。Self-serving bias预测：\beta_1 > 1（过度反应正面信号）且 \beta_0 < 1（反应不足负面信号）。

关键假设

1. 个体是主观期望效用最大化者
2. 信念扭曲发生在潜意识层面（非有意欺骗）
3. 扭曲的认知成本跨两个不确定性来源独立且可分
4. 认知成本函数 J_i(\gamma_s^i, 1) 凸且递增，在 \gamma_s^i = 1（贝叶斯）处最小化
5. 个体从过度自信信念中获得直接效用（\alpha \cdot b_{t+1}^1），\alpha \geq 0

可检验预测

• Hypothesis 1： Main treatment中关于自身表现的初始信念高于Control treatment（过度自信）
• Hypothesis 2： Main treatment中关于自身的信念更新是self-serving的：相比Control，过度加权正面信号、低估负面信号（\beta_1^{1,M} > \beta_1^{1,C}，\beta_0^{1,M} < \beta_0^{1,C}）；关于teammate 2的更新可能表现为正向偏差或负向偏差

Structural estimation

使用OLS回归估计方程(6)中的 \delta、\beta_1、\beta_0 系数。贝叶斯基准为所有系数等于1。通过比较Main vs. Control treatment的系数差异来识别自我服务归因偏差。

维度3：核心发现

Result 1：先验信念中的过度自信

• Main treatment中被试认为自己在top half的初始概率为 66.4%，显著高于50%（Wilcoxon p < 0.0001）
• Control treatment中teammate 1的初始概率为 56.3%，也显著高于50%（p = 0.0046）
• 两组差异显著（Wilcoxon rank sum p = 0.0005），确认存在真正的ego-driven过度自信
• 两组中关于teammate 2的初始信念无显著差异（Main 53.4% vs. Control 54.3%，p = 0.5723）

Result 2：关于自身的信念更新存在Self-Serving偏差

• Main treatment：\beta_1^{1,M} = 0.573, \beta_0^{1,M} = 0.260（Table 2）
• Control treatment：\beta_1^{1,C} = 0.506, \beta_0^{1,C} = 0.507
• 关键发现：Main中正负信号响应的不对称性（\beta_1 - \beta_0 = 0.313）显著大于Control（\beta_1 - \beta_0 = -0.001）
• 跨回归Chow检验：\beta_1 - \beta_0 的差异在Main vs. Control之间显著（p = 0.0040）
• 解释：被试在Main treatment中选择性地低估负面信号关于自身表现的含义

Result 3：关于Teammate 2的信念更新也存在偏差

• Main treatment：\beta_1^{2,M} = 0.398, \beta_0^{2,M} = 0.248（Table 3）
• Control treatment：\beta_1^{2,C} = 0.491, \beta_0^{2,C} = 0.418
• \beta_0^{2,M} 和 \beta_0^{2,C} 在5%水平显著不同（Chow test p = 0.0235）
• 方向：正向偏差——被试正向扭曲对队友的信念（而非负向归咎），以抵消self-serving权重扭曲的经济成本

Result 4：匹配先验后的处理效应（非参数方法）

• 匹配同一先验和信号分布后，Main treatment的被试对自身表现的后验信念比Control高 6.5至7.5个百分点（ATE = 0.065-0.075，p < 0.05）
• 效应在收到全部负面信号的被试中最强：ATE = 17.9个百分点（p < 0.01）
• 关于teammate 2的ATE约4.9-5.2个百分点，但不显著

Result 5：更换队友的意愿（行为后果）

• Main treatment中仅 31% 的被试愿意付费更换队友
• Control treatment中 47% 愿意更换
• 差异显著（Fisher exact p = 0.0207），Main treatment被试 少34% 愿意更换
• 平均WTP：Main = 0.39欧元 vs. Control = 0.74欧元（Wilcoxon p = 0.0061）

Follow-up实验结果

• 将teammate 2替换为random fundamental后，信念更新中不再存在任何系统性不对称
• 关于自身：\beta_1 = 0.516, \beta_0 = 0.507，\beta_1 - \beta_0 的p值 = 0.9197
• 关于random fundamental：\beta_1 = 0.352, \beta_0 = 0.364，\beta_1 - \beta_0 的p值 = 0.8690
• 与主实验Control treatment相比，Chow tests均不显著
• 结论：self-serving attribution bias需要人类队友作为不确定性来源才能产生

Validation实验结果

• Human treatment中 76.1% 的被试选择修改估计值
• RF treatment中仅 67.6% 修改（\chi^2 test p = 0.0200）
• 平均绝对修改幅度：Human = 16.1个百分点 vs. RF = 14.6个百分点（Wilcoxon p = 0.0653）
• 确认人们更容易扭曲关于人类（而非随机因素）的信念

稳健性

• 排除边界观察值和错误方向更新后结果一致
• 仅使用Part 2样本（排除Part 3）结果相似（Online Appendix 6）
• 非参数匹配方法与结构模型结论一致
• 测试难度的hard-easy效应不影响主要结论
• 93%的权重选择与推荐一致，排除7%异常值不影响结果

与其他研究比较

• 与Eil and Rao (2011)、Mobius et al. (2022)等一维信念更新文献对比：本文将self-serving bias从单维扩展到多维
• 与Hestermann and Le Yaouanq (2021)对比：后者在单维下发现过度自信者更频繁离开环境；本文在多维下发现相反结果——过度自信者更不愿更换队友
• 与Heidhues et al. (2018)的self-defeating learning对比：本文设计切断了信念与反馈之间的联系，避免了自我挫败学习问题

维度6：与其他文献的关系

领域位置

本文位于行为经济学中**信念更新与动机性推理（motivated reasoning）**交叉领域。具体聚焦于self-serving attribution bias在多维不确定性环境中的理论建模与实验检验。发表于顶级综合经济学期刊 The Economic Journal。

对话论文

• 过度自信与自我服务信念： Brunnermeier and Parker (2005), Benabou and Tirole (2002, 2011), Bracha and Brown (2012), Gervais and Odean (2001)
• 信念更新偏差实验： Eil and Rao (2011), Mobius et al. (2022), Coutts (2019a,b), Grossman and Owens (2012), Buser et al. (2018)
• 认知成本与信念扭曲： Engelmann et al. (2019), Bracha and Brown (2012)
• 多维不确定性与学习： Heidhues et al. (2018), Hestermann and Le Yaouanq (2021), Goette and Kozakiewicz (2020), Marray et al. (2021)
• 归因理论（心理学）： Kelley (1973), Weiner (2010), Miller and Ross (1975), Zuckerman (1979)
• 动机性推理： Kunda (1990), Zimmermann (2020), Drobner (2022)

新贡献

1. 理论贡献： 首次提出多维不确定性下self-serving attribution bias的正式经济学模型，展示了多个不确定性维度如何为self-serving bias提供额外"自由度"
2. 归因方向的新发现： 传统观点认为自我服务归因是"成功归自己、失败归外因"（负向他人归因）。本文发现在特定激励结构下，正向他人归因也可以是最优的——这挑战了心理学的传统理解
3. 不确定性来源的重要性： 通过Follow-up实验证明，不确定性来源的性质（人类 vs. 随机因素）影响信念扭曲的程度，即使物质激励完全相同——这暗示认知成本因扭曲对象而异
4. 行为后果： 首次展示self-serving attribution bias通过扭曲对他人的信念，影响个体是否更换环境（更换队友），可能导致过度自信在长期中持续存在
5. 方法贡献： 提出一种新的间接信念引导机制（通过权重决策），兼具激励兼容性且不要求风险中性假设

维度4：变量概览

维度5：局限性

1. 认知成本独立性假设： 模型假设两个不确定性维度的扭曲成本可分（J = J_1(\gamma^1) + J_2(\gamma^2)），但现实中跨维度可能存在认知溢出或互补
2. 更换队友的"惊喜性"： Part 3 的 WTP 决策对被试是事先未告知的惊喜机会，现实中个体可能预期到环境选择机会而调整信念扭曲策略
3. 替代解释难以完全排除： 尽管 Follow-up 实验排除了对人类他人的"内群体偏差"作为唯一驱动力，但被试可能仍将 random fundamental 拟人化或采用不同认知策略
4. 样本特征： 主要为德国大学生，外部效度（如金融市场专业投资者、跨文化背景）有待检验
5. 激励兼容性的间接性： 权重决策机制虽然在风险中性以外条件下也保持激励兼容，但被试需要理解 2x2 矩阵和权重曲线的复杂界面，可能引入认知噪音（93% 选择推荐权重，仍有 7% 偏离）
6. 静态认知成本： 模型未刻画扭曲程度随反馈轮次的动态调整，仅做横截面估计
7. 未区分意识/潜意识扭曲： 实验设计无法分辨被试是有意识地操纵报告还是潜意识地"相信"扭曲后的信念

维度6：与其他文献的关系（双链）

• Coutts_2019_GoodNewsBadNews_BeliefUpdating —— 同一作者一维信念更新基础研究
• Coutts_2019_TestingModels_BeliefBias —— 一维信念偏差模型测试
• Eil_Rao_2011_GoodNewsBadNews_AsymmetricProcessing / Eil_Rao_2011_GoodNewsBadNews_AsymmetricProcessing —— 单维 self-serving 信念更新经典文献
• Zimmermann_2020_DynamicsOfMotivatedBeliefs —— 动机性信念的动态特征
• Benabou_2015_EconomicsMotivatedBeliefs —— 动机性信念的经济学综述框架
• Benabou_Tirole_2016_MindfulEconomics_Beliefs —— mindful economics 与信念的效用属性
• Brunnermeier_2007_OptimalBeliefs_SkewedReturns —— 最优信念扭曲理论
• Heidhues_Koszegi_2023_MisinterpretingYourself —— 多维误归因的另一种理论路径
• Enke_Zimmermann_2019_CorrelationNeglect_BeliefFormation —— 多信号信念整合中的认知失误

维度7：可拓展的研究方向

1. 金融市场情境： 将多维 self-serving attribution 扩展到投资场景——投资者将收益归因于自身选股能力 vs. 市场运气 vs. 基金经理能力，是否影响交易频率与基金转换行为
2. 动态扭曲学习： 跨长时段（如多周）追踪扭曲参数演化，检验是否存在"扭曲适应"或"过度自信反弹"
3. 群体决策与团队动态： 多人团队中（n > 2），多维归因如何影响团队选择、贡献分配与冲突
4. 跨文化与人口学异质性： 不同文化（个人主义 vs. 集体主义）、性别、年龄如何调节多维扭曲模式
5. 认知负荷与扭曲成本： 通过实验操纵认知负荷（如时间压力、双任务）检验扭曲的"自动性"
6. AI/算法作为他人来源： 当队友被替换为 AI 或算法时，扭曲模式如何变化，对人机协作有重要含义
7. 政策应用： 在劳动力市场（解雇 vs. 留用决策）、教育（同伴效应）、组织管理中的应用
8. 神经经济学： 用 fMRI 检验多维信念扭曲的神经机制，是否激活 ventromedial PFC 等价值评估区域
9. 信息设计： 设计如何呈现反馈以减弱 self-serving 扭曲（如强制归因任务、外部审计）

关键结论

1. 在多维不确定性环境下，self-serving attribution bias 通过两个维度的灵活归因实现：被试既低估关于自身的负面信号（\beta_1 - \beta_0 不对称），又正向扭曲对队友的信念，以抵消权重决策中的经济成本
2. 这种 bias 是 ego-driven 的——只在被试本人参与团队时出现，在第三方观察者条件下消失
3. self-serving bias 需要"人类他人"作为不确定性来源——当队友被替换为随机基本面时，所有不对称性消失，揭示扭曲他人信念的认知成本依赖于对象性质
4. 信念扭曲具有真实行为后果：Main treatment 被试更不愿付费更换队友（少 34%），暗示过度自信会通过环境选择行为长期持续，形成"信念-行为"自我强化循环
5. 方法论上，通过权重决策的间接激励兼容机制为多维信念引导提供了新工具，可推广至其他多维不确定性研究