我的笔记

Elliott_Hobson_White_2024_Asymmetric_Motivated_Reasoning

更新于 2026/7/5

Asymmetric Motivated Reasoning in Investor Judgment

Elliott, Hobson, Van Landuyt & White (2023), Review of Accounting Studies

一句话总结

通过四个实验证明投资者的动机推理（motivated reasoning）是非对称的——做多者（Long）系统性地高估股价，但做空者（Short）的判断无偏，因为做空者的"激励偏好"（incentivized preference, 价格下跌）与"传统偏好"（conventional preference, 价格上涨被普遍视为好事）方向冲突，抑制了其动机推理。

研究问题

  1. 投资者的动机推理是否在做多与做空头寸之间对称？前人研究（Hales 2007等）默认两者同等有偏，是否准确？
  2. 何种机制导致做空者抑制动机推理——是缺乏激励偏好，还是激励偏好与情境中"传统偏好"的冲突？
  3. 这种非对称偏差能否在投资以外的情境（天气预测、体育表现预测）中重现，从而证明它是一般性的判断机制而非投资特有？
  4. 直接的做空经验是否能"训练"出做空者的动机推理偏差？

核心贡献

  1. 理论创新： 首次提出"非对称动机推理"理论——动机推理强度取决于激励偏好与情境传统偏好的（不）一致性，对Kunda (1990)框架进行了重要细化。参见 Kunda_1990_MotivatedReasoning。
  2. 方法论改进： 在投资实验中首次构建明确的理性无偏基准（Rational Benchmark），可直接度量偏差的绝对大小，而不仅是Long与Short之间的相对差异——这暴露了前人将"相对差异"误解为"双向对称偏差"的方法论问题。
  3. 核心实证： 发现Long traders系统性高估（Q1: +10.07点），而Short traders的判断统计上无偏（各季度均不显著异于0）；不确定性递减时Long的偏差单调收窄而Short无变化，支持合理性约束机制。
  4. 机制识别： 通过Experiment 3的天气情境正交设计，证明仅当存在传统偏好时方向相反的激励才产生非对称偏差；通过Experiment 4的Bowling/Golf设计，证明激励偏好与传统偏好"一致"的方向才会被增强。
  5. 政策意义： 对短卖文献（short-selling literature）有重要启示——Short sellers在档案数据中表现出的"信息优势"或"理性"，可能部分源于传统偏好对其动机推理的抑制，而非真实信息处理能力差异。

维度1：实验设计分析

本文包含四个实验（Experiment 1-4），逐步检验"非对称动机推理"（asymmetric motivated reasoning）理论。核心思想是：做多投资者（Long）比做空投资者（Short）更容易产生动机推理偏差，因为做空者的激励偏好（希望价格下跌）与投资情境中的传统偏好（conventional preference，即人们普遍希望价格上涨）方向相反，这种冲突抑制了做空者的动机推理。

Experiment 1：投资情境中的非对称动机推理（主实验）

实验平台与类型

  • 类型：实验室实验（Lab experiment）
  • 软件：z-Tree（Fischbacher 2007）
  • 被试：101名大型公立大学本科生
  • 时长：约30-45分钟
  • 平均报酬：$20.63（含$5 show-up payment）

实验任务完整流程（按时间线还原）

阶段一：初始训练活动（Preliminary Activity）

被试进入实验室后，首先完成一个与投资无关的初始训练活动。该活动旨在让被试体验"激励偏好"（incentivized preference）与"传统偏好"（conventional preference）一致或不一致的情境。

  • 训练包含三个日常生活场景：体育、天气和旅行
    • 体育场景：被试观察其大学橄榄球队在比赛中每节结束时的总分
    • 天气场景：被试观察一个家庭去国家公园度假时，连续四天出发前的天气状况（开放/关闭）
    • 旅行场景：被试追踪一位女士参加姐姐婚礼时四趟航班的准时状态（准时/延误）
  • 每个场景重复四次迭代，每次迭代代表一个独立结果
  • Conventional/Contrarian 操纵：
    • Conventional 条件：被试在结果与传统偏好一致时获得10点积分
    • Contrarian 条件：被试在结果与传统偏好相反时获得10点积分
  • 被试在训练活动中不需要做任何判断或决策，仅观察结果并了解积分规则
  • 两种条件下被试在三个场景的12轮中总共获得相同的积分

阶段二：理解检查与指导语

  • 被试阅读关于投资任务的详细说明，了解一家虚拟上市公司的情况
  • 说明中包含以下关键参数：
    • 公司股价以"点"（points）计价，每轮开始时股价为50点
    • 每季度EPS（每股收益）可在-10到+10之间等概率取值
    • 已实现的EPS直接、完全地反映到股价中（例如EPS=+10，股价从50变为60）
    • 公司有四个季度，被试需在每个季度盈余公布前做出判断
  • 指导语中包含多项理解检查题（comprehension checks），答错会有补救性指导，被试必须全部答对才能开始任务
  • 实验材料中包含强化"激励偏好"和"传统偏好"显著性的语言和意象（footnote 6提及）

阶段三：投资任务（Main Task）——重复四轮

投资任务在四个独立的轮次（rounds）中重复进行。每轮代表一个公司的完整财年（四个季度）。每轮中：

每个季度（Quarter）的具体步骤：

  1. 被试看到当前股价：每轮开始时股价为50点。随后各季度，股价反映了已公布的EPS。

  2. 被试估计最终股价（第四季度后的价格）：

    • 被试在一个输入界面中输入10到90之间的任意整数
    • 这是因为四季度EPS范围为-10到+10，所以最终股价范围为50+4*(-10)=10 到 50+4*(+10)=90
    • 激励：如果估计值与实际最终股价之差在2点以内，获得2点积分

  3. 被试做出交易决策：

    • 在每个季度盈余公布前，被试可以建立0到10股的保证金交易头寸（margin trading position）
    • 所有交易者初始现金和股票余额均为零
    • Long 条件：做多者在股价上涨时获利——买入价为当前股价，卖出价为第四季度后最终股价，差额为盈利/亏损
    • Short 条件：做空者在股价下跌时获利——做空者获得的支付等于当前股价减去最终股价

  4. 盈余公布：被试观察到该季度已实现的EPS，股价相应更新

  5. 重复：进入下一季度，重复步骤1-4

关于EPS的对称设计：

  • Long 和 Short 条件下的已实现EPS是对称的（镜像关系）：如果 Long 条件下Q1的EPS为-5，则 Short 条件下Q1的EPS为+5
  • 这确保了两个条件下交易获利/亏损的潜力完全等价
  • EPS实现值在各session中保持恒定

每轮结束后：

  • 被试看到最终股价和该轮总积分（包括估计准确性积分和交易盈亏积分）

阶段四：问卷与报酬

  • 四轮结束后，被试填写实验后问卷（post-experimental questionnaire）
  • 问卷包含Dark Triad人格量表（基于Majors 2016量表，改编自Jones & Paulhus 2014）
  • 查看总积分并换算成美元

Treatment 与 Control 设计

主要操纵（2 x 4 混合设计）：

  • Between-subjects 因子：Incentivized Preference（Long vs. Short），n=51 vs. n=50
  • Within-subjects 因子：Quarter（Q1, Q2, Q3, Q4）——反映信息不确定性的递减
  • 额外 between-subjects 因子（用于H3检验）：Conventional/Contrarian training

观测变量及精确测量方式

主要因变量——Estimate Deviation：

  • 定义：被试对最终股价的估计值 - 当前股价（即理性无偏基准）
  • 这是一个有符号变量：对 Long 交易者，正值代表偏差方向与激励偏好一致（高估）；对 Short 交易者，负值代表偏差方向与激励偏好一致（低估）
  • 计算时取每轮四个季度估计值的平均

交易决策（辅助变量）：

  • 每季度买入/卖出的股数（0-10），作为信心指标（confidence measure，参照Bloomfield et al. 1996）

因果识别策略

  1. 理性基准（Rational Benchmark）：由于EPS服从已知的均匀分布（-10到+10），且完全反映到股价中，当前股价即为最终股价的无偏估计。任何系统性偏离都可以明确归因于偏差。
  2. 对称设计：Long 和 Short 条件下的EPS实现完全对称（镜像），交易盈亏潜力等价，排除了收益结构差异的解释。
  3. 不确定性递减：从Q1到Q4，最终股价的可能范围逐渐收窄（Q1: 10-90; Q4: 最窄），提供了合理性约束（reasonableness constraints）递增的within-subjects变异。
  4. Margin trading 设计：Long 和 Short 都从零余额开始，使用借入的现金/股票，消除了两种条件在交易机制复杂性上的差异。

随机化策略

  • 被试随机分配到 Long vs. Short 和 Conventional vs. Contrarian 条件
  • EPS实现值预先确定且跨session恒定

激励机制

  • 估计准确性：估计值在实际最终股价2点以内得2点积分
  • 交易盈亏：根据头寸方向和股价变化计算
  • 积分在实验结束后换算为美元
  • 平均报酬约$20.63

Experiment 2：做空经验对动机推理的影响

实验类型

  • 在线实验 + 为期一周的纵向追踪
  • 被试：59名高排名公立大学会计硕士生

实验任务完整流程

Experience 条件（n=32）：

  1. 为期一周的每日通知：

    • 被试在一周内每天早上收到一条通知
    • 通知内容：从预设的101个交易日样本中随机抽取一天，告知S&P 500指数在该日是上涨还是下跌
    • 样本包含50个上涨日、50个下跌日、1个不变日
    • 激励：模拟做空——每当随机选中的日期S&P 500下跌时，被试获得$2

  2. 最终预测任务（实验最后一天）：

    • 除了每日通知和潜在$2支付外，被试完成一个最终预测任务
    • 从交易日样本中再随机抽取一天
    • 被试预测该日S&P 500变动值在所有101个交易日中的排名
    • 排名规则：最大亏损日 = Loss 50，最大涨幅日 = Gain 50
    • 激励：如果随机选中的日期是50个亏损日之一，被试额外获得$0.20乘以该日排名值的报酬；如果正确猜中排名，获$0.50

No Experience 条件（n=27）：

  • 一周内不收到任何每日通知
  • 在同一天直接完成预测任务（与 Experience 条件相同的预测任务）

因变量

  • 被试预测的S&P 500变动日排名值（预期为负值代表预期下跌）

设计要点

  • 仅关注做空者（不设Long条件），因为理论预测偏差不对称性主要源于Short条件
  • Experience 条件通过一周的真实做空激励体验，让被试熟悉做空利润与价格下跌的关联

Experiment 3：抽象情境中的传统偏好效应

实验类型

  • 在线实验（Qualtrics + Amazon Mechanical Turk）
  • 被试：323名MTurk参与者

实验任务完整流程

任务设置：

  • 被试面对一条101点的水平线，范围从"Left 50"到"Right 50"，中点为0
  • 一个随机点将在线上出现，每个位置等概率
  • 被试的任务是预测随机点的位置

2 (Incentivized Preference) x 3 (Context) between-subjects 设计：

Incentivized Preference 操纵（Left vs. Right）：

  • Left 条件：当随机点偏左时，被试获得更高报酬
  • Right 条件：当随机点偏右时，被试获得更高报酬

Context 操纵（No Context / Left is Good Weather / Right is Good Weather）：

  • No Context：不提供关于线段含义的任何额外信息——被试仅知道这是一条从Left 50到Right 50的线
  • Left is Good Weather：告知被试想象随机点代表明天的天气——线的一端（左端）对应"绝对美好的天气"（absolutely beautiful），另一端（右端）对应"绝对糟糕的天气"（absolutely terrible），中点对应"不好不坏"
  • Right is Good Weather：同上，但左右方向反转——右端对应好天气，左端对应坏天气

因变量——Prediction Bias：

  • 定义：被试预测的随机点位置与中点（0）的距离
  • 与激励一致方向的偏离记为正值，与激励不一致方向的偏离记为负值

设计逻辑：

  • No Context 条件下，Left 和 Right 被试拥有方向相反的激励偏好，但没有传统偏好——如果偏差仅来自激励偏好，两组应表现类似的 Prediction Bias
  • Context 条件下，好天气方向引入了传统偏好——当激励偏好与传统偏好一致时（如 Left incentive + Left is Good Weather），偏差应更大；当不一致时，偏差应更小

Experiment 4：保龄球与高尔夫情境

实验类型

  • 实验室实验（Qualtrics平台管理，但在控制的实验室环境中进行）
  • 被试：147名大型公立大学学生（实际分析96名有Incentivized Preference的被试 + 51名无Incentivized Preference的补充被试）

实验任务完整流程

2 x 2 + 2 between-subjects 设计：

  • Sporting Context：Bowling vs. Golf
  • Incentivized Preference：Long vs. Short（另有每个Sporting Context下一个无Incentivized Preference的cell）

任务步骤：

  1. 观看视频：

    • 被试观看Nintendo Wii Sports游戏的预录视频
    • Bowling 条件：观看三帧保龄球画面——结果分别是 strike（全中）、spare（补中，第一球击倒3个瓶第二球击倒7个）、spare（第一球击倒5个瓶两球均击倒）
    • Golf 条件：观看三洞高尔夫画面——同一个par-3球洞，结果分别是 birdie（低于标准杆1杆）、par（标准杆）、bogey（高于标准杆1杆）
    • 呈现顺序随机化以控制顺序效应
    • 被试被告知观看这些画面是为了了解该选手的水平

  2. 做出预测：

    • Bowling：预测该选手在完整10帧比赛中的总分
    • Golf：预测该选手在完整18洞比赛中的总杆数
    • 理性基准：根据观察到的三帧/三洞表现外推——Bowling的理性基准为180分，Golf的理性基准为72杆

  3. Incentivized Preference 操纵：

    • Bowling-Long：保龄球手总分每超过180分10分，被试获$2
    • Bowling-Short：保龄球手总分每低于180分10分，被试获$2
    • Golf-Long：高尔夫球手总杆数每低于72杆1杆，被试获$2
    • Golf-Short：高尔夫球手总杆数每高于72杆1杆，被试获$2
    • 准确性奖励：预测值在实际得分30分/3杆以内，额外获$2

  4. 观看实际结果：被试观看由电脑随机生成的最终结果（期望值恰好等于benchmark）

  5. 实验后问卷并获得报酬：含$5 show-up payment，平均总报酬约$10

传统偏好的方向性：

  • Bowling：传统偏好是高分——更高的分数代表更好的表现
  • Golf：传统偏好是低杆数——更低的杆数代表更好的表现
  • 因此 Long-Bowling 和 Long-Golf 的激励偏好方向相反，但都与各自运动的传统偏好方向一致

因变量——Scaled Prediction：

  • 被试对最终得分的预测值 / 理性基准（Bowling: 180; Golf: 72）
  • Scaled Prediction = 1.00 代表无偏估计
  • 大于1.00代表预测高分，小于1.00代表预测低分

其他实验设计要素汇总

要素 Experiment 1 Experiment 2 Experiment 3 Experiment 4
类型 Lab (z-Tree) Online + 纵向 Online (MTurk) Lab (Qualtrics)
样本量 101 59 323 147
被试 本科生 会计硕士生 MTurk workers 本科生
激励 积分换美元 $2/日 + 预测奖 变动报酬 $5固定 + 变动
理性基准 当前股价 无明确基准 中点(0) 180/72

实验亮点

  1. 理性基准设计（Experiment 1 & 4）：通过已知的信息结构（均匀分布、完全反映到价格），建立了明确的无偏基准，可以直接度量偏差的绝对大小，而非仅比较Long和Short之间的相对差异。这是对Hales (2007)等前人研究的重要改进。

  2. 对称激励设计（Experiment 1）：Long和Short的EPS实现值互为镜像，保证金交易机制使两者的盈亏结构完全对称，排除了理解难度或风险暴露差异的替代解释。

  3. 不确定性递减设计（Experiment 1）：Q1到Q4最终股价的可能范围收窄，提供了合理性约束（reasonableness constraints）的自然变异，用于检验动机推理的过程特征。

  4. 跨情境推广（Experiment 3 & 4）：将理论从投资情境推广到天气预测、体育表现预测等抽象或具体情境，证明了传统偏好效应并非投资所特有。

  5. 正交设计分离传统偏好（Experiment 3）：通过操纵有无Context，直接分离了"传统偏好"对偏差的贡献。

实验局限

  1. 被试为学生而非专业投资者，外部效度受限（但作者认为这使得结论更保守，因为经验可能增强而非减弱动机推理）
  2. Experiment 2 和 3 缺乏明确的理性无偏基准，限制了对偏差绝对大小的推断
  3. Experiment 1 中 Short 条件下 Estimate Deviation 的方差大于 Long 条件（Q4显著，其他季度不显著），可能影响统计检验力
  4. Experiment 4 的 Golf 条件证据相对混合——Long 和 Short 之间的直接比较不显著（p=0.21），仅在与理性基准比较时支持假设
  5. 论文未涉及市场层面的均衡效应或交互作用

维度2：理论模型

经典理论基准

动机推理（Motivated Reasoning）：Kunda (1990) 的经典框架——个体的偏好或目标导致其形成与偏好一致的信念，但偏差信念必须满足合理性约束（reasonableness constraints），即个体不会形成明显荒谬的信念。

先行研究的假设：Hales (2007), Hales et al. (2011), Thayer (2011) 假设 Long 和 Short 投资者同等地受到动机推理影响。

行为偏差模型的形式化表达

本文没有正式的数学模型，但提出了一个清晰的概念框架：

两种偏好的交互理论：

  1. Incentivized Preference（激励偏好）：由投资头寸直接产生——Long希望价格上涨，Short希望价格下跌。这是动机推理的驱动力。

  2. Conventional Preference（传统偏好）：由情境本身隐含——在投资情境中，无论持有何种头寸，人们普遍倾向于认为公司成功、股价上涨是好事（91%的受调查学生持此观点）。

  3. 冲突机制：当一个人的激励偏好与传统偏好方向一致（如Long投资者），两种偏好协同强化偏差。当两者方向不一致（如Short投资者），传统偏好提供了"替代目标"（alternative goal），削弱了个体仅依据激励偏好筛选信息的能力（Shah & Kruglanski 2002），从而抑制动机推理。

理论基础来自目标追求心理学：

  • Bargh (1990)：情境因素可以自动激活目标
  • Aarts & Dijksterhuis (2000)：观察他人的目标导向行为可以导致个体采纳该目标
  • Shah & Kruglanski (2002)：当焦点目标（focal goal）与替代目标（alternative goals）不一致时，焦点目标的效力减弱

模型关键假设

  1. 投资者通过有选择地获取和评估信息子集来支持其偏好信念（Kunda 1990的"biased subset"机制）
  2. 当传统偏好提供替代叙事（alternative narrative）时，个体更难仅关注支持激励偏好的信息子集
  3. 合理性约束限制偏差的上限——随着不确定性降低，可维持的偏差程度也降低
  4. 投资情境中存在普遍的价格上涨传统偏好（经调查验证，91%的学生认为价格上涨优于下跌）

可检验预测

  • H1：Long traders 的正向 Estimate Deviation > Short traders 的负向 Estimate Deviation（非对称偏差）
  • H2：随季度推进（不确定性降低），Long traders 的偏差降幅 > Short traders（非对称的不确定性效应）
  • H3：Contrarian 训练增加 Short traders 的偏差（经验效应仅影响Short）
  • H4：Dark Triad 人格特质增加 Short traders 的偏差
  • H5：无传统偏好情境下，方向相反的激励偏好产生等量偏差；有传统偏好时产生非对称偏差
  • H6：在 Bowling/Golf 中，激励偏好与传统偏好一致的参与者比不一致的表现出更多偏差

Structural estimation

  • 无结构估计。分析方法为混合设计ANOVA和t检验。

维度3：核心发现

Experiment 1 结果

H1（非对称偏差）——支持：

  • Incentivized Preference 主效应：F = 22.94, p < 0.01
  • Long traders 的 Estimate Deviation 在所有四个季度均显著大于零：
    • Q1: M = 10.07, t = 9.44, p < 0.01
    • Q2: M = 7.25, t = 9.33, p < 0.01
    • Q3: M = 5.33, t = 8.19, p < 0.01
    • Q4: M = 2.20, t = 5.38, p < 0.01
  • Short traders 的 Estimate Deviation 在所有季度均不显著异于零：
    • Q1: M = 1.22, t = 0.92, p = 0.36
    • Q2: M = 0.40, t = 0.32, p > 0.50
    • Q3: M = 1.30, t = 1.33, p = 0.19
    • Q4: M = 0.66, t = 0.92, p = 0.36
  • 关键发现：Long traders 的估计系统性地向上偏离理性基准（高估），而 Short traders 的估计无偏（没有系统性低估）

H2（不确定性递减效应）——支持：

  • Quarter x Incentivized Preference 交互：F = 14.59, p < 0.01
  • Long traders 的偏差从Q1到Q4单调递减（各季度间差异显著，all p < 0.01）
  • Short traders 的偏差在各季度间无显著差异（all p >= 0.21）
  • 这支持了动机推理的过程解释：偏差受合理性约束限制，当可能的价格范围缩小时，Long traders 的偏差空间减少

H3（Contrarian 训练效应）——不支持：

  • Conventional/Contrarian 训练对 Estimate Deviation 无显著主效应或交互效应（all p >= 0.47）
  • 一般性的Contrarian经验不足以增加Short traders的动机推理

H4（Dark Triad）——不支持：

  • Dark Triad 人格特质对 Short traders 的 Estimate Deviation 无显著影响

辅助发现——交易行为：

  • Long traders 的购买股数从Q1到Q4单调递减（Quarter x Incentivized Preference: F = 4.65, p < 0.01），反映了他们对偏差信念的信心逐渐降低
  • Short traders 的卖出股数在各季度间无显著变化

补充分析——偏好一致性（Preference Consistency）：

  • Preference Consistency x Incentivized Preference 交互：F = 12.01, p < 0.01
  • 当先前盈余信息与偏好不一致时，Long 和 Short traders 的估计差异更大
  • 这与 Hales (2007) 的模式一致，但本文额外表明 Long traders 的偏差更大

Experiment 2 结果

做空经验增加偏差——弱支持：

  • Experience 条件下的预测变动值：M = -26.25（预期下跌更多）
  • No Experience 条件下：M = -17.22
  • 差异 = -9.03, t = -1.63, one-tailed p = 0.06
  • 有做空经验的被试预测S&P 500下跌幅度边际显著地大于无经验者
  • 这表明直接的做空经验可以增加Short traders的动机推理（弥补Experiment 1中H3被拒的局限）

Experiment 3 结果

H5（传统偏好调节非对称性）——支持：

  • Incentivized Preference x Context 交互：F = 4.44, p = 0.01
  • No Context 条件：Left 和 Right 激励偏好之间 Prediction Bias 无显著差异（F = 0.12, p > 0.50）
  • Left is Good Weather 条件：激励偏好与好天气方向不一致的参与者偏差更小（显著差异，p < 0.01）
  • Right is Good Weather 条件：同样的模式（p = 0.04）
  • 关键发现：仅当存在传统偏好（天气context）时，方向相反的激励偏好才产生非对称偏差；无context时偏差对称

Experiment 4 结果

H6（Bowling/Golf 中的非对称偏差）——支持：

  • Sporting Context x Incentivized Preference 交互：F = 33.83, p < 0.01
  • Bowling-Long (Scaled Prediction M = 1.22)：显著高于基准1.00，t = 7.15, p < 0.01
  • Bowling-Short (M = 0.96)：不显著异于基准，t = 1.58, p = 0.13
  • Golf-Long (M = 0.95)：显著低于基准1.00，t = 3.03, p < 0.01（即预测更低杆数，与Golf的传统偏好一致）
  • Golf-Short (M = 0.98)：不显著异于基准，t = 0.80, p = 0.43
  • Bowling 中 Long 预测更高分（好）；Golf 中 Long 预测更低杆数（好）——方向相反但都与各自运动的传统偏好一致
  • 局限：Golf 条件下 Long vs. Short 的直接比较不显著（p = 0.21）

无Incentivized Preference的补充cell：

  • Bowling 无激励组：Scaled Prediction M = 1.12（显著高于基准，p < 0.01）
  • Golf 无激励组：M = 0.98（不显著）
  • 这提供了传统偏好即使在无激励偏好时也能影响判断的有限证据

稳健性检验

  • 实验后问题表明96%的被试正确回忆买卖方向，93%正确回忆激励偏好方向
  • 去除理解检查失败的被试后结果一致
  • Experiment 1 中考虑 Estimate Deviation 方差差异后（Levene's test），Q4方差差异显著但其他季度不显著，ANOVA结论不受影响
  • Short traders 的 Estimate Deviation 虽然是正值（非负值），但不显著，排除了Short也存在与激励一致的负向偏差的可能

与其他研究的一致性/差异

  • 与Hales (2007)一致：Long和Short traders对偏好一致/不一致信息的处理方式不同
  • 与Hales (2007)的关键区别：本文发现偏差是非对称的——Long有偏而Short无偏，而非两者都同等有偏
  • 与Seybert & Bloomfield (2009)一致：该研究的数据重新计算后也显示Long偏差显著（$3.38, t=3.33, p=0.01）而Short不显著（$0.83, t=0.60, p>0.50）
  • 与Han & Tan (2010), Fanning et al. (2015)的区别：这些研究使用"潜在投资者"而非实际持仓者，无法清晰分离激励偏好效应

维度6：与其他文献的关系

领域位置

  • 行为会计学 / 实验会计学
  • 投资者行为 / 动机推理
  • 交叉领域：心理学（目标追求、动机推理）与金融/会计

与哪些经典论文对话

论文 对话关系
Kunda (1990) 动机推理理论基础——本文的核心理论框架
Hales (2007) 最直接的前人研究——首次在投资情境中记录动机推理，但假设Long和Short对称
Hales et al. (2011) 扩展到语言对投资者判断的影响，同样假设对称
Thayer (2011) 投资者信息获取中的动机推理，假设对称
Shah & Kruglanski (2002) 目标冲突理论——焦点目标与替代目标的交互，为非对称性提供心理学基础
Seybert & Bloomfield (2009) "Wishful thinking"实验市场——本文重新分析其数据发现与本文一致的模式
Han & Tan (2010), Fanning et al. (2015) 使用"潜在投资者"的设计——本文指出其不足
Drake et al. (2011) 档案证据：Long和Short投资者行为的差异
Dechow et al. (2001), Boehmer et al. (2008) Short sellers 的信息优势和特殊性

新的知识贡献

  1. 理论贡献：首次提出并检验"非对称动机推理"理论——动机推理的强度取决于激励偏好与情境传统偏好的（不）一致性。这是对Kunda (1990)框架的重要细化。

  2. 实证贡献：

    • 首次建立理性无偏基准来度量投资者动机推理偏差的绝对大小（而非仅比较Long和Short之间的相对差异）
    • 发现Short traders的判断无偏（而非同等但方向相反地有偏）
    • 发现直接做空经验可以增加（而非减少）Short traders的偏差

  3. 方法论贡献：

    • 在实验设计中构建了明确的理性基准，强调了区分"相对差异"和"绝对偏差"的重要性
    • 通过对称的margin trading设计消除了Long和Short在交易机制上的差异

  4. 跨领域推广：将传统偏好与激励偏好的冲突理论推广到投资以外的情境（天气预测、体育表现预测），证明这是一个一般性的判断偏差机制。

  5. 实践意义：对于涉及做空的实验研究的设计和解读具有重要启示——Short traders在实验室中的行为可能系统性地不同于Long traders，这不一定反映Short sellers的理性或信息优势，而可能是传统偏好抑制了其动机推理。

维度4：变量概览

自变量

  • Incentivized Preference：Long vs. Short（Exp 1, 2, 4）；Left vs. Right（Exp 3）
  • Conventional Preference：通过Context操纵（Exp 3：天气方向）或Sport类型（Exp 4：Bowling高分/Golf低杆）
  • Conventional/Contrarian Training：12轮场景训练（Exp 1辅助操纵）
  • Experience：一周做空经验（Exp 2）
  • Quarter：Q1-Q4（Exp 1 within-subjects，反映不确定性递减）
  • Dark Triad人格：基于Majors (2016)量表（Exp 1辅助）

因变量

  • Estimate Deviation（Exp 1）：被试预测最终股价 - 当前股价（理性基准）；带符号（与激励一致为正）
  • Prediction Bias（Exp 3）：预测点偏离中点(0)的距离；带符号
  • Scaled Prediction（Exp 4）：预测分数 / 理性基准（Bowling=180; Golf=72）
  • Trading Quantity（Exp 1辅助）：每季度买入/卖出股数（0-10），作为信心指标
  • Predicted Rank（Exp 2）：S&P 500变动日的预测排名值

控制/识别变量

  • 理性基准：Exp 1: 当前股价；Exp 4: Bowling 180、Golf 72；由已知信息结构（均匀分布）推导
  • EPS对称设计：Long与Short条件下EPS互为镜像，确保盈亏潜力等价
  • Margin trading机制：Long与Short均从零余额开始，消除机制复杂性差异
  • 理解检查（comprehension checks）：必须全部答对方可开始任务
  • 被试特征：年龄、性别、专业、投资经验、Dark Triad分数

实验任务结构

  • Exp 1： 2 (Long/Short, between) × 4 (Quarter, within) × 2 (Conventional/Contrarian, between)
  • Exp 2： 2 (Experience/No Experience, between) — 仅Short
  • Exp 3： 2 (Left/Right, between) × 3 (No Context/Left-Good-Weather/Right-Good-Weather, between)
  • Exp 4： 2 (Bowling/Golf, between) × 2 (Long/Short, between) + 无激励cell

维度5：局限性

实验设计层面

  1. 被试外部效度： 主要使用大学生而非专业投资者；专业做空者经长期训练可能形成不同的动机推理模式（虽作者认为学生设计更保守）
  2. 理性基准的特殊性： 仅Exp 1和Exp 4有明确无偏基准；Exp 2与Exp 3缺乏，限制对偏差绝对大小的推断
  3. Short方差问题： Exp 1中Short条件下Estimate Deviation的方差大于Long（Q4显著），可能反映Short条件下被试反应更分散，影响零假设检验功效
  4. Golf条件混合证据： Exp 4中Golf-Long与Golf-Short直接比较p=0.21，仅与基准比较时支持H6
  5. 样本量与统计功效： 各实验cell通常仅25-50人，对小效应检验不足

理论解释层面

  1. 机制识别不完全： "传统偏好"如何精确抑制动机推理（注意分配、信息搜索、信念报告策略？）未被实验直接拆解
  2. "传统偏好"的测量： 仅通过91%调查支持率证明价格上涨为传统偏好，缺乏个体层面的偏好测量
  3. Conventional/Contrarian训练失败： H3被拒（Exp 1）但H4又被Exp 2边际支持，提示一般性Contrarian经验不足以训练Short偏差，需领域特异性经验
  4. 动机推理 vs 其他偏差： 设计无法完全排除其他解释（如锚定、保守性、风险厌恶差异）

结果稳健性层面

  1. 多重比较未做调整： 跨四个实验、多个假设、多季度的检验未明确做FDR/Bonferroni校正
  2. 未涉及市场均衡： 实验为个体决策，未检验非对称偏差在分散投资者市场中如何聚合（Long偏差是否被Short无偏者抵消？）
  3. 缺乏神经/过程证据： 无眼动、反应时或fMRI数据来直接验证"传统偏好抑制动机推理"的过程机制

维度7：可拓展的研究方向

方向A：机制深化

  1. 过程追踪： 用眼动追踪或鼠标追踪记录Long/Short被试如何检索EPS信息，检验传统偏好是否通过"分散注意力"抑制选择性信息处理
  2. 神经成像： fMRI比较Long与Short在处理偏好不一致信息时的脑区激活（vmPFC、dlPFC的目标冲突表征）
  3. 认知负荷操纵： 增加被试认知负荷是否消除Short的"无偏"优势？参见 Enke_Graeber_2019_CognitiveUncertainty_WP
  4. 时间压力： 在快速决策下，传统偏好是否仍能抑制激励偏好

方向B：异质性与边界

  1. 专业投资者： 重复实验于真实做空机构（hedge funds），检验经验是否消除非对称
  2. 跨文化： 在不同文化中，"价格上涨为好"的传统偏好强度差异如何调节非对称
  3. 个体差异： 高自我控制、高分析思维的个体是否较少受动机推理影响
  4. 极端做空者： 已习惯做空的活跃做空者是否仍表现出非对称（已积累的领域经验是否覆盖传统偏好）

方向C：政策与市场应用

  1. 市场均衡： 在做多者偏多的市场中，非对称偏差如何导致系统性高估和泡沫；做空限制如何放大此效应
  2. 盈余预测分析师： 为什么卖方分析师普遍乐观偏差（buy推荐多于sell）？非对称动机推理是否提供新解释
  3. 审计师： 审计师传统上"保守"，与"做空"心理相似——是否较少受客户压力的动机推理影响
  4. 管制： SEC的做空规则（短卖限制、uptick rule）的行为经济学含义

方向D：理论扩展

  1. 多重传统偏好： 当情境中存在多个传统偏好（如ESG投资中"赚钱"vs"道德"），它们如何交互
  2. 传统偏好的形成： 传统偏好本身是如何在文化中形成的？是否可以被故意"翻转"（如行为干预）
  3. 与信念更新模型整合： 将非对称动机推理整合到Bayesian更新框架，参见 Eil_Rao_2011_GoodNewsBadNews_AsymmetricProcessing
  4. 联系自我形象动机推理： 投资非对称是否类似自我形象任务中的good news-bad news asymmetry？参见 Zhu_SelfImage_MotivatedReasoning

方向E：实务与教育

  1. 投资教育： 让投资者意识到自己的动机推理是否能消除Long偏差
  2. debiasing干预： "如果你是空头，你会怎么想？"这类pre-mortem技术是否有效
  3. ESG/社会投资： 当投资者持有"做好事"的传统偏好时，对ESG基金回报的判断是否系统性偏高

关键结论

  1. 动机推理是非对称的： 在投资情境中，做多者（Long）系统性地高估最终股价（Q1偏差+10.07点，所有季度p<0.01），但做空者（Short）的判断在统计上无偏（所有季度p>0.19）。这与Hales (2007)等假设的"对称偏差"形成鲜明对比，且本文证明前人的"对称"结论源于缺乏理性无偏基准——比较Long与Short得到的"差异"被错误解读为双向偏差。
  2. 非对称源于传统偏好与激励偏好的冲突： Exp 3的天气情境证明，仅当存在传统偏好时方向相反的激励才产生非对称偏差（无Context时偏差对称）；Exp 4的Bowling/Golf设计证明，激励偏好与传统偏好一致的cell才显著有偏，无论方向是高分（Bowling-Long）还是低分（Golf-Long）。这支持"焦点目标-替代目标"心理学理论（Shah & Kruglanski 2002）。
  3. 直接经验可以打破抑制： 一周的真实做空经验使做空者预测下跌幅度边际显著增大（Exp 2, p=0.06），表明传统偏好的抑制效应可被领域特异性经验削弱，但一般性的Contrarian训练（Exp 1）不足以达到同样效果。这对短卖者教育与培训有启示。
  4. 方法论意义： 实验研究必须建立明确的理性无偏基准，而非仅比较treatment组之间的相对差异——否则可能将单侧偏差错误地解读为双向对称偏差。这一方法论原则对所有涉及动机推理或行为偏差的实验设计都具有普适价值。

🔗 链接到这篇笔记