Enke & Graeber (2019 WP) - Cognitive Uncertainty

此为早期版本（NBER Working Paper No. 26518, November 2019, Revised January 2021），最终版本见 Enke_Graeber_2023_CognitiveUncertainty

与最终版的主要差异： 本工作论文版本的核心理论框架和实验设计与2023年发表版基本一致，但存在以下可见差异：(1) 样本量报告为 N=2,800（AMT被试），发表版可能有所调整；(2) 本版包含更多附录实验（如认知负荷操控实验在附录K，激励强度实验在附录H），部分可能在发表版中被精简或整合；(3) 本版的文献引用截止于2020年，发表版新增了后续文献；(4) 部分结构性估计的细节（如Gonzalez-Wu权重函数的推导）在本版中作为独立小节呈现，发表版可能有调整。总体而言，核心贡献和结论一致。

一句话总结

通过简单的滑块工具直接测量"认知不确定性"（人们对自身最优行为的主观不确定感），证明它能跨风险选择、信念更新、调查预期三大领域统一解释多种经典行为异常——通过贝叶斯收缩机制（Bayesian shrinkage to cognitive default），高认知不确定性的被试选择性地把行为向"无知先验"（如概率0.5、收益中点）压缩，从而内生地产生概率权重函数、模糊不敏感性、基础率忽视、保守主义、fifty-fifty现象等偏差。

研究问题

人们对自身最优决策的主观不确定感（认知不确定性，cognitive uncertainty）能否被可靠测量？这种主观不确定感是反映外部随机性还是反映内部认知噪声？
认知不确定性能否预测概率权重、信念更新、调查预期中的行为异常，提供跨领域的统一解释？
噪声与偏差之间的"联结机制"是什么——为何认知噪声不简单地产生随机错误，而是系统性地产生方向性偏差？
通过外生操控认知噪声（复合彩票/模糊彩票/复合诊断性）和认知默认值（partition manipulation）能否因果识别上述机制？
这一框架对前景理论的概率权重函数（Tversky-Kahneman、Gonzalez-Wu）能否提供微观基础？

核心贡献

理论统一： 将概率权重函数、模糊厌恶、基础率忽视、保守主义、fifty-fifty现象等多个独立行为异常统一归因于"贝叶斯噪声认知 + 向认知默认值收缩"这一单一机制；将经典的逆S形权重函数从描述性公理内生化为认知噪声的函数。
方法论创新： 提出滑块工具直接测量认知不确定性——简单、跨领域可移植、不需要激励、近似主观置信区间；展示了"非选择数据"（subjective uncertainty）对理解选择行为的增量价值。
噪声-偏差联结： 系统证明决策的"第二矩"（认知不确定性）系统性地预测"第一矩"（行为偏差的方向和大小），而非简单的"噪声=随机错误"叙事。
跨领域实证： 在三大领域（风险、信念更新、调查预期）的近2,800被试样本中，认知不确定性均稳健预测压缩程度，且个体在不同领域的认知不确定性高度相关（rho=0.35-0.57），表明它捕捉了稳定的个体认知特征。
因果识别： 通过外生操控认知噪声（复合/模糊彩票，复合诊断性）和认知默认值（2状态vs10状态partition）证明效应的因果性，而非仅相关性。
微观基础贡献： 为Gonzalez & Wu (1999) 的 w(p) = delta·p^lambda / [delta·p^lambda + (1-p)^lambda] 函数形式提供了认知噪声的推导（假设大脑以对数赔率编码概率）。

维度1：实验设计分析

基本信息

作者: Benjamin Enke, Thomas Graeber
年份: 2019 (NBER Working Paper No. 26518, Revised January 2021)
期刊/来源: NBER Working Paper Series
DOI/链接: http://www.nber.org/papers/w26518
JEL分类: D01, D03

一、研究设计维度

1. 核心研究问题

认知不确定性（cognitive uncertainty）--即人们对自身最优行为的主观不确定感--是否能预测经济信念和行为，并为概率处理中的多种行为异常提供统一解释？

2. 实验范式与任务

本文横跨三大决策领域，采用"两步法"：先通过标准范式引出行为，再测量认知不确定性。

领域一：风险下的选择（Choice under Risk）

任务: 标准价格列表法引出彩票的确定性等价（certainty equivalent）
彩票设计: 二元结果彩票，收益 y 从 {15, 20, 25} 中随机抽取，概率 p 从 {5, 10, 25, 50, 75, 90, 95} 中随机抽取
处理条件:
- Baseline Risk: 标准简单彩票（N=700）
- 复合彩票（compound lottery）: 概率本身是随机变量 p ~ U[0, 0.2]，以增加认知不确定性
- 模糊彩票（ambiguous lottery）: 概率未知，区间已知
- High Default Risk（2状态）vs. Low Default Risk（10状态）: 通过分割操控（partition manipulation）改变认知默认值的位置（N=300）

领域二：信念更新（Belief Updating）

任务: 经典"球和罐"（balls-and-urns）贝叶斯更新任务
参数: 基础率 r 从 {10, 30, 50, 70, 90} 中抽取；信号诊断性 q 从 {70, 90} 中抽取；抽取球数 N 从 {1, 3} 中抽取
处理条件:
- Baseline Beliefs: 标准2袋任务（N=700）
- 复合信号诊断性: 诊断性本身是随机变量
- Low Default Beliefs: 将B袋拆分为9个袋子（10状态），操控认知默认值（N=300）

领域三：调查预期（Survey Expectations）

变量: 收入分布结构、通胀率、股票市场表现
设计: 被试回答关于随机选取年份的概率问题，真实概率在0%-100%间变化
样本: N=2,000（与风险选择或信念更新实验的被试重叠）

3. 认知不确定性的测量

主要测量: 滑块（slider）工具，被试校准语句"我确信[彩票/最优猜测]的价值在 a 和 b 之间"
- 滑块最右端: a 和 b 收缩到switching interval，认知不确定性为零
- 滑块每向左移动一格: a 减少、b 增加各$0.25（风险选择）或各1个百分点（信念更新）
- 归一化到 [0, 1] 区间
辅助测量（信念更新领域）: 替换自身猜测为贝叶斯最优猜测的支付意愿（WTP），通过BDM机制引出
关键特性: (i) 反映内部不确定性而非外部随机性；(ii) 近似主观置信区间；(iii) 故意不激励以避免真实偏好未知的问题；(iv) 在不同置信水平版本下（75%/90%/95%/99%/100%）结果稳健

4. 被试与样本

平台: Amazon Mechanical Turk (AMT)
总样本: N=2,800（跨所有处理条件）
筛选: 理解题筛选（62%的潜在被试在风险实验中被筛出）+ 注意力检查（通过者中再筛出2-6%）
激励: 平均时薪约$18（风险选择实验每人约$6.10/20分钟），远高于AMT典型水平
预注册: AEA RCT Registry, AEARCTR-0004493

5. 支付与激励机制

风险选择: 随机选择一个价格列表中的一行执行
信念更新: 二值化评分规则（binarized scoring rule），奖金$10
调查预期: 同样使用二值化评分规则，奖金$2
认知不确定性测量本身不激励

二、理论模型维度

1. 理论框架

基于贝叶斯噪声认知（Bayesian noisy cognition）文献，特别是 Khaw et al. (2017) 和 Gabaix (2019)。

核心设定:

理性行为: a^r = f(p) = Bp，其中 p 是概率，B 是缩放参数
决策者最小化 v(a, p) = 1/2 (a - Bp)^2
认知噪声: 决策者收到信号 s = p + epsilon，epsilon ~ N(0, sigma_epsilon^2)
认知默认值（cognitive default）: 先验 p ~ N(p^d, sigma_p^2)，p^d 由无知先验（ignorance prior）决定

贝叶斯收缩（Bayesian shrinkage）:

后验: P(p|s) ~ N(lambda*s + (1-lambda)*p^d, (1-lambda)*sigma_p^2)
收缩因子: lambda = sigma_p^2 / (sigma_p^2 + sigma_epsilon^2)
最优行为: a_hat = B[lambdap + lambdaepsilon + (1-lambda)*p^d]

认知不确定性的正式定义:

sigma_CU = |B| * sqrt(1-lambda) * sigma_p = |B| * sigma_epsilon * sigma_p / sqrt(sigma_epsilon^2 + sigma_p^2)
更高的认知不确定性与更强的向默认值收缩相关（更低的lambda）

新可加性权重函数的内生化:

w(p)^neo = [1 - lambda(sigma_CU)] * p^d + lambda(sigma_CU) * p = delta + lambda * p
斜率 lambda 和截距 delta 由认知噪声的大小和认知默认值的位置决定

2. 模型预测

预测1: 更高的认知不确定性与更压缩的权重函数（更低的lambda）相关
预测2: 外生增加认知噪声导致更压缩的权重函数
预测3: 外生降低认知默认值导致权重函数的整体水平下移（更低的delta）
预测4: 更高的认知不确定性与对认知默认值变化的更高敏感性相关

3. 关键洞察：噪声与偏差的联结

认知噪声使行为对客观概率变化不够敏感（less sensitive）
但同时使行为对规范性无关的认知默认值过度敏感（excessively sensitive）
这意味着高认知不确定性并非"对一切不敏感"，而是选择性地重新分配注意力

三、实验结果维度

1. 认知不确定性的普遍存在

约50-55%的观察中，认知不确定性严格大于$1的switching interval
85-86%的信念更新任务中，被试报告严格正的认知不确定性
在概率为0%或100%（无外部不确定性）时，认知不确定性大幅下降（均值0.10，中位数0）

2. 风险选择领域

概率权重函数压缩: 高认知不确定性被试的权重函数斜率显著更低
- 认知不确定性为零时，新可加性权重函数斜率 = 0.65
- 认知不确定性为最大时，斜率仅 = 0.34
- 一个标准差的认知不确定性增加使斜率降低约0.11
风险态度的四重模式（fourfold pattern）: 高认知不确定性被试更明显地展现小概率风险寻求、大概率风险厌恶的模式
复合/模糊彩票的效应: 相比简单彩票，认知不确定性平均增加23%（复合）和26%（模糊），概率权重函数斜率显著降低
认知默认值操控: 10状态（低默认值）条件下，收益域的确定性等价比2状态（高默认值）低约10个百分点；高认知不确定性被试对默认值变化反应更强

3. 信念更新领域

后验概率压缩: 高认知不确定性被试的陈述后验更接近50:50
- 认知不确定性为零时，对贝叶斯后验的敏感度 = 0.83
- 认知不确定性为最大时，敏感度仅 = 0.41
内生化经典偏差: 认知不确定性统一解释了"极端厌恶"（extremeness aversion）、基础率不敏感、似然比不敏感（保守主义）、样本比例效应
样本量效应: 控制样本差异后，样本量越大认知不确定性越高，被试对极端比例的反应越弱
复合信号诊断性: 认知不确定性增加33%（WTP增加43%），后验对贝叶斯后验的敏感度从0.81降至0.35
默认值操控（10袋）: 后验分布整体向零移动，高认知不确定性被试反应更强

4. 调查预期领域

认知不确定性越高的被试，对股市表现、通胀率、收入分布的概率估计越趋向50:50

5. 逆S形的结构性解释（Section 6）

认知不确定性的非线性: 在所有领域中，认知不确定性与客观概率呈倒U形关系（极端概率处最低，中间概率处最高）
内生逆S形: 将认知不确定性的二次函数代入权重函数模型（方程8），即可仅从认知不确定性的变化生成经典的逆S形反应模式
Gonzalez-Wu权重函数: 若假设大脑以对数赔率（log odds）编码概率，则认知噪声+对数编码自然产生Gonzalez-Wu形式的权重函数 w(p)^{G-W} = deltap^lambda / [deltap^lambda + (1-p)^lambda]

6. 个体异质性（Section 7）

认知不确定性在任务间和领域间稳定相关：信念更新与调查预期的相关系数 rho=0.57，风险选择与调查预期 rho=0.35
被试间方差占总方差的44%（风险选择）、53%（信念更新）、60%（调查预期）
与个体特征的相关：女性、反应时间更短者、认知能力（Raven测试分数）更低者报告更高的认知不确定性

7. 稳健性

排除极端异常值、使用全样本、排除"快速回答者"后结果一致
使用WTP替代滑块测量后结果一致
被试固定效应下结果仍显著（即同一被试的跨任务变异也预测压缩程度）
排除了"随机选择"（random choice）解释：压缩方向是认知默认值而非50:50
排除了"审查"（censoring）解释
认知能力虽相关但不能完全解释认知不确定性的效应

四、与信念主题的关联维度

1. 对信念偏差研究的核心贡献

本文提出了一个统一框架，将多个看似独立的行为异常--概率权重函数、模糊不敏感性、基础率忽视、保守主义、样本比例效应、经济预测中的过度乐观/悲观--归因于同一个认知原理：认知噪声导致向认知默认值的贝叶斯收缩。

2. 关键机制

噪声-偏差联结（noise-bias link）: 决策的"第二矩"（认知不确定性）系统性地预测"第一矩"（行为偏差的方向和大小）
这不同于简单的"有界理性导致更多噪声"的叙事，而是指出噪声通过收缩机制系统性地产生特定方向的偏差

3. 与实验经济学文献的关联

概率权重: Tversky & Kahneman (1992) 的经典权重函数被内生化为认知不确定性的函数
信念更新: Benjamin (2019) 综述的多种偏差被统一解释
模糊厌恶: Trautmann & Van De Kuilen (2015) 的 "a-insensitivity" 被重新解读为认知不确定性效应
调查预期: Fischhoff & Bruine De Bruin (1999) 的 "fifty-fifty" 现象得到认知基础

4. 方法论贡献

提出了一个跨领域可移植的认知不确定性测量工具（滑块工具），简单且易于实施
展示了非选择数据（认知不确定性）对理解选择行为的增量价值
强调了主观感知的噪声（而非行为不一致性推断的实际噪声）的理论和实证优势

标签: #cognitive_uncertainty #probability_weighting #belief_updating #bayesian_shrinkage #cognitive_noise #survey_expectations #fourfold_pattern #ambiguity #experimental_economics

相关文献:

Enke_Graeber_2023_CognitiveUncertainty - 本文的最终发表版本
Khaw, Li & Woodford (2017) - 风险厌恶作为感知偏差
Gabaix (2019) - 行为注意力
Benjamin (2019) - 概率推理错误综述
Tversky & Kahneman (1992) - 累积前景理论
Gonzalez & Wu (1999) - 概率权重函数形状

维度2：理论模型

（详细模型设定见维度1第二节"理论模型维度"）

核心模型框架：贝叶斯噪声认知（Bayesian Noisy Cognition）

理性基准：

决策者要选择行为 $a$ 来匹配真实最优 $a^r = f(p) = Bp$
损失函数： $v(a, p) = \frac{1}{2}(a - Bp)^2$

认知过程（基于Khaw et al. 2017; Gabaix 2019）：

决策者无法直接观察 $p$ ，而是收到带噪信号 $s = p + \epsilon$ ，其中 $\epsilon \sim N(0, \sigma_\epsilon^2)$
决策者持有"无知先验"： $p \sim N(p^d, \sigma_p^2)$ ，其中 $p^d$ 是认知默认值（cognitive default）

贝叶斯收缩（Bayesian Shrinkage）：

后验： $P(p|s) \sim N(\lambda s + (1-\lambda)p^d,\ (1-\lambda)\sigma_p^2)$
收缩因子： $\lambda = \frac{\sigma_p^2}{\sigma_p^2 + \sigma_\epsilon^2}$
最优行为： $\hat{a} = B[\lambda p + \lambda \epsilon + (1-\lambda)p^d]$

认知不确定性的正式定义：
$ $\sigma_{CU} = |B| \cdot \sqrt{1-\lambda} \cdot \sigma_p = |B| \cdot \frac{\sigma_\epsilon \sigma_p}{\sqrt{\sigma_\epsilon^2 + \sigma_p^2}}$ $

更高的 $\sigma_{CU}$ 对应更低的 $\lambda$ ，意味着更多的向 $p^d$ 收缩。

新可加性权重函数（Neo-Additive Weighting Function）：
$ $w(p)^{neo} = [1 - \lambda(\sigma_{CU})] \cdot p^d + \lambda(\sigma_{CU}) \cdot p = \delta + \lambda \cdot p$ $

斜率 $\lambda$ （敏感度）和截距 $\delta$ 由认知噪声大小和默认值位置内生决定。

Gonzalez-Wu形式的推导（若大脑以log odds编码）：
$ $w(p)^{G-W} = \frac{\delta \cdot p^\lambda}{\delta \cdot p^\lambda + (1-p)^\lambda}$ $

四个可检验预测

更高的认知不确定性 → 更压缩的权重函数（更低的 $\lambda$ ）
外生增加认知噪声 → 更压缩的权重函数（复合/模糊彩票测试）
外生降低认知默认值 → 权重函数水平下移（partition manipulation测试）
高认知不确定性者对认知默认值变化更敏感（交互效应）

维度3：核心发现

（详细数据见维度1第三节"实验结果维度"）

主发现总结

领域	核心发现	关键数据
普遍性	CU 普遍存在	50-55%风险任务、85-86%信念任务报告 CU > 0
风险选择	CU 预测概率权重压缩	从 $\lambda$ =0.65（CU=0）降至 $\lambda$ =0.34（CU=max）
信念更新	CU 预测后验向 50:50 收缩	敏感度从 0.83 降至 0.41
调查预期	CU 预测预期向 50:50 收缩	跨股市/通胀/收入分布稳健
复合彩票	外生增加噪声 → CU 增加 23%	权重函数显著更压缩
模糊彩票	外生增加噪声 → CU 增加 26%	权重函数显著更压缩
复合诊断性	CU 增加 33%	后验敏感度从 0.81 降至 0.35
Partition 操控	默认值降低 → 行为下移	高 CU 被试反应更强（交互效应）
个体稳定性	跨领域 CU 高度相关	信念-预期 ρ=0.57，风险-预期 ρ=0.35

噪声→偏差的内生化

将 CU 的二次函数代入权重函数模型，仅从认知不确定性的非线性变化即可生成经典的逆S形反应模式（Section 6）。这是本文最重要的理论实证联结——证明 Tversky-Kahneman 的概率权重函数不是基本偏好，而是认知噪声的内生产物。

异质性

高 CU 被试特征：女性、反应时间更短、Raven认知能力更低；但认知能力虽相关，不能完全解释 CU 的效应。

维度4：变量概览

自变量

客观概率/基础率/诊断性 p, r, q： 在各领域中外生变化
彩票收益 y ∈ {15, 20, 25}
概率 p ∈ {5, 10, 25, 50, 75, 90, 95}（风险选择）
基础率 r ∈ {10, 30, 50, 70, 90}，信号诊断性 q ∈ {70, 90}，抽球数 N ∈ {1, 3}（信念更新）
处理条件： Baseline / Compound / Ambiguous / High Default / Low Default

因变量

认知不确定性 CU： 滑块测量，归一化到 [0, 1]
确定性等价（CE）（风险）
后验概率陈述（信念更新）
概率预期（调查预期）
WTP（用贝叶斯最优替代自身猜测，BDM机制）

关键内生量

收缩因子 lambda：权重函数斜率，从结构估计中恢复
截距 delta：权重函数水平
认知默认值 p^d：partition结构决定（2状态时为0.5；10状态时为0.1）

控制变量

被试特征： 性别、教育、反应时间、Raven认知能力分数
任务顺序、注意力检查通过情况
被试固定效应（部分回归）

实验任务时间结构（风险领域示例）

阅读指令并通过理解题（62%被筛出）
注意力检查
价格列表法 → 引出 CE
滑块工具 → 引出 CU
重复多个 (y, p) 组合
随机选择一个决策执行支付

维度5：局限性

测量层面

CU不激励： 滑块测量故意不激励，依赖被试诚实报告主观不确定感；可能受社会期望偏差或锚定影响
滑块工具的解释模糊： "75%/90%/95%/99%"等不同置信水平版本结果稳健，但被试是否真正理解置信区间概念存疑
AMT被试质量： 虽经62%筛选率严格筛选，但AMT被试与一般人群和专业决策者的代表性有限
截断/审查问题： 滑块物理边界可能产生截断效应；虽作者排除"censoring解释"但仍是潜在问题

实验设计层面

领域选择有限： 三个领域（风险、信念更新、调查预期）虽广，但未涵盖跨期决策、社会偏好、策略博弈等领域
复合彩票的双重解释： 复合彩票同时增加CU和改变彩票本身性质（非线性加权）；归因于"认知噪声"非完全干净
认知默认值的实证识别： 假设默认值由"无知先验"（如partition的均匀分布）决定，但默认值在现实中可能由经验、社会规范、最近接触决定
激励强度： AMT激励虽高于平台均值（约$18/小时），仍可能低于实验室或现场实验

理论模型层面

认知噪声的微观基础： 模型未具体说明 sigma_epsilon 由何决定（注意力？工作记忆？信息处理速度？），理论"黑箱"
未与其他理论比较： 与rational inattention、sparse max（Gabaix）、稀疏注意（Bordalo et al.）等替代理论的相对解释力未系统比较
静态框架： 模型为单期，未考虑学习、动态更新、跨任务认知资源分配
CU可被进一步分解： 总CU可能包含元认知偏差（高估/低估自身错误）+ 真实认知噪声，模型未拆解

内部效度层面

逆向因果担忧： CU可能不是"原因"，而是被试在事后报告中合理化自己模糊行为的副产品（虽预测3的partition操控部分缓解此担忧）
被试理解任务的能力差异： 高CU可能源自不理解任务，而非真实认知噪声
多重比较： 跨多个领域、多个处理、多个结果变量的检验未明确做FDR校正

维度6：与其他文献的关系

学科位置

行为经济学 / 决策理论 / 认知经济学
桥接传统的描述性偏差文献（前景理论、概率权重）与新兴的认知模型文献（rational inattention, noisy cognition, sparse max）

理论前驱

Khaw, Li & Woodford (2017)： 风险厌恶作为感知偏差的开创性工作；本文将其框架推广到信念更新与调查预期；参见 Silveira_Woodford_2019_NoisyMemory_Overreaction
Gabaix (2014, 2019)： 行为注意力与稀疏max模型，提供贝叶斯收缩的理论基础
Caplin & Dean (2015)： Rational inattention框架
Woodford (2012, 2020)： 认知约束下的最优决策，神经经济学微观基础

实证对话

Tversky & Kahneman (1992)： 累积前景理论的概率权重函数；本文将其内生化
Gonzalez & Wu (1999)： 经典权重函数形状；本文从认知噪声推导该形式
Trautmann & Van De Kuilen (2015)： 模糊厌恶综述；本文重新解读"a-insensitivity"
Benjamin (2019)： 概率推理错误综述；本文统一解释多种经典偏差，参见 Benjamin_2019_ErrorsProbabilisticReasoning_Handbook、Benjamin_2019_BaseRateNeglect_Foundations
Fischhoff & Bruine De Bruin (1999)： "fifty-fifty"现象；本文给予认知基础

与本工作论文系列的联系

Enke_Graeber_2023_CognitiveUncertainty：本文最终发表版本（Quarterly Journal of Economics）
后续延伸：跨期选择中的认知不确定性，参见 Enke & Graeber (2021) "Cognitive Uncertainty in Intertemporal Choice"

与Vault内其他文献的关联

Enke_2020_WYSIATI_CorrelationNeglect：同作者另一篇研究"未观察信号忽视"，与本文的"贝叶斯收缩到默认值"在认知机制上互补
Enke_Zimmermann_2019_CorrelationNeglect_BeliefFormation：相关性忽视，认知简化的另一类型
Enke_Schwerter_2020_AssociativeMemory_BeliefFormation：联想记忆与信念形成，提供另一种认知机制
GonzalezFernandez_2026_BeliefBiasIdentification：信念偏差识别方法的最新发展
Heath_Tversky_1991_Competence_Ambiguity：能力假说与模糊厌恶，与本文的cognitive uncertainty互补

知识贡献定位

理论统一： 提供跨领域的"统一行为偏差"框架，类似于热力学第二定律对各种"无序现象"的统一
方法论： 滑块工具被后续大量研究采用，成为测量主观不确定性的标准工具之一
微观基础： 为前景理论的描述性公理提供了认知机制基础，连接经济学与认知科学

维度7：可拓展的研究方向

方向A：测量与方法

CU的更精细测量： 用过程追踪（眼动、鼠标轨迹、反应时间分布）拆解CU为"信号噪声"vs"先验不确定性"vs"元认知偏差"
激励化CU测量： 设计激励相容的CU引出机制（如calibration scoring rule），检验滑块工具是否系统性偏离
跨文化验证： 在非WEIRD样本中验证CU的稳健性
儿童与老人的CU发展轨迹： CU的形成与认知衰退

方向B：神经与认知机制

神经成像： fMRI识别CU的神经表征（DLPFC、aIns、ACC的不确定性编码）
认知负荷操控： 增加工作记忆负荷如何影响CU与压缩程度
情绪状态： 焦虑、压力、情绪如何影响CU
睡眠与疲劳： 认知资源耗竭对CU的影响

方向C：领域扩展

跨期决策： Enke & Graeber后续工作已扩展，但社会贴现、风险与时间交互领域待深入
战略博弈： 在博弈论中CU能否解释level-k推理的局限
金融决策： 散户投资者的CU如何影响投资分散化、过度交易、动量/反转策略；联系 Bianchi_2026_HumanRobot_InvestmentDecisions、Grosshans_Zeisberger_2025_InvestorBeliefs_TradingActions
医疗决策： 患者面对治疗选择时的CU
政治判断： 选民对政策效果概率的预期

方向D：理论扩展

动态CU： 重复决策中CU如何更新；与学习理论整合
CU与情绪： 整合情绪如焦虑对CU的影响；参见 Anticipatory_2024_Anticipatory_Anxiety_Wishful_Thinking
CU与动机推理： 高CU是否给动机推理更多"空间"？参见 Eil_Rao_2011_GoodNewsBadNews_AsymmetricProcessing
均衡含义： 当大量决策者有CU时，市场如何均衡——是否产生持续性资产误定价
政策设计： 默认选项设计、信息呈现格式如何利用CU机制改善决策

方向E：去偏与教育

debiasing干预： 训练被试识别自己的CU是否能减少压缩偏差
可视化辅助： 用图形化概率呈现（如冰柱图、自然频率）能否降低CU
金融教育： 长期教育能否系统降低投资决策中的CU
AI辅助决策： 当AI给出概率估计时，被试是否仍受CU影响（信任与CU的交互）

方向F：统一理论

CU + WYSIATI + 相关性忽视的统一框架： 这些认知偏差是否同根同源
CU的进化基础： 为何人类大脑系统性产生CU——是否是认知资源约束下的最优策略
结构估计应用： 将CU框架嵌入结构计量模型，量化具体市场（保险、退休储蓄、医保选择）的福利损失

关键结论

认知不确定性是普遍且可测量的： 50-86%的决策中被试报告严格正的认知不确定性，且滑块工具简单稳健，跨不同置信水平版本结果一致；当外部不确定性消失时（概率0%或100%），CU大幅下降，证明它捕捉的是内部认知噪声而非外部随机性。
CU通过贝叶斯收缩统一解释多种偏差： 高CU被试在风险选择中表现出更压缩的概率权重函数（lambda从0.65降至0.34）、在信念更新中后验更接近50:50（敏感度从0.83降至0.41）、在调查预期中也向50:50收缩——同一机制贯穿三大领域。
噪声-偏差联结是因果性的： 通过外生操控认知噪声（复合/模糊彩票）和认知默认值（partition manipulation）证明：增加噪声→更压缩；降低默认值→行为下移；高CU被试对默认值变化反应更强。这排除了纯相关性解释。
概率权重函数的微观基础： 经典的逆S形权重函数（Tversky-Kahneman, Gonzalez-Wu）不是基本偏好公理，而是认知噪声+对数概率编码的内生产物。这为前景理论提供了第一原理的认知基础。
个体异质性稳定且有意义： CU在不同任务和领域间高度相关（rho=0.35-0.57），与认知能力（Raven）负相关——表明CU捕捉了稳定的个体认知特征，而非任务特异性噪声。
政策与方法论意义： 简单的非选择数据（主观不确定感）对理解经济决策有显著增量价值；这一框架为去偏干预（信息呈现设计、默认选项、教育）提供理论指导，对保险、退休储蓄、医疗决策等高stakes领域有直接应用价值。

Enke_Graeber_2019_CognitiveUncertainty_WP