Faia_Fuster_2022_InformationSelectionBiases
Biases in Information Selection and Processing: Survey Evidence from the Pandemic
元数据
- 作者: Ester Faia, Andreas Fuster, Vincenzo Pezone, Basit Zafar
- 年份: 2021 (NBER Working Paper 28484, February 2021)
- 期刊/来源: NBER Working Paper Series
- JEL: D84, D91, E71, I12
- DOI/链接: http://www.nber.org/papers/w28484
- RCT注册: AEA RCT Registry AEARCTR-0005850
- 标签: #confirmation_bias #motivated_beliefs #information_selection #source_dependence #COVID19 #survey_experiment #belief_updating #media_polarization
一句话总结
利用COVID-19大流行期间的两轮在线调查实验（N=2,440 + 1,571），证明（1）人们的信息选择由确认偏误（confirmation bias）而非一厢情愿（wishful thinking）驱动——更悲观的人主动选择悲观的新闻；（2）一旦揭示新闻来源（source），来源信号会压倒先验信念在信息选择中的作用，并引发显著的来源依赖处理偏误。
研究问题
在高度不确定性的现实情境（COVID-19大流行）中：
- 人们的信息选择动机是确认偏误（选择与先验一致的信息）还是一厢情愿（选择令人愉快的信息）？
- 信息来源（如Fox News vs. NYT）的揭示如何改变信息选择和后续信念更新？
- 选择性暴露（selective exposure）与不对称信念更新（asymmetric updating）如何共同驱动政治极化与政策态度分歧？
核心贡献
- 设计创新——内生信息选择 + 随机文章分配：让被试自行选择偏好的标题语气（乐观/悲观），但仅随机50%被试获得偏好文章，从而在选择固定的条件下因果识别确认偏误对信息处理的效应
- 理论检验——区分确认偏误与一厢情愿：发现担忧度高的人更倾向选择悲观文章（而非乐观文章），明确排除了一厢情愿假说
- 首创"来源揭示时点"实验：通过随机化来源揭示发生在选择前(T3)、选择后处理前(T2)、或始终不揭示(T1)，分离来源对"选择"和"处理"的因果效应
- 反直觉来源-内容搭配：悲观文章配Fox News、乐观文章配NYT，最大化来源揭示带来的"惊讶"，使党派偏好对信息选择的扭曲清晰可识别
- 激励相容的下游行为测量：用Facebook广告预算分配（$50）和WHO/FreedomWorks捐赠（$20）作为真实行为指标，证明信息偏误对实际选择的影响
- 政策含义：选择性暴露与来源依赖共同放大了媒体极化，对疫情期间的居家令支持、捐赠行为、App安装意愿等公共健康相关行为产生显著影响
维度1：实验设计分析
研究问题
在高度不确定性（COVID-19大流行）背景下，人们如何选择性地获取和处理信息？具体探究：(1) 确认偏误是否驱动信息选择（而非一厢情愿）；(2) 信息来源的揭示如何影响信息选择与处理。
被试与平台
- 平台: Qualtrics在线调查平台，面向美国受众
- 样本:
- Survey 1: N = 2,440（2020年5月第三周实施）；平均用时16.3分钟（中位数14分钟）
- Survey 2: N = 1,571（2020年5月最后一周实施）；平均用时22.1分钟（中位数14分钟）
- 两组被试不重叠
- 代表性: 按年龄、性别、地理位置匹配美国人口；样本教育水平偏高（51%有大学学位 vs. 全国32%）
- 筛选: 两道注意力检测题（如"你对体育感兴趣吗？"要求回答"非常感兴趣"；"你对音乐感兴趣吗？"要求回答"完全不感兴趣"）；剔除阅读文章前用时最低10%的被试
实验任务详细流程
Survey 1：信息选择与确认偏误（Figure 1）
阶段0 -- 引出先验信念 (Elicit Priors)
- 收集人口统计信息（年龄、性别、种族、收入、教育、就业状况、健康状况等）
- 引出对疫情健康和经济后果的担忧程度：
- "Worried Health": 0-10量表，对COVID-19健康影响的担忧
- "Worried Economy": 0-10量表，对COVID-19经济影响的担忧
- 引出概率性预测：
- 年底前失业率超过20%的概率（0-100）
- 年底前COVID死亡人数超过200,000的概率（0-100）
- 自己年底前感染COVID的概率（0-100）
- 引出点估计预测：失业率水平、COVID死亡人数
- 引出对居家令和社交隔离措施的支持程度（1-5量表）
- 引出偏好特征：风险承受意愿(1-7)、耐心程度(1-7)、对他人信任(1-7)
阶段1 -- 领域选择 (Domain Choice)
- 被试选择偏好阅读健康领域还是经济领域的文章（65%选择健康领域）
阶段2 -- 标题语气选择 (Headline Tone Choice)
- 在所选领域内，看到两个标题（随机顺序），选择偏好的一个
- 经济领域标题:
- 乐观: "Hope for swift economic recovery builds as businesses reopen"
- 悲观: "Highest unemployment rate since the Depression era, and many jobs may not come back"
- 健康领域标题:
- 乐观: "New data suggest the coronavirus is less deadly than we thought"
- 悲观: "Two influential forecasting models predict sharp rise in coronavirus deaths"
- 标题经Amazon Turk预测试验证信息量和吸引力均衡
阶段3 -- 随机分配文章 (Randomized Article Assignment)
- 关键随机化: 所有人都在所选领域获得文章，但仅50%获得自己选择的标题对应文章
- T1组 (1/2): 获得偏好文章（preferred article）
- T2组 (1/2): 获得非偏好文章（non-preferred article）
- 文章为真实新闻文章，经轻微编辑保持相似篇幅；来源未揭示
阶段4 -- 后验引出与行为测量 (Posterior Elicitation)
- 评估文章的信息性（1-7量表）和可靠性（1-7量表）
- 引出文章来源概率分布（7个媒体来源）
- 重新引出后验信念（与先验相同的概率性和点估计问题）
- 重新引出对居家令的支持程度
- 激励性行为:
- Facebook广告预算: 给予$50预算，可用于在Facebook上推广所读文章的新闻来源（对被试无成本）
- 捐赠分配: 由研究者代为将$20分配给WHO或FreedomWorks
- 两项选择均为激励相容的（随机抽取实施）
- 注意力检测: 从四个标题中识别出所读文章的标题（82.6%通过）
Survey 2：来源依赖效应（Figure 2）
阶段0 -- 引出先验信念
- 与Survey 1相同的人口统计和先验信念引出
阶段1 -- 标题选择
- 简化设计：无领域选择，仅在两个标题间做单一选择
- 悲观: "Coronavirus pandemic to likely last two years, new report says" (来源: Fox News)
- 乐观: "Scientists increasingly optimistic that a vaccine can be produced in record time" (来源: New York Times)
- 关键设计: 来源与语气的"反直觉"搭配（悲观文章来自保守派Fox News，乐观文章来自自由派NYT），以最大化来源揭示的冲击效果
阶段2 -- 随机分为三组的来源揭示处理
- T1组 (1/3): 从不揭示新闻来源
- T2组 (1/3): 选择文章后、报告后验信念前揭示来源
- T3组 (1/3): 一开始就揭示来源（选择文章之前）
- 比较逻辑:
- T3 vs. T1/T2: "选择效应"（来源如何影响文章选择）
- T2 vs. T1: "处理效应"（来源如何影响信息处理，选择固定）
- 所有人都获得自己选择的文章
阶段3 -- 后验引出
- 后验信念、政策态度、文章评估（同Survey 1）
- 额外测量：是否愿意注册COVID追踪App
- 广告预算分配: $50中多少用于在Facebook推广新闻来源
因变量汇总
| 变量类别 | 具体变量 | 量表 |
|---|---|---|
| 信息选择 | 领域选择（健康/经济）、语气选择（乐观/悲观） | 二元 |
| 信念更新 | Pr(UR>20%)、Pr(Deaths>200K)、Pr(感染)的前后差值 | 0-100百分点 |
| 文章评估 | 信息性、可靠性 | 1-7 |
| 注意力 | 标题回忆正确率 | 二元(x100) |
| 激励行为 | 广告支出、WHO捐赠额 | $0-50, $0-20 |
| 政策态度 | 居家令支持度 | 1-5 |
识别策略
- Survey 1: 文章分配的随机化（偏好文章 vs. 非偏好文章）使得可以在选择固定的条件下识别确认偏误对信息处理的因果效应
- Survey 2: 来源揭示时点的随机化（T1/T2/T3）识别来源依赖的选择效应和处理效应
- IV策略: 用"外生"冲击变量（疫情期间是否经历就业损失、预存健康条件数量）作为工具变量，以排除反向因果
维度2：理论模型
理论框架
基于Baillon et al. (2017)的模糊性态度模型，构建最优信念扭曲（optimal belief distortion）的两阶段模型（详见Appendix A.2）。
核心思想: 代理人先选择偏好的信号（如乐观或悲观的文章），然后基于信号的实现更新信念。效用函数嵌套了：
- 一厢情愿（Wishful thinking）: 如Caplin and Leahy (2019)
- 模糊性厌恶（Ambiguity aversion）: 如Hansen and Sargent (2008)
模型预测:
- 更悲观（乐观）的个体倾向于选择强调负面（正面）后果的信号 --> 确认偏误
- 对偏好信号的信念更新更强 --> 不对称更新
核心计量模型
模型(1) -- 信念更新方程 (Survey 1):
\Delta y_i = \alpha \, Pessimistic_i + \beta \, Pessimistic_i \times Preferred_i + \gamma \, Preferred_i + \theta \, y_{prior,i} + \delta' X_i + \varepsilon_i
- \Delta y: 后验信念与先验信念之差
- Pessimistic: =1 若被试阅读悲观文章
- Preferred: =1 若被试阅读的是自己偏好的文章
- \beta: 核心系数，衡量确认偏误强度（阅读偏好的悲观文章是否导致更悲观的信念更新）
- 控制先验 y_{prior} 以处理均值回归，控制角点选择虚拟变量
模型(2) -- 来源揭示对文章选择的影响 (Survey 2):
Pessimistic_i = \alpha \, Z_i + \beta \, Z_i \times Revealed\,Before_i + \gamma \, Revealed\,Before_i + \delta' X_i + \varepsilon_i
- Z: 先验信念的预测变量（Worried H+E, PC1, 或Lockdown Support）
- Revealed\,Before: =1 若被试在选择前已知来源（T3组）
- \alpha: 未知来源时先验对文章选择的影响
- \beta: 来源揭示如何改变先验的预测力
- 净效应 \alpha + \beta: 已知来源条件下先验对选择的总效应
模型(3) -- 加入政治倾向的来源揭示效应:
Pessimistic_i = \alpha \, Z_i + \beta \, Z_i \times Revealed\,Before_i + \gamma \, Revealed\,Before_i + \theta \, Liberal_i + \phi \, Liberal_i \times Revealed\,Before_i + \delta' X_i + \varepsilon_i
- \theta: 自由派未知来源时更倾向选择悲观文章的程度
- \phi: 核心系数，揭示来源后自由派选择悲观文章概率的变化（悲观文章来自Fox News，故预期 \phi < 0）
模型(4) -- 来源揭示对信息处理的影响 (Survey 2, T1 vs T2):
y_i = \alpha \, Pessimistic_i + \beta \, Revealed\,After_i + \gamma \, Liberal_i + \theta \, Pessimistic_i \times Revealed\,After_i + \phi \, Revealed\,After_i \times Liberal_i + \rho \, Pessimistic_i \times Liberal_i + \mu \, Pessimistic_i \times Revealed\,After_i \times Liberal_i + \delta' X_i + \varepsilon_i
- \mu: 核心系数，三重交互项，衡量来源揭示结合文章语气和政治倾向对信息处理的影响
维度3：核心发现
发现1：确认偏误驱动信息选择（非一厢情愿）
领域选择 (Table 3):
- Worried H+E每增加1单位 --> 选择健康文章概率+2.01pp (SE=0.18, p<0.01)
- PC1（悲观主义主成分）每增加1SD --> 选择健康文章概率+8.17pp (SE=0.97, p<0.01)
- Lockdown Support每增加1单位 --> 选择健康文章概率+13.56pp (SE=0.82, p<0.01)
语气选择 (Table 4):
- PC1每增加1SD --> 选择悲观健康文章概率+6.45pp (SE=1.04, p<0.01)
- PC1每增加1SD --> 选择悲观经济文章概率+8.76pp (SE=1.06, p<0.01)
- Lockdown Support每增加1单位 --> 选择悲观健康文章概率+11.98pp (SE=0.89, p<0.01)
- 效应大小: Lockdown Support从1-2增至4-5，选择悲观健康文章概率从36%跃升至79%
- 不支持一厢情愿: 更担心疫情的人不会避免悲观文章，反而更偏好悲观文章
IV估计 (Table 5):
- 工具变量（就业损失、健康条件数量）的2SLS估计系数更大，PC1的IV系数=27.94 (SE=12.80, p<0.05)
- Kleibergen-Paap F统计量在8-11之间
发现2：不对称信念更新（确认偏误在处理阶段）
信念修正 (Table 6):
- 交互项 Pessimistic \times Preferred 的系数:
- Pr(UR>20%): 健康域+4.55pp (SE=1.83, p<0.05)；经济域+11.30pp (SE=3.12, p<0.01)
- Pr(Deaths>200K): 健康域+4.21pp (SE=1.95, p<0.05)；经济域+7.70pp (SE=2.88, p<0.01)
- Pr(感染): 健康域+1.48 (n.s.)；经济域+2.67 (n.s.)
- 解读: 阅读偏好的悲观文章后，被试在失业率和死亡预测上的悲观方向更新比阅读非偏好文章多4-11个百分点
发现3：文章评估的确认偏误
文章评估 (Table 7):
- 获得偏好文章的被试:
- 信息性评分+0.39分 (SE=0.06, p<0.01)，约1/3标准差
- 可靠性评分+0.58分 (SE=0.06, p<0.01)，约40%标准差
- 注意力检测通过率+4.74pp (SE=1.48, p<0.01)
- 广告支出+$4.51 (SE=0.76, p<0.01)，均值$26.5的17%
发现4：对行为的影响
政策支持与捐赠 (Table 8):
- 交互项 Pessimistic \times Preferred:
- 居家令支持: 健康域+0.56 (SE=0.11, p<0.01)；经济域+0.46 (SE=0.17, p<0.01)，约1/3至1/2标准差
- WHO捐赠: 健康域+$1.95 (SE=0.65, p<0.01)；经济域+$3.45 (SE=1.07, p<0.01)
发现5：来源依赖效应（Survey 2）
来源揭示消除先验对选择的预测力 (Table 10):
- PC1对悲观文章选择: 未知来源时 \alpha=5.40 (SE=1.60, p<0.01)；揭示来源的交互 \beta=-4.13 (SE=2.48, p<0.10)
- 净效应（\alpha+\beta）均不显著，接近零
- 解读: 一旦知道悲观文章来自Fox News，先验信念不再预测文章选择
政治倾向的来源依赖 (Table 10, cols 4-6):
- Liberal的独立效应 \theta: +7.6至+9.1pp (p<0.01)，自由派更倾向选择悲观文章
- Liberal \times Revealed\,Before 的交互 \phi: -25.1至-26.6pp (p<0.01)
- 净效应 \theta + \phi: -16.3至-18.0pp，显著为负
- 解读: 自由派在得知悲观文章来自Fox News后，选择该文章的概率大幅下降约25pp
来源揭示对信息处理的影响 (Figure 6, Table 11):
- 三重交互项 \mu (Pessimistic x Revealed After x Liberal):
- 信息性: 负但不显著
- 可靠性: 负但不显著
- 广告支出: -$16.9 (p<0.05)，自由派得知悲观文章来自Fox News后大幅减少广告投入
- 对信念修正的影响有限: 来源揭示对后验信念更新几乎无影响（自由派并未因得知来源是Fox News而折扣信息本身）
- 但对政策支持有影响: 自由派得知悲观文章来自Fox News后，增加居家令支持（0.63, p<0.05）
发现6：惊讶程度的调节效应
- 来源揭示效应集中于"高惊讶"组（事前认为悲观文章更可能来自自由派来源的被试）
- 样本平均认为悲观文章来自自由派来源的概率=57.5%，来自保守派来源的概率=22.7%
- 验证了反直觉来源搭配确实产生了惊讶效应
效应量总结表
| 效应 | 估计值 | 标准误 | 效应大小（标准差单位/百分比） |
|---|---|---|---|
| PC1 --> 悲观文章选择 | +6.45pp/SD | 1.04 | ~13%的均值 |
| Preferred --> 信息性评分 | +0.39 | 0.06 | ~1/3 SD |
| Preferred --> 可靠性评分 | +0.58 | 0.06 | ~40% SD |
| Preferred --> 广告支出 | +$4.51 | 0.76 | ~17%均值 |
| Pess x Pref --> Pr(UR>20%)更新(经济域) | +11.30pp | 3.12 | ~55%均值修正 |
| 来源揭示 x Liberal --> 悲观选择 | -25.1至-26.6pp | ~5.1 | ~全均值的65% |
| 来源揭示 x Liberal --> 广告支出 | -$16.9 | -- | ~64%均值 |
维度6：与其他文献的关系
所属文献领域
- 动机性信念（Motivated Beliefs）：Benabou_Tirole_2016_MindfulEconomics_Beliefs、Benabou_2015_EconomicsMotivatedBeliefs、Zimmermann_2020_DynamicsOfMotivatedBeliefs
- 确认偏误：Rabin and Schrag (1999, QJE)；Lord et al. (1979)；Charness_2017_ConfirmationBias_MotivatedBeliefs、DelVicario_2017_ConfirmationBias_Polarization、Dickinson_2022_PoliticalIdeology_ConfirmationBias
- 信息实验设计：Haaland_Roth_2023_DesigningInformationExperiments
- 理论框架：Baillon_2017_BayesianMarkets_PrivateInfo 的模糊性态度模型作为最优信念扭曲基础
本文的关键创新
- 内生化信息选择: 大多数信息实验外生提供信号；本文让被试自行选择信号语气，然后随机化实际分配，从而同时研究选择偏误和处理偏误
- 区分确认偏误 vs. 一厢情愿: 通过观察悲观者偏好悲观文章（而非所有人偏好乐观文章），排除了一厢情愿假说
- 来源依赖效应的实验证据: 通过随机化来源揭示时点，首次在实验中展示新闻来源如何压倒内容偏好
- 反直觉来源-内容搭配: 悲观文章配Fox News、乐观文章配NYT，使来源依赖效应更明确可识别
- 激励相容的行为测量: 广告预算分配和捐赠分配作为"真实"行为结果
与相关文献的对话
| 文献 | 本文关系 |
|---|---|
| Zimmermann (2020) | 同为动机性信念的激励实验，但本文引入信息选择的内生性 |
| Mobius et al. (2014) | 不对称更新的先驱，本文扩展到宏观议题和媒体情境 |
| Cookson et al. (2020) | 零售投资者的选择性暴露实地证据，本文提供实验证据 |
| Bail et al. (2018) | 社交媒体上接触对立观点增加极化，本文聚焦来源而非内容 |
| DellaVigna and Kaplan (2007) | Fox News对投票的影响，本文研究来源标签对信息处理的影响 |
| Thaler (2020b) | 用信任操纵识别动机性推理，互补的实验设计 |
| Allcott et al. (2020) | COVID期间党派差异的社交隔离行为，本文聚焦信息选择机制 |
对后续研究的启示
- 外生提供信号的信息实验可能低估了信念分歧的形成，因为忽略了选择性暴露
- 政策制定者可以通过"对方"熟悉的来源传递信息，以触达持不同观点的群体
- 来源依赖效应对理解媒体极化和"回音室"效应提供了微观基础
维度4：变量概览
自变量
实验操纵变量:
- Preferred_i：=1 若被试获得自己选择的标题对应文章（Survey 1，1/2概率）
- Pessimistic_i：=1 若被试阅读悲观文章
- Revealed\,Before_i：=1 若被试在选择前已知来源（Survey 2，T3组，1/3概率）
- Revealed\,After_i：=1 若被试在选择后但报告后验前知道来源（Survey 2，T2组，1/3概率）
先验信念变量:
- Worried H+E（健康+经济担忧之和，0-20）
- PC1（悲观主义主成分，由6个先验信念变量构造，标准化）
- Lockdown Support（居家令支持度，1-5）
- Pr(UR>20%)、Pr(Deaths>200K)、Pr(Infection)（年底前各事件概率，0-100）
人口统计与异质性变量:
- Liberal/Conservative（政治倾向，自报）
- 教育、收入、年龄、性别、种族
- 风险承受、耐心、信任倾向
- 就业损失（疫情期间）、预存健康条件数量（IV用）
因变量
| 类别 | 具体变量 | 量表 | 测量方式 |
|---|---|---|---|
| 信息选择 | 领域选择（健康/经济）、语气选择（乐观/悲观） | 二元 | 阶段1/2 |
| 信念修正 | Δ Pr(UR>20%)、Δ Pr(Deaths>200K)、Δ Pr(Infection) | -100至+100 | 后验-先验 |
| 文章评估 | Informativeness、Reliability | 1-7 | 自报Likert |
| 注意力 | 标题回忆正确率 | 0/100 | 4选1记忆题 |
| 政策态度变化 | Δ Lockdown Support | -4至+4 | 后验-先验 |
| 激励相容行为 | Facebook广告支出、WHO捐赠、App注册意愿 | $0-50/$0-20/二元 | 实际执行 |
关键参数与样本
- Survey 1: N=2,440（2020年5月第三周），平均用时16.3分钟
- Survey 2: N=1,571（2020年5月最后一周），平均用时22.1分钟
- 注意力检测通过率：82.6%
- 主要计量：OLS + IV（2SLS），Kleibergen-Paap F=8-11
- 显著性水平：常规5%/1%；多次假设检验时报告p值与SE clustered
维度5：局限性
- 样本选择性偏差：Qualtrics在线样本相对全国教育水平偏高（51% vs 32%大学学历）；结果可能低估了低教育群体的认知偏误
- 横截面 vs. 动态：研究仅捕捉单次信息选择-处理事件，无法刻画长期"回音室"效应的累积演化
- 疫情情境的特殊性：COVID-19作为新颖、高凸显事件，结果对常规政策议题（税收、贸易等）的外部效度有限
- 来源-内容搭配的人为性：悲观-Fox News和乐观-NYT的搭配虽然实验上有效，但现实中相反搭配（NYT悲观+Fox News乐观）也常见，本文未系统检验
- 行为测量的代表性：Facebook广告预算、WHO捐赠虽激励相容，但与日常重大金融/政治决策（投票、投资）距离较远
- 理论模型与数据的关系：嵌入Baillon et al. (2017)的最优信念扭曲模型仅作为概念框架，未做结构估计
- 未直接测量"惊讶"：来源依赖效应推断为"反直觉搭配"驱动，但并未在被试-article水平直接测量惊讶强度
- 居家令支持的内生性：用作"先验"的Lockdown Support可能本身已被信息环境影响，存在反向因果疑虑（虽然作者用IV缓解）
- 缺乏长期跟踪：信念修正仅测量即时（阅读后立即），无法回答效应持续多久
维度7：可拓展的研究方向
- 跨议题外部效度：在通胀预期、移民政策、气候变化等其他高极化议题中复制"内生选择+随机分配"设计，检验确认偏误是否同样占主导
- 金融决策应用：让投资者选择偏好的股票分析师报告（看涨/看跌），随机分配后观察其对投资组合调整的影响——直接连接信念偏误与金融市场行为
- 多轮动态实验：让被试在多次信息暴露中迭代选择，刻画"回音室"如何动态形成，研究是否存在"自我修正"机制
- 来源标签的认知细化：区分"机构来源"（Fox News vs. NYT）、"作者身份"（共和党 vs. 民主党专家）、"算法来源"（社交媒体推荐 vs. 人工编辑）的相对效应
- 去极化干预实验：测试是否可通过"模糊来源"（隐藏标签）或"反向来源认证"（中立机构背书Fox News内容）减少来源依赖偏误
- 结构估计：估计Baillon (2017)模型的关键参数（一厢情愿权重、模糊性厌恶系数），刻画异质性
- AI/算法情境：当信息由LLM或推荐算法提供时，被试是否仍表现出来源依赖？AI"作为来源"是否中性？可对接Chen_Kirshner_2025_ChatGPT_BiasedDecisions
- 机制分解：通过引入眼动追踪、阅读时间等过程数据，区分"选择性记忆"与"选择性解读"的相对贡献
- 跨文化比较：在低党派极化国家复制实验，检验来源依赖效应是否为美式现象
附录笔记
样本描述统计 (Table 1)
- Survey 1: 54%女性，23%少数族裔，51%大学学历，47%自由派，40%保守派，平均年龄49岁
- Survey 2: 51%女性，45%大学学历，44%自由派，平均年龄46岁
- Worried Health均值6.61 (SD=2.90)，Worried Economy均值6.03 (SD=2.98)
- Lockdown Support均值3.31 (SD=1.08)
政治倾向与先验信念的关联 (Table 2)
- Liberal --> Worried H+E: +1.87 (SE=0.20, p<0.01)
- Liberal --> PC1: +0.32 (SE=0.04, p<0.01)
- Liberal --> Lockdown Support: +0.70 (SE=0.04, p<0.01)
关键结论
- 确认偏误而非一厢情愿驱动信息选择：在COVID-19高度不确定情境下，悲观先验的人主动偏好阅读悲观新闻——这与"一厢情愿假说"（人们应回避坏消息以维护好心情）相反，支持Rabin & Schrag (1999)型确认偏误的实证存在
- 不对称信念更新真实存在：阅读偏好的悲观文章后，被试在失业率、死亡人数预测上比阅读非偏好文章多更新4-11个百分点的悲观方向，证明信息处理阶段的偏误独立于选择偏误
- 来源可压倒内容偏好：当揭示新闻来源（Fox News vs. NYT）后，先验信念对文章选择的预测力消失；自由派看到悲观文章来自Fox News时选择概率下降25pp，揭示了党派来源标签的强大门控作用
- 来源依赖在"行为"上比"信念"上更强：来源揭示主要影响下游行为（广告投入、政策支持），而对信念修正的影响有限——人们似乎仍接受信息内容，但据此采取的行动受来源调节
- 现实政策含义：媒体极化的根源不仅在于内容偏见，更在于来源标签触发的认同政治；通过"对方信任的来源"传递信息可能比修改内容本身更有效
- 方法论贡献：内生信息选择 + 随机分配 + 激励相容下游测量的组合，为研究"自我筛选信息环境"提供了可推广的实验范式