Ownership, Learning, and Beliefs

元数据

作者: Samuel M. Hartzmark, Samuel Hirshman, Alex Imas
年份: 2021 (Working Paper, November 2020)
期刊/来源: NBER / Booth School of Business, University of Chicago; Carnegie Mellon University
DOI/链接: 预注册于 AsPredicted (http://aspredicted.org/blind.php?x=yh53yd)
关键词: ownership, belief updating, extrapolation, attention, memory, endowment effect, Bayesian updating
JEL: D83, D91, G11, G41

一句话总结

通过多组激励化实验和Gallup田野数据，证明所有权（ownership）会驱动注意力使个体更关注所拥有资产的信号，进而通过联想性回忆和冗余性忽视产生显著的过度外推（over-extrapolation），即使所有人接收到完全相同的信息——揭示了禀赋效应的全新信念形成机制。

研究问题

(1) 所有权是否影响人们对资产相关信息的信念更新？(2) 这种影响的机制是什么——是注意力驱动还是其他？(3) 拥有的资产是否比未拥有的资产更容易引发对近期信号的过度外推？(4) 所有权-信念更新机制能否解释禀赋效应（WTA-WTP差异）？(5) 实验室证据能否在田野（股市预期）数据中得到验证？

核心贡献

首次系统性识别"所有权→信念更新"的因果链条：通过随机分配所有权排除选择效应，在信息完全对称的条件下证明所有权本身导致信念差异。
机制创新：提出并实验检验"所有权→注意力→联想性回忆（associative recall）→冗余性忽视（redundancy neglect）→过度外推"的完整机制链。
"More is Less" 悖论：更多的注意力反而导致更差的信念校准——拥有者由于回忆冗余信号被"双重计算"，外推程度是非拥有者的两倍。
禀赋效应的新解释：经典禀赋效应（Kahneman-Knetsch-Thaler）通常归因于损失厌恶；本文提供互补解释——所有权驱动的差异化信念更新放大WTA-WTP差距，且WTA-WTP差距随信息积累扩大。
实验-田野三角验证：虚拟投资品实验、实物充电宝禀赋实验、Gallup股市预期田野数据三方面相互印证。
效应稳健：跨多个处理（连续/离散信念报告、随机分配、交易决策、价格历史可见性、商品数量变化）均稳健存在，且不随被试经验积累而消失。

维度1：实验设计分析

核心研究问题

所有权（ownership）如何影响人们对信息的信念更新（belief updating）？拥有一项资产是否会导致对近期信号的过度外推（over-extrapolation），以及这种效应是否通过注意力和记忆机制起作用？

实验平台与被试

平台: Amazon Mechanical Turk (MTurk)
被试: 多个处理组，各组样本量从N=99到N=303不等
报酬: 基础报酬$1-$1.20，加上基于表现的激励支付

主要实验范式

实验一：基线信念更新实验（Baseline Belief-Updating Task）

任务设计 -- Discrete Treatment:

商品设置: 被试面对6种虚拟投资商品（Stock A-F），每种商品有一个隐藏的真实品质参数 $s_i \in [1, 100]$ ，代表该商品每期价格上涨的概率（百分比）
价格变动: 每期商品价格要么上涨6%，要么下跌5%，涨跌概率由 $s_i$ 决定
选择与所有权: 被试从6种商品中选择3种"拥有"，另外3种为"非拥有"商品。所有权仅影响支付方式，不影响信息获取
信息呈现: 每轮被试观察所有6种商品的价格变动（包含拥有和不拥有的商品），信息完全对称
信念引导: 每轮结束后，被试报告对每种商品未来价格上涨概率的信念（即对 $s_i$ 的估计）
信念激励机制: 采用二次评分规则（quadratic scoring rule），如果被试报告的信念 $\hat{s}_i$ 接近真实 $s_i$ ，则获得更高的报酬。被试正确理解如实报告是最优策略
轮次: 共15轮
理解检查: 每轮包含理解检查题目，未通过者被排除

任务设计 -- Continuous Treatment:

与Discrete Treatment类似，但被试报告的是对 $s_i$ 的连续概率估计（0-100%的点估计）
贝叶斯基准基于对称 $\beta(2.62)$ 先验分布构建

关键设计特征:

被试对拥有和不拥有的商品获得完全相同的信息
所有权通过选择确定（baseline）或随机分配（robustness check, Random Allocation treatment）
支付结构确保拥有商品的表现直接影响被试收益，而不拥有商品的表现不影响收益

实验二：禀赋效应实验（Endowment Effect Experiment）

任务设计:

被试被随机赠予两款Amazon充电宝中的一款（实物商品，非虚拟）
充电宝为不知名品牌，难以在外部查找价格或质量信息
每轮被试观察关于自己拥有的和不拥有的充电宝的Amazon用户评分信号（1-5星）
共5轮，每轮观察一个评分后，被试分别报告对拥有商品的WTA（Willingness to Accept，最低出售价格）和对不拥有商品的WTP（Willingness to Pay，最高购买价格），范围$0-$100
Purchase范式（N=100）：随机一轮被选为激励轮，根据被试的WTA/WTP与真实价格的比较决定是否交易，通过Amazon完成实际交易
Trade范式（N=199）：拥有者与非拥有者配对，比较WTA与WTP决定是否交易
无信息对照组（N=99）：相同格式但不提供评分信息，用于复制标准禀赋效应

实验三：交易实验（Trade Experiment, N=149）

基线Discrete Treatment的变体，增加了每轮的交易决策
被试可以买卖商品股份，但卖出时必须卖出全部份额
用于检验考虑自我选择后所有权对信念更新的影响

实验四：价格历史实验（Price History Treatment, N=303）

基线Discrete Treatment的变体
每轮随机分配被试看到完整价格历史或仅当前价格
用于检验是否依赖于过去价格信息的可用性

田野数据分析（Field Data）

使用Gallup调查数据（约92,000-98,000观测值）
考察股票持有者vs非持有者对股市未来表现预期的差异
检验是否股票持有者对近期市场表现的外推更强

因变量

信念 ( $\hat{s}_i$ ): 对商品未来价格上涨概率的估计
信念误差 (Belief Error): 相对于贝叶斯基准的偏差
WTA - WTP差异: 禀赋效应的度量
股市预期: 田野数据中对未来股市表现的概率判断

自变量

Own: 虚拟变量，=1如果被试拥有该商品
Return: 商品的累积收益率水平
Price Increase: 虚拟变量，=1如果上一期价格上涨
Own * Return / Own * Price Increase: 交互项，核心兴趣变量

维度2：理论模型

核心理论框架：所有权驱动的注意力与外推

模型设定:

决策者（DM）对商品 $i$ 的基本品质 $s^i \in [1,100]$ 形成信念
每期 $t \in \{1,2\}$ ，DM观察信号 $r_t^i \in \{u, d\}$ （上涨或下跌）
$s^i$ 直接对应观察到 $u$ 信号的概率

关键公式:

公式(1) -- 贝叶斯后验:
$ $\pi_2 = \frac{x + u_2^i}{2 \ast x + u_2^i + d_2^i}$ $
其中 $u_2^i = \sum_{k=1}^{2} \mathbb{1}(r_k^i = u)$ ， $d_2^i = \sum_{k=1}^{2} \mathbb{1}(r_k^i = d)$ ， $x$ 为对称 $\beta(x)$ 先验参数。

公式(2) -- 回忆函数（Recall Function）:
$ $p(m_{t,k}^i, a_{t,k}^i) = \begin{cases} 1 & \text{if } m_{t,k}^i \ast a_{t,k}^i = 1 \\ 0 & \text{otherwise} \end{cases}$ $

$m_{t,k}^i$ : 关联变量（association），=1如果时期 $k$ 的信号与当前时期 $t$ 的信号匹配（ $r_t^i = r_k^i$ ）
$a_{t,k}^i$ : 注意力变量（attention），=1如果DM在时期 $k$ 关注了商品 $i$
核心假设: 所有权引导注意力 -- 拥有的商品 $a_{t,k}^i = 1$ ，不拥有的商品 $a_{t,k}^i = 0$

公式(3) -- 带回忆的信念更新（有充分统计量时）:
$ $\pi_2 = \frac{x + u_2^i + u_{recall}^i}{2 \ast x + u_2^i + u_{recall}^i + d_2^i + d_{recall}^i}$ $

$u_{recall}^i$ 和 $d_{recall}^i$ 为回忆起的冗余信号
由于联想性回忆（associative recall）和冗余性忽视（redundancy neglect），注意力导致过度外推

四个核心假设

假设1（Associative Recall）: 对拥有商品的过往信号回忆比不拥有的更准确，尤其对与当前信号一致的信号回忆更好

假设2（Belief-Updating）: DM对拥有商品的近期信号反应更极端

假设3（Over-extrapolation）: 平均而言，拥有商品的过度外推大于不拥有的商品

拥有商品：看到 $\{u,u\}$ 后后验为 $\frac{x+2}{2x+2}$ （与贝叶斯一致），看到 $\{d,u\}$ 后后验为 $\frac{x+1}{2x+1}$ （高于贝叶斯的 $\frac{x+1}{2x+2}$ ）
不拥有商品：始终等于贝叶斯后验 $\frac{x+u_2^i}{2x+u_2^i+d_2^i}$

假设4（More is Less）: 当存在充分统计量时，所有权通过注意力导致信念校准性下降（更不准确）

注意力使DM回忆起冗余信息并"双重计算"
拥有者的外推程度是非拥有者的两倍

计量模型

基线回归:
$ $Belief_i = \alpha + \beta_1 \cdot Own \times Return + \beta_2 \cdot Return + \beta_3 \cdot Own + \epsilon_i$ $

外推回归:
$ $Belief\_Error_i = \alpha + \beta_1 \cdot Own \times Price\_Increase + \beta_2 \cdot Price\_Increase + \beta_3 \cdot Own + \epsilon_i$ $

标准误聚类于被试层面。

维度3：核心发现

发现1：所有权放大信念对收益的敏感性

Own * Return系数: 0.0750*** (t=3.08)，基线Discrete Treatment
含义: 拥有商品时，信念对收益的反应比不拥有时更强约7.5个百分点（标准化收益）
随机分配处理: Own * Return = 0.0750*** (t=3.08)，排除选择效应
两商品处理: Own * Return = 0.114** (t=2.10)
Discrete Treatment: Own * Return = 0.0987** (t=2.52)
Continuous Treatment: Own * Return = 0.0715*** (t=2.95)

发现2：所有权导致对称的过度外推

Own * (Price Increase): 3.785*** (t=6.01)，Continuous Treatment
Own * (Price Increase): 4.187*** (t=4.72)，Discrete Treatment
对称性: 对正面和负面信号均过度外推
- Own * Negative Return = 0.0856*** (t=4.55)
- Own * Positive Return = 0.0420** (t=2.20)

发现3：禀赋效应随信息积累而扩大

Own * Rating: 4.767** (t=2.60)，Purchase范式
Own * Rating: 3.017** (t=2.19)，Trade范式
Own * Last Rating: 1.665*** (t=3.29)，Purchase范式
Own * Last Rating: 1.835*** (t=4.35)，Trade范式
含义: 禀赋效应（WTA-WTP差距）不仅存在，而且随着信息（评分信号）与所有权的交互作用而扩大

发现4：田野数据中所有权放大外推

Own * Mkt[-m,-1]: 12.39*** (t=3.84) 至 19.95*** (t=4.49)，股市上涨概率
Own * Mkt[-m,-1]: 0.152*** (t=2.71) 至 0.262*** (t=4.09)，上涨概率>50
含义: 在Gallup调查数据中，股票持有者对近期市场表现的外推显著强于非持有者，效应在3个月到2年窗口均显著

发现5：效应在实验各阶段稳健

前5轮：Own * Return = 0.213*** (t=4.45)
6-10轮：Own * Return = 0.130*** (t=5.43)
11-15轮：Own * Return = 0.0626*** (t=3.51)
效应在整个实验期间持续存在，不随学习消失

发现6：价格历史信息不影响结果

Full History * Own * Return = -0.0276 (t=-1.41)，不显著
含义: 是否展示完整价格历史不影响所有权对信念的作用，支持注意力-记忆机制而非简单的信息可及性解释

维度6：与其他文献的关系

本文在文献中的位置

本文位于行为金融、信念形成和注意力经济学的交叉领域，是首篇系统性地将所有权与信念更新偏差联系起来的实验研究。

与现有文献的对话

信念更新与外推:

与 Greenwood & Shleifer (2014) 的田野发现一致（预期对过去表现正向反应），但本文提供了所有权作为调节变量的因果证据
延伸了 Barberis, Shleifer & Vishny (1998) 和 De Long et al. (1990) 的外推理论

注意力与记忆:

建立在 Bordalo, Gennaioli & Shleifer (2017, 2020) 的联想记忆框架之上
与 Enke, Schwerter & Zimmermann (2019) 的关联回忆和冗余性忽视模型紧密相关
拓展了 Schwartzstein (2014) 的选择性注意力理论
与 Mullainathan (2002) 的有限记忆框架一致

禀赋效应:

提供了禀赋效应的新机制解释：不仅是损失厌恶（Kahneman, Knetsch & Thaler, 1990），更通过所有权驱动的差异化信念更新放大WTA-WTP差距
补充了 Carmon & Ariely (2000) 和 Thaler (1980) 的经典禀赋效应文献

认知偏差与冗余性忽视:

与 Eyster & Rabin (2014) 的冗余性忽视理论一致
与 Gagnon-Bartsch, Rabin & Schwartzstein (2018) 关于注意力误配的理论相呼应

本文的核心贡献

因果识别: 通过实验随机化（包括随机分配所有权）建立所有权对信念更新的因果效应
机制阐明: 提出并检验"所有权 -> 注意力 -> 联想性回忆 -> 冗余性忽视 -> 过度外推"的完整机制链条
禀赋效应新解释: 提出禀赋效应可部分由所有权驱动的差异化信念更新解释
"More is Less"悖论: 更多的注意力反而导致更差的信念校准，挑战了"注意力总是有益"的直觉
实验室-田野一致性: 实验室发现在Gallup调查田野数据中得到验证

方法论特色

多种实验处理的系统性稳健性检验（随机分配、交易、价格历史、两商品等）
贝叶斯基准的严谨构建（通过先验引导实验估计 $\beta(2.62)$ 参数）
结合实验室实验（虚拟资产 + 实物商品）与田野数据的三角验证

维度4：变量概览

关键自变量：

$Own_i$ ：所有权虚拟变量（=1拥有，=0不拥有）
$Return_i$ ：商品累积收益率
$Price\_Increase_{i,t}$ ：上期价格上涨虚拟变量
$Rating$ / $Last Rating$ ：禀赋效应实验中的Amazon评分信号
$Mkt[-m,-1]$ ：田野数据中过去m期市场收益

核心交互变量（首要兴趣）：

$Own \times Return$ ：所有权对收益反应的调节
$Own \times Price\_Increase$ ：所有权对价格信号外推的调节
$Own \times Rating$ / $Own \times Last Rating$ ：禀赋效应中所有权对评分反应的调节
$Own \times Mkt[-m,-1]$ ：田野中所有权对市场预期外推的调节

关键因变量：

$\hat{s}_i$ ：被试报告的对商品 $i$ 真实品质的信念（0-100）
$Belief\_Error_i$ ：信念相对于贝叶斯基准的偏差
WTA - WTP：禀赋效应度量（$0-$100）
股市未来上涨概率（田野）

关键参数：

真实品质 $s_i \in [1, 100]$ （隐藏，决定上涨概率）
价格变动幅度：上涨6%、下跌5%
Beta先验参数 $x = 2.62$ （实验估计的对称先验）
实验轮数：基线15轮、禀赋实验5轮
充电宝实验WTA/WTP范围：$0-$100

实验处理（多版本稳健性）：

Discrete vs. Continuous信念报告
Choice vs. Random Allocation所有权分配
6商品 vs. 2商品
完整价格历史 vs. 仅当前价格
Purchase vs. Trade禀赋实验范式
有信息 vs. 无信息对照（禀赋实验）

控制变量：

被试固定效应（多数回归）
商品固定效应
时期/轮次固定效应
标准误聚类于被试层面

维度5：局限性

MTurk样本的代表性限制：被试为MTurk在线劳动者，可能与真实金融市场的散户、机构投资者存在系统性差异（注意力配置、金融素养、动机）。
资产为虚拟商品：基线实验中Stock A-F为虚拟商品，缺乏真实金融资产的价格波动复杂性、流动性、市场情绪等特征；实物充电宝实验解决了部分问题但商品类型与金融资产差异大。
短期实验：基线实验15轮，无法观察长期更新动态；现实中投资者持有资产数月至数年，长期注意力配置和记忆衰减模式可能不同。
田野数据为相关性证据：Gallup股票持有者 vs. 非持有者比较虽然显示外推差异，但持股本身是内生选择（如已外推程度高者更愿持股），田野证据仅作三角验证而非独立因果识别。
"注意力"的间接测量：注意力机制由模型推断，未直接通过眼动追踪、反应时等方法测量。
冗余性忽视的简化假设：模型假设回忆的冗余信号被完全双重计数，现实中可能存在部分整合或衰减。
未涉及情绪与动机性信念：所有权可能不仅通过注意力，还可能通过motivated reasoning（如自我形象保护、损失厌恶引发的乐观）影响信念，本文未对二者做实验性分离。
激励规模有限：MTurk实验中激励为美元数级别，与真实投资决策的金融后果差距大；激励效应是否随金额放大尚不明。
无情境依赖性研究：未研究在不同信号噪声水平、信息更新频率、市场环境下机制的稳健性。
信念报告的认知负担：连续信念报告与二次评分规则要求被试理解概率，可能在低金融素养群体中失真。

维度7：可拓展的研究方向

金融市场中的应用：将本文机制应用到真实股票市场中，研究散户投资者持仓时间、买入价、未实现损益对信念外推的影响。可与 Frydman_Nave_2017_ExtrapolativeBeliefs_Perceptual_Economic 关于extrapolative beliefs的工作整合。
动机性信念vs.注意力机制的分离：设计实验同时操控注意力与动机性激励，分离 Benabou_2015_EconomicsMotivatedBeliefs 框架下的motivated reasoning与本文的attention-driven mechanism。
眼动与神经测量：使用眼动追踪、fMRI直接测量所有权对注意力配置的影响，验证机制的微观基础。
跨资产类别比较：研究效应在加密货币、ESG基金（参考 Bauer_2025_Sustainability_Preferences_Index_Fund）、艺术品等不同资产类别中的差异。
长期更新与记忆衰减：扩展到长达数月的纵向实验，研究所有权效应是否随时间衰减，以及与 Walters_Fernbach_2021_InvestorMemory_PositivityBias 的投资者记忆研究整合。
专业投资者：在金融分析师、基金经理样本中复制实验，检验专业训练是否消除所有权-外推效应。
机构持仓的影响：研究投资者代理（如基金经理代客持仓）vs.直接持仓对外推的差异，评估代理是否能减弱所有权偏差。
AI/LLM agents的所有权效应：研究LLM agent是否在被赋予"所有权"框架时表现出类似外推（参考 Hashimoto_Takayanagi_2026_LLMAgents_HumanBias_MarketDynamics）。
政策应用：基于本文机制设计去偏干预——如刻意展示非持仓商品的信息、引入"反事实"信号——并评估对投资决策质量的改善。
结构性估计：将本文的注意力-记忆模型用结构方法估计，与 Enke_Schwerter_2020_AssociativeMemory_BeliefFormation 的associative memory框架整合，提供联合行为模型。
禀赋效应的进一步分解：通过实验量化"损失厌恶解释" vs. "所有权-信念更新解释"对禀赋效应的相对贡献。
房地产、退休金等大额资产：研究所有权效应在房地产价格预期、养老金账户表现预期中的存在性与规模。

关键结论

所有权因果地驱动信念外推：在信息完全对称的实验环境下，仅仅"拥有"一项资产就显著放大了对该资产近期信号的外推程度（Own × Return效应稳健显著）。这一效应通过随机分配所有权得到因果识别，排除了选择效应解释。
机制为"注意力→联想回忆→冗余忽视"：所有权引导注意力，使被试更详细地记住所拥有资产的过往信号；当近期信号触发联想回忆时，过去与之一致的信号被冗余地"双重计数"，导致外推。模型预测拥有者外推程度是非拥有者的两倍。
"More is Less" 悖论：更多的注意力（对所拥有资产）反而导致更差的信念校准——挑战了"注意力总是有益于学习"的直觉，对rational inattention文献的福利结论提出新挑战。
禀赋效应可被信念更新机制部分解释：WTA-WTP差距不仅由损失厌恶驱动，也由所有权差异化的信念更新驱动；信息（评分）越多，差距越大，提供了禀赋效应的全新动态机制。
实验室与田野证据一致：Gallup调查中股票持有者比非持有者对近期市场表现的外推显著更强（在3个月-2年窗口均稳健），证实实验机制在真实金融市场预期中的存在。
效应不随经验积累消失：在15轮实验中Own × Return效应在前5轮、6-10轮、11-15轮均显著，表明所有权偏差不是被试不熟悉任务的伪影，而是稳健的行为规律。

Hartzmark_Hirshman_2021_Ownership_Learning_Beliefs