我的笔记

Heger_2018_Optimism_Overconfidence_Restaurant

更新于 2026/7/5

We Should Totally Open a Restaurant: How Optimism and Overconfidence Affect Beliefs

元数据

  • 作者: Stephanie A. Heger, Nicholas W. Papageorge
  • 期刊: Journal of Economic Psychology
  • 年份: 2018
  • 卷期页: Vol. 67, pp. 177-190
  • DOI: https://doi.org/10.1016/j.joep.2018.06.006
  • JEL分类: C91, D03, D8, I26
  • 关键词: Subjective beliefs, Overconfidence, Optimism, Information, Experiments

一句话总结

通过125名被试的实验室实验在统一框架内分别测量并区分乐观主义(高估有利结果概率)与过度自信(高估自身表现)，发现两者在个体层面正相关(系数约0.66)，且忽略乐观主义会导致约29%的观测被错误分类为过度自信或自信不足。

研究问题

行为经济学和实验经济学文献中，"乐观主义"(optimism)与"过度自信"(overconfidence)常被互换使用或在跨情境比较中难以分离。两者的核心区别在于是否依赖于个人表现：乐观主义是非自我相关的(non-ego-related)，过度自信是自我相关的(ego-related)。本文要回答：(1) 在同一实验任务中，能否将这两种偏差分别识别？(2) 在同一被试身上，两者是否相关？(3) 如果只测量其中一种偏差，会对实证估计产生多大偏差？这些问题对设计针对性的信息干预、避免在创业、金融、CEO行为等研究中的混淆至关重要。

核心贡献

  1. 方法论创新：构建2×2 (Payment × Performance) 被试内实验设计，在统一的概率信念引出任务中同时识别乐观主义偏移与过度自信偏移，避免跨情境比较带来的不可比性问题。
  2. 实证发现：首次在个体层面证明乐观主义与过度自信显著正相关(系数0.62-0.66, p<0.01)，二者并非独立维度。
  3. 量化遗漏变量偏差：明确展示在Combined Treatment中，忽略其中一种偏差会使另一种偏差的估计系数膨胀约30%。
  4. 误分类警示：约29%的观测在不考虑乐观主义的传统过度自信测量下被错误分类(包括方向相反的15%)，对依赖过度自信测量的现有文献(如CEO过度自信、创业过度自信)提出严肃质疑。
  5. 政策启示：针对ego-related与non-ego-related偏差的信息干预应该有所区别，反事实模拟与结构估计也应正确区分两种偏差来源。

维度1：实验设计分析

实验设计

  • 实验类型: 实验室实验（lab experiment），在华盛顿大学圣路易斯分校MISSEL实验室进行
  • 软件: Z-Tree (Fischbacher, 2007)；招募使用ORSE (Greiner, 2015)
  • 被试: 125名被试（59名男性，66名女性），共15场实验
  • 时长与报酬: 平均约90分钟，平均收入$25 USD
  • 核心设计: 被试内设计（within-subject），2x2 (Payment x Performance) 设计，产生四个处理组：
    1. Baseline Treatment: 面对含已知数量黑白球的罐子，报告抽到白球的概率信念。无附加支付，表现不影响分布
    2. Payment Treatment: 与Baseline相同，但抽到白球可获额外报酬，引入支付偏好以识别乐观主义（optimism）
    3. Performance Treatment: 被试回答IQ问题（Mensa题），答对则向罐中加白球，改变分布。用以识别过度自信（overconfidence）
    4. Combined Treatment: 同时引入支付偏好和表现因素，模拟现实中两种偏差共存的情境（如开餐厅决策）

信念引出与激励

  • 使用**二次评分规则（Quadratic Scoring Rule, QSR）**激励被试报告真实的概率信念（Brier, 1950; Murphy & Winkler, 1970）
  • 被试面对6种不同分布（单次抽取和三次抽取），每种分布在每个处理下报告信念
  • 每个被试总共报告20个分布-处理组合的信念

关键变量构建

  • Optimistic Shift: 支付处理下信念与基线信念之差（shift_payment - shift_baseline），衡量支付偏好对信念的扭曲
  • Overconfident Shift: 表现处理下信念与基线信念之差（shift_performance - shift_baseline），衡量对自身表现的高估
  • Combined Treatment Shift: 组合处理下信念与基线信念之差，综合衡量两种偏差的联合效应
  • 使用Baseline信念作为被试层面的控制，有效剔除数学能力差异等个体因素的影响

数据处理

  • 总观测量：2500个被试-分布-处理层面观测，去除重复和违反概率规则的观测后保留2244个
  • 主要分析使用383个观测（同时观察到Payment和Performance处理的个体-分布对）和247个观测（同时观察到Payment、Performance和Combined处理的子样本）
  • OLS回归分析，标准误按个体聚类

维度2：理论模型

核心概念区分

本文的理论贡献在于明确区分两种常被混淆的信念偏差：

  1. 乐观主义（Optimism）: 高估高收益结果发生概率的倾向，与个人表现无关（non-ego-related），独立于个体能力（Irwin, 1953; Weinstein, 1980）
  2. 过度自信（Overconfidence）: 高估自身表现的倾向，是自我相关的（ego-related），依赖于对个人能力的评估（Moore & Healy, 2008中的"over-estimation"定义）

理论模型

  • 以开餐厅为例构建简单模型：预期收益 E = P + D（P为厨艺表现，D为当地需求）
  • 信念偏差表示为：E_hat = P + epsilon^P + D + epsilon^D
    • epsilon^P > 0 表示过度自信（高估表现）
    • epsilon^D > 0 表示乐观主义（高估需求）
  • 两者可同时导致如意算盘式思维（wishful thinking），即高估高收益事件的概率
  • 关键理论洞察：在表现影响收益的情境中，更好的表现产生更高收益，这使得epsilon^P和epsilon^D存在内在正相关性

与文献的理论对话

  • 乐观主义模型基于：预期效用（Brunnermeier & Parker, 2005; Caplin & Leahy, 2001）、情感决策（Bracha & Brown, 2012）、秩依赖效用（Van den Steen, 2004）
  • 过度自信模型基于：信念导向偏好（Benabou & Tirole, 2002; Koszegi, 2006）、策略性高估（Burks et al., 2013; Charness et al., 2014）
  • 两者的根本区别：过度自信允许个人表现发挥作用，而乐观主义不依赖个人表现
  • 该区分对信息干预设计具有重要政策含义：针对自我相关偏差（overconfidence）与非自我相关偏差（optimism）的信息干预应不同

维度3：核心发现

发现1：乐观主义与过度自信正相关

  • OLS回归（Table 4）：Overconfident Shift对Optimistic Shift的回归系数为0.66*（SE=0.07, p<0.01），N=383
  • 加入性别、IQ正确数、分布固定效应后系数为0.64*（SE=0.07），R^2=0.41
  • 在247个观测子样本中系数为0.62*（SE=0.08），R^2=0.46
  • 包含二次项的模型中，线性项0.51*（SE=0.08），二次项0.62*（SE=0.24），表明正相关在更高水平上更强
  • 解读: 乐观主义每增加10个百分点，过度自信增加约6.2-6.6个百分点

发现2：两种偏差共同解释Combined Treatment中的信念偏差

  • Table 5回归分析（N=247）：
    • 仅用Overconfident Shift解释Combined Shift：系数0.65*（SE=0.10），R^2=0.51
    • 仅用Optimistic Shift解释Combined Shift：系数0.59*（SE=0.11），R^2=0.41
    • 同时纳入两者：Overconfident Shift系数降至0.50*（SE=0.09），Optimistic Shift系数降至0.27*（SE=0.09），R^2=0.54
  • 遗漏变量偏差: 忽略Optimistic Shift时，Overconfident Shift系数从0.50膨胀至0.65；忽略Overconfident Shift时，Optimistic Shift系数从0.27膨胀至0.59
  • F检验: 联合假设检验（phi_2=1且phi_3=0，即Combined Shift等于Overconfident Shift）的F统计量在10.85-16.96之间，均在1%水平上显著拒绝

发现3：误分类问题严重

  • 如果忽略乐观主义仅用过度自信来分类，29%的观测被错误分类：
    • 9%的"自信不足"个体被错误归为"过度自信"（p<0.001）
    • 6%的"过度自信"个体被错误归为"自信不足"（p<0.001）
    • 15%的观测被归入方向相反的偏差类别
    • 7%的观测被错误判定为"有过度自信"但实际既不过度自信也不自信不足
    • 7%的观测有过度自信但被遗漏
  • 剩余71%方向正确的观测中，偏差幅度仍被显著误估（45度线假设在p<0.01水平被拒绝）
  • 约30%的观测（准确说是29%）在忽略乐观主义的情况下被错误分类为过度自信或自信不足

其他发现

  • Payment Treatment平均不产生显著的信念偏移，与其他纯乐观主义实验室研究一致（Barron, 2016），但Performance和Combined Treatment导致信念高估
  • 性别效应：加入控制变量后男女同样可能高估白球数量
  • 正确回答更多IQ问题与更低的信念偏移相关

维度6：与其他文献的关系

本文在文献中的位置

本文处于行为经济学/实验经济学与信念偏差研究的交叉领域，是首批在统一实验框架中同时测量并区分乐观主义和过度自信的研究之一。

与已有文献的关系

文献 关系
Moore & Healy (2008) 采用其过度自信的"over-estimation"定义
Weinstein (1980); Irwin (1953) 沿用其乐观主义定义：高估有利结果的倾向
Camerer & Lovallo (1999) 早期讨论过度自信与过度进入关系，但未区分乐观主义
Malmendier & Tate (2005, 2015) CEO过度自信研究，本文指出其测量可能混淆乐观主义
Barber & Odean (2001); Biais et al. (2005) 金融市场过度自信研究，同样可能受乐观主义污染
Tasoff & Letzler (2014) 较接近的研究，区分乐观主义与过度自信，但方法不同
Charness et al. (2014); Ertac (2011) 自我相关vs非自我相关信念的更新差异
Coutts (2017) 好消息/坏消息信念更新，强调跨情境研究不同偏差可能产生误导
Brunnermeier & Parker (2005) 最优期望理论，乐观主义的理论基础之一
Koellinger et al. (2007) 过度自信与创业行为，本文指出需区分两种偏差来源

本文的独特贡献

  1. 方法论创新: 被试内设计+统一任务，在同一实验中分别识别和测量两种偏差，避免跨情境比较的问题
  2. 实证发现: 首次在个体层面证明乐观主义与过度自信正相关
  3. 遗漏变量偏差的量化: 明确展示忽略其中一种偏差会导致另一种偏差的估计产生30%左右的膨胀
  4. 误分类的系统性论证: 29%的观测在忽略乐观主义时被错误分类

对后续研究的启示

  • 信息干预设计需考虑偏差类型（ego-related vs non-ego-related）
  • 结构模型（如反事实模拟）中需正确区分两种偏差来源，否则预测不准确
  • 创业、金融、管理等领域的过度自信研究应考虑乐观主义的混淆效应
  • 未来可探索：两种偏差的相关性是因果关系还是共同第三因素所致

维度4：变量概览

变量类型 变量名 操作化 取值/单位
因变量1 Optimistic Shift shift_payment - shift_baseline 概率值差(-1到+1)
因变量2 Overconfident Shift shift_performance - shift_baseline 概率值差(-1到+1)
因变量3 Combined Treatment Shift shift_combined - shift_baseline 概率值差(-1到+1)
基线变量 Baseline Belief 无激励、无表现条件下报告的信念 概率(0-1)
核心处理1 Payment Treatment 抽到白球获得额外报酬 二元
核心处理2 Performance Treatment 答对Mensa题向罐中加白球 二元
核心处理3 Combined Treatment 同时引入支付与表现因素 二元
任务变量 罐中分布 6种黑白球分布(单次/三次抽取) 分布固定效应
激励机制 Quadratic Scoring Rule 二次评分规则激励诚实报告 货币奖励
个体特征 性别 自报 男/女
个体特征 IQ正确数 Mensa题答对数量 0-N
样本规模 总观测 被试-分布-处理 2244个有效观测
主要分析样本 Payment+Performance共有观测 个体-分布对 383个
三处理子样本 Payment+Performance+Combined 个体-分布对 247个

维度5：局限性

  1. 样本规模与代表性：125名大学生被试，主要为美国一所大学的实验池，无法直接外推到企业家、CEO、投资者等真实决策者群体。
  2. 任务的人工性：抽白球任务的概率信念与现实世界中"开餐厅会成功吗"、"我能管理好这家公司吗"等复杂信念在认知机制上可能不同，外部效度受限。
  3. 货币激励有限：QSR激励虽理论正确，但实际激励强度($25平均)可能不足以完全消除报告偏差(如简单地报告0.5)。
  4. 截面而非纵向：无法观察到信念偏差是否会随时间、经验、反馈而变化。
  5. 机制问题：发现乐观主义与过度自信正相关，但未能识别这种正相关是因果关系(一种偏差驱动另一种)还是共同心理基础(如wishful thinking、动机性认知)所致。
  6. 未涉及信念更新：仅研究先验信念形成，未涉及面对反馈时的信念更新过程(asymmetric updating)。
  7. 对Combined Treatment的解读：Combined中两种偏差的"加总"是否真的反映现实情境(如开餐厅决策)中两种偏差的相互作用，仍是开放问题。
  8. 认知能力混淆：尽管控制了IQ正确数，但未完全分离统计推理能力与动机性偏差的影响。

维度7：可拓展的研究方向

  1. 真实世界扩展：在真实创业者、CEO、投资者群体中复制设计，检验实验室发现的外部效度。
  2. 机制识别：设计实验区分乐观主义与过度自信正相关的可能机制(共同心理基础vs.因果传导vs.第三因素)。
  3. 干预效果差异：测试同一信息干预对ego-related与non-ego-related偏差的差异化效果，为政策设计提供依据。
  4. 信念更新动态：在多轮信念更新框架中观察两种偏差的演化，检验是否存在不对称更新。
  5. 结构估计：将两种偏差纳入结构模型(如最优期望理论、信念效用模型)，量化政策反事实的偏差。
  6. 跨文化研究：在不同文化背景下检验两种偏差的比例与相关性。
  7. 领域特异性：不同决策领域(健康、金融、教育、创业)中两种偏差的相对重要性是否不同？
  8. 与其他偏差的整合：与控制错觉(illusion of control)、过度精确(overprecision)、上方/下方风险感知偏差等其他自我相关偏差的关系。
  9. 神经/生理基础：用神经科学方法识别两种偏差的不同神经基础。
  10. 对Malmendier & Tate等研究的重新评估：用本文方法重新测量CEO过度自信，校正乐观主义混淆后的真实效应大小。

标签

#实验经济学 #信念偏差 #乐观主义 #过度自信 #如意算盘思维 #wishful_thinking #被试内设计 #实验室实验 #信念引出 #遗漏变量偏差 #创业决策

关键结论

  1. 乐观主义与过度自信是不同但相关的两种偏差：在统一实验框架中可被分别识别，且在个体层面正相关(系数约0.62-0.66)，提示两者可能共享某种动机性认知基础(如wishful thinking)，但并非完全等同。
  2. 忽略乐观主义会严重扭曲过度自信的测量：约29%的观测在不考虑乐观主义时被错误分类(包括15%被分到方向相反的偏差类别)，对依赖单一过度自信测量的现有文献(CEO研究、创业研究、金融市场研究)构成系统性挑战。
  3. 政策含义：针对ego-related(过度自信)与non-ego-related(乐观主义)偏差的信息干预应该有所区别——前者可能需要表现反馈、能力校准训练，后者可能需要环境信息、基准比较。一刀切的"去偏化"干预可能无效或产生反作用。
  4. 方法论启示：实验设计应在统一任务中分别识别不同信念偏差，避免跨情境比较带来的不可比性；结构估计与反事实模拟应纳入两种偏差以避免遗漏变量偏差。

🔗 链接到这篇笔记