Experimentation with Self-Serving Attribution Biases

元数据

• 作者: Nina Hestermann, Yves Le Yaouanq
• 期刊: American Economic Journal: Microeconomics
• 年份: 2021
• 卷期: Vol. 13, No. 3, pp. 198-237
• DOI: https://doi.org/10.1257/mic.20180326
• JEL分类: D11, D83, D91
• 关键词: 过度自信, 自利归因偏差, 实验行为, 贝叶斯学习, 信念更新, 识别问题

一句话总结

本文构建了一个动态贝叶斯学习模型，证明在两维不确定性（个体能力 \theta 与环境质量 \lambda）下，过度自信者会将成功归因于自身、将失败归因于环境（自利归因偏差），从而比理性者更频繁地"实验/换环境"，并使过度自信在长期具有自我纠正性，而不自信则是自我确认的（self-confirming）。

研究问题

1. 在贝叶斯框架内，无需假设非理性更新规则，过度自信能否内生地产生自利归因偏差（self-serving attribution bias, SSAB）？
2. 个体的固有能力 \theta 与外部环境质量 \lambda 不可分识别（identification problem）时，先验偏差如何向两个维度传播？
3. 生产函数 p(\lambda,\theta) 的何种数学性质（log-supermodularity vs. log-submodularity）决定归因偏差的方向？
4. 过度自信与不自信在长期是否对称？两者对实验/探索行为（experimentation）和最终福利的影响有何不同？
5. 为什么实证文献中过度自信比不自信更常见？

核心贡献

1. 理论贡献（建模创新）：首次将SSAB从心理学描述转化为贝叶斯推断的内生结果——过度自信者并不偏离贝叶斯规则，但因 \theta 与 \lambda 的识别问题而将成功更多归因于 \theta、失败更多归因于 \lambda。
2. 数学框架贡献：精确刻画 log-supermodular（互补）vs. log-submodular（替代）的生产函数特性如何决定归因偏差方向（Proposition 1, Corollary 1）。
3. 不对称性结果：证明过度自信（自我纠正、概率1达到最优）与不自信（自我确认、正概率永久次优）的根本不对称（Proposition 5–6），为实证中过度自信更常见提供选择性解释。
4. 方法论贡献：将多臂老虎机（two-armed bandit）实验/最优停止框架扩展到双参数同时影响所有臂的环境，刻画过度自信对探索强度的影响（Proposition 4）。
5. 实证启示：解释了为何稳定环境中无限观察也无法消除归因偏差（Proposition 2），而变化环境能使学习完全（Proposition 3），为实证研究设计提供识别策略。

维度1：模型设定

研究性质

本文是一篇纯理论论文，不包含实验室实验或田野实验。作者构建了一个动态决策模型，用数学推导代替实验数据。

模型设定（"实验任务"等价物）

基本环境：

1. 一个个体在无限期中重复执行一项任务，每期获得二元结果（成功/失败）
2. 成功概率 p(\lambda, \theta) 取决于两个变量：
   • \theta：个体的固有能力（intrinsic ability），支撑区间 \Theta = [\underline{\theta}, \bar{\theta}]
   • \lambda：外部环境质量参数（task-specific），支撑区间 \Lambda = [\underline{\lambda}, \bar{\lambda}]
3. \theta 和 \lambda 独立分布，结果条件独立
4. p_\lambda > 0, p_\theta > 0：成功概率随能力和环境质量递增

两个个体的比较：

• 个体1和个体2对 \lambda 的先验分布相同（g_0），但对 \theta 的先验不同
• f_{0,1} \succeq f_{0,2}（单调似然比排序）：个体1比个体2更自信
• 两者均使用贝叶斯规则更新信念

两阶段分析：

第一阶段——被动学习（Section II）：

• 环境固定（\lambda 不变），个体在稳定环境中重复执行任务
• 观察成功/失败序列后，用贝叶斯规则更新对 \theta 和 \lambda 的信念
• 核心识别问题：多组 (\lambda, \theta) 配对可以产生相同的成功率 p，导致无法分离两个参数

第二阶段——主动实验（Section III）：

• 每期个体选择：留在当前环境（arm 1）或切换到新的随机环境（arm 2）
• 切换不可逆（离开后不能返回）
• 等价于一个双臂老虎机问题（two-armed bandit）
• 个体是风险中性的，最大化折现收益之和（折现因子 \delta < 1）
• 环境只有两种类型：有利（\lambda = \bar{\lambda}）或不利（\lambda = \underline{\lambda}），概率分别为 \nu 和 1-\nu

生产函数的关键分类：

• Log-submodular (log-sbm)：p_{\lambda\theta} p \leq p_\lambda p_\theta，能力和环境质量是替代品
• Log-supermodular (log-spm)：p_{\lambda\theta} p \geq p_\lambda p_\theta，能力和环境质量是互补品
• 这一分类决定了归因偏差的方向

应用场景举例

• 工人评估自身技能 vs. 工作环境质量
• 经理评估自身能力 vs. 员工能力
• 学生评估自身学术能力 vs. 教学环境
• CEO过度自信与公司投资决策

维度2：主要结果

核心模型框架

成功概率函数：
$p(\lambda, \theta) \in C^2, \quad p_\lambda > 0, \quad p_\theta > 0$

贝叶斯更新（后验密度）：
$f_{t,h_t,i}(\theta) = \frac{f_{0,i}(\theta) \prod_{j=1}^{m_t} \int_\Lambda \mathcal{L}_{t_j,n_j}(\lambda_j, \theta) \, dG_0(\lambda_j)}{\int_\Theta dF_{0,i}(\theta') \prod_{j=1}^{m_t} \int_\Lambda \mathcal{L}_{t_j,n_j}(\lambda_j, \theta') \, dG_0(\lambda_j)}$

其中标准化似然函数为：
$\mathcal{L}_{t,n}(\lambda, \theta) = p(\lambda, \theta)^n \big(1 - p(\lambda, \theta)\big)^{t-n}$

自利归因偏差的形式化定义（Definition 1）：
个体1相对于个体2在历史 (n_t, t) 后表现出自利归因偏差，当且仅当：
$\tilde{f}_{t,n_t,1} \succeq \tilde{f}_{t,n_t,2}$
即过度自信的个体高估了（在相同条件下获得相同结果的）他人的能力。

关键命题

Proposition 1（归因偏差的方向）：

• (i) 若 p 和 1-p 均为 log-sbm \Rightarrow 过度自信者总是低估环境质量
• (ii) 若 p 严格 log-spm \Rightarrow 失败后低估环境、成功后高估环境
• (iii) 若 1-p 严格 log-spm \Rightarrow 失败后高估环境、成功后低估环境

Corollary 1（自利归因偏差）：
当 p_{\lambda\theta}p - p_\lambda p_\theta 和 p_{\lambda\theta}(1-p) + p_\lambda p_\theta 符号恒定时，存在 \alpha_2, \beta_2 \in (0,1)，使得在极端成功率（n_t/t \geq \alpha_2 或 n_t/t \leq \beta_2）条件下，过度自信者展现自利归因偏差。

Proposition 2（稳定环境中的被动学习极限）：
\lambda 固定时，两个个体都学会了真实成功率，但：

• (i) K_{\infty,1} = K_{\infty,2} = \delta_{p(\lambda^*,\theta^*)}（成功率收敛）
• (ii) g_{\infty,1} \preceq g_{\infty,2}（过度自信者持续低估环境质量）
• (iii) f_{\infty,1} \succeq f_{\infty,2}（过度自信者持续高估自身能力）

Proposition 3（变化环境中的被动学习）：
若 \lambda 每 m 期重新抽取，且 \theta^* \in (\underline{\theta}, \bar{\theta})，则两个个体在长期都学会真实能力，过度自信被完全消除。

Proposition 4（近视行为下的实验决策）：
\delta = 0 时，过度自信者比理性决策者实验更多（更频繁切换环境），而不自信者实验更少。

Proposition 5（核心结果——长期不对称性）：
当 0 \leq \delta < 1 时：

• (i) 过度自信或理性个体：实验几乎必然成功（概率1最终停留在好环境 \bar{\lambda}）
• (ii) 不自信个体：正概率永远停留在不利环境，获得次优回报

Proposition 6（比较静态）：

• (i) 长期过度自信有上界：\exists \mu_1 \in (0,1) 使得 \lim_{t \to \infty} f_{t,1}(\theta_j) > \mu_1
• (ii) 长期不自信无上界：\forall \mu_2 \in (0,1)，存在先验使 \lim_{t \to \infty} f_{t,2}(\theta_j) \leq \mu_2

价值函数（Bellman方程）

其中 \psi A 和 \phi A 分别为成功和失败后的更新信念，hA 为切换到新环境后的信念。

维度3：数值分析与校准

本文为纯理论论文，无实验数据或effect size

但其理论预测可量化为以下结论：

与实证文献的联系

• 模型预测与田野证据一致：过度自信比不自信更常见（Malmendier and Tate 2005），因为过度自信是自我纠正的
• 不自信个体可能因自选择而从样本中消失（解释了为何实证研究中过度自信更普遍）
• Deffains, Espinosa, and Thoni (2016) 的实验证据支持 Corollary 1 的预测：成功者倾向选择更低的再分配水平

维度5：与其他文献的关系

本文在文献中的位置

所属领域： 行为经济学 / 信息经济学交叉领域

核心贡献：

1. 首次将自利归因偏差（self-serving attribution bias）从心理学概念转化为贝叶斯推断的内生结果，而非偏离理性的假设
2. 将归因偏差与生产函数的数学特性（log-supermodularity/submodularity）精确关联
3. 揭示过度自信与不自信在长期的根本不对称性：过度自信是暂时的（self-correcting），不自信是持久的（self-confirming）

与关键文献的关系：

研究范式： 理论建模（动态贝叶斯学习 + 最优停止/实验问题）

对后续研究的启示

• 社会学习（观察他人结果）能否缓解识别问题
• 委托代理框架下的信息设计（利用/对抗归因偏差）
• 实验验证：设计实验测试过度自信者是否真的更频繁"换环境"以及不自信者是否被"困住"

维度4：局限性

1. 纯理论而无实验/田野验证：所有命题均为数学推导，缺乏针对核心预测（不自信者被困于不利环境的概率、过度自信者实验更多的频率）的直接行为实验或田野证据。
2. 二元结果假设：成功/失败的二元结果限制了对连续型表现（如收益率、产量）的应用；扩展到连续结果可能改变识别问题的性质。
3. 环境切换的不可逆性：双臂老虎机假设切换不可返回，实际经济环境往往允许双向流动；作者声称可放松此假设，但未给出严格证明。
4. 风险中性与折现：忽略了风险偏好对实验决策的影响；不同风险偏好可能与归因偏差交互。
5. 无社会学习与战略互动：未考虑个体观察他人结果（社会学习）或战略性传递信号（如委托代理框架）如何缓解或加剧识别问题。
6. 不变的真实参数 \theta^*, \lambda^*：忽略能力随时间提升（learning-by-doing）或环境随机演化的动态。
7. 先验差异的外生性：将"过度自信"作为先验差异处理，未解释先验本身如何形成（如成长经历、文化、激励）。
8. 未涉及福利与政策含义的定量化：虽指出不自信者福利损失更大，但未给出福利损失的可测量化或政策干预（如信息提供、外部反馈）的设计建议。

维度6：可拓展的研究方向

1. 实验验证核心预测：设计行为实验测试两条核心预测——(a) 不自信被试是否在双臂老虎机中正概率被困于不利臂；(b) 过度自信被试是否更频繁地选择切换。可与 Coutts_Gerhards_2024_SelfServingAttributionBias 的实验设计对话。
2. 社会学习与归因：当个体可观察他人结果时，识别问题是否被缓解？过度自信者会否系统性地低估同侪信息？可与 Enke_Zimmermann_2019_CorrelationNeglect_BeliefFormation 关联。
3. 委托代理与信息设计：经理对员工能力的归因偏差如何影响最优契约/反馈策略；雇主的归因偏差如何影响晋升与解雇决策。
4. 金融市场应用：将 \lambda 解释为市场环境/系统性风险，\theta 解释为投资技能，预测过度自信投资者的过度交易（与 Hoffmann_2016_InvestorConfidence_Trading、Daniel_Hirshleifer_2015_Overconfident_Returns_Trading 对话）。
5. CEO投资决策：将本模型应用于 Malmendier and Tate 风格的CEO过度自信研究，预测CEO在何种行业（log-spm vs. log-sbm）会表现不同的归因模式。
6. 连续结果与时变参数：扩展到连续结果（如收益率）、时变能力（learning-by-doing）和动态环境，检验长期不对称性结论的稳健性。
7. 激励性信念（motivated beliefs）的混合模型：结合 Benabou_2015_EconomicsMotivatedBeliefs、Benabou_Tirole_2016_MindfulEconomics_Beliefs 的动机性自信维护机制，与本文的纯贝叶斯识别机制对比，区分"故意有偏"与"理性误识"两种来源。
8. 政策实验：测试外部反馈/教练（如绩效评估、客观基准）能否打破不自信的自我确认陷阱。
9. 跨文化比较：归因偏差的方向是否随文化（个人主义 vs. 集体主义）系统性变化。
10. 与确认偏差的区分：与 Charness_2017_ConfirmationBias_MotivatedBeliefs 等确认偏差文献对话，识别两种偏差在动态实验数据中的可分离性。

个人评价与笔记

方法论亮点

• 不需要假设非理性更新规则，仅靠先验差异 + 贝叶斯规则 + 二维不确定性即产生归因偏差
• Log-spm/log-sbm 的分类极为优雅，统一了看似矛盾的归因模式

局限性

• 纯理论论文，缺乏直接实验验证
• 二元结果假设（成功/失败）限制了应用范围
• 环境切换不可逆的假设较强（虽然作者声称可放松）
• 未考虑战略互动和社会学习

与我的研究的联系

• 提供了一个将信念偏差（过度自信）与行为后果（实验/探索）联系起来的理论框架
• 关于"不自信是自我确认的"这一结论，对理解为何某些偏差持久存在非常有启发
• 对研究信念更新中的归因问题提供了严格的数学工具（log-spm/sbm分类）

关键结论

1. 自利归因偏差是贝叶斯学习的内生结果：当能力 \theta 与环境 \lambda 联合不可分识别时，先验过度自信的个体会以贝叶斯方式得出"成功是因为我能力强、失败是因为环境差"的归因模式，无需偏离贝叶斯规则。
2. 生产函数的对偶分类决定归因方向：当 p 是 log-supermodular（能力与环境互补）时，过度自信者失败后低估环境、成功后高估环境；当 log-submodular（替代）时则总是低估环境。
3. 稳定环境下学习不完全：在固定 \lambda 中无限观察，两个个体都学到真实成功率 p(\lambda^*, \theta^*)，但对 \theta 与 \lambda 的边际信念仍然有偏；过度自信者持续高估自己、低估环境。
4. 变化环境消除偏差：若 \lambda 周期性地重新抽取，长期下学习完全，过度自信被消除（Proposition 3）。
5. 过度自信促进探索/实验：近视决策（\delta=0）下，过度自信者比理性者更频繁地切换到新环境，不自信者更不愿尝试（Proposition 4）。
6. 长期根本不对称性：过度自信者（与理性者）几乎必然实验成功、收敛于最优环境；不自信者以正概率永久停留在不利环境（Proposition 5）。
7. 不自信无上界、过度自信有上界：长期信念的偏差存在不对称约束——过度自信被实验经验限制，不自信则可任意大（Proposition 6）。
8. 解释实证规律：过度自信比不自信更常见，部分原因在于不自信者通过自我确认陷阱被"淘汰"出可观察样本（self-selection），与Malmendier & Tate (2005)等田野证据一致。
9. 方法论启示：将"识别问题"作为偏差产生的内在机制，为分析多维不确定性下的信念形成提供了新工具。