Belief Formation Under Signal Correlation

元数据

• 作者: Tanjim Hossain (University of Toronto), Ryo Okui (Seoul National University / University of Gothenburg)
• 年份: 2019 (Working Paper, SIER Working Paper Series No. 115)
• 期刊/来源: SIER Working Paper Series
• JEL分类: C91, D81, D83, D84
• 关键词: correlated and independent signals, information processing, bounded rationality, correlation neglect, overprecision, belief elicitation, wisdom of the crowd

一句话总结

通过五种处理系统变化信号相关水平的实验，证明信念形成中**correlation neglect（相关性忽视）和overprecision（过度精确）**是两种独立但交互的偏差：被试几乎完全忽视相关性（\hat{\gamma}\approx0.15）且严重低估方差（\hat{\rho}\approx0.58，相当于将标准差当作方差），导致强相关信号被高估、弱相关信号反而被低估。

研究问题

1. 当被试同时面对相关信号和独立信号时，如何对两类信号进行加权？
2. 既有文献只研究强相关情境下的correlation neglect，能否在弱相关或纯独立信号情境下复制？
3. correlation neglect与overprecision是否相互独立？能否通过单一行为模型同时解释多种相关水平下的偏差？
4. 在群体智慧（wisdom of the crowd）场景中，被试是否充分利用群体平均信息修正自身预测？

核心贡献

1. 实验设计：首次系统设计五种相关水平处理（Strong/Weak/Zero/Moderate/Both），使correlation neglect与overprecision在结构估计中可识别分离。
2. 新经验事实：发现弱相关信号被低估而非高估，这一发现纯correlation neglect模型无法解释，必须引入overprecision。
3. 理论建模：提出五个嵌套行为模型，通过最小距离估计选出最佳模型（Model 5），同时识别 \gamma 与 \rho 两个参数。
4. 方法论贡献：将激励兼容的Binarized Scoring Rule (BSR) 应用于多信号信念形成场景。
5. 群体智慧实证：在修正预测阶段证明被试对自身初始预测赋予过高权重（19%-26%），与overprecision预测一致。

维度1：实验设计分析

核心研究问题

人们如何基于独立信号和相关信号来形成对随机变量的信念？Correlation neglect（相关性忽视）和overprecision（过度精确）这两种行为偏差如何共同作用于信念形成过程？

实验任务详细流程

背景设定：金融资产预测任务

• 被试预测虚构股票的每股收益（EPS）
• 真实EPS每期独立地从正态分布 N(500, 25000) 中抽取
• 每期被试收到10个关于EPS的预测信号（forecasts）

信号生成机制

• 信号来自两组（Group A 和 Group B），每组 n_l 个信号
• 信号结构：X_j^l = T + \epsilon_{lIj} + \epsilon_{lC}
  • T：真实EPS
  • \epsilon_{lIj}：独立误差项，\epsilon_{lIj} \sim N(0, \sigma_{lI}^2)，每个信号各自独立
  • \epsilon_{lC}：共同误差项，\epsilon_{lC} \sim N(0, \sigma_{lC}^2)，组内所有信号共享
• 当 \sigma_{lC}^2 > 0 时，组内信号相关；当 \sigma_{lC}^2 = 0 时，组内信号独立
• 被试完全知晓信号生成过程的所有参数

五个实验处理（Treatments）

每期任务流程（两阶段）

1. 初始预测（Initial Prediction）阶段

   • 被试观察10个信号及其分组平均值
   • 基于私人信号提交初始预测 P
   • 激励机制：Binarized Scoring Rule (BSR)
     • 计算偏差平方 (P-T)^2
     • 从均匀分布 U[0, K] 中抽取随机数 K
     • 若 (P-T)^2 \leq K，得100点；否则得0点
     • 最优策略：报告后验信念的均值

2. 修正预测（Revised Prediction）阶段

   • 被试获知 session average（所有被试初始预测的平均值）
   • 基于私人信号和session average提交修正预测 P^r
   • 同样使用BSR激励，但 K^r \sim U[0, K^r]，得分50或0点

3. 反馈

   • 每期结束后揭示真实EPS、损失、收益

实验结构

• 每个session共50期，分为5个10期block
• 每个block内，Group A分析师数量固定（分别为1, 3, 5, 7, 9）
• 一半session中A组数量递增，另一半递减
• 每个treatment运行2个session

被试信息

• 总人数: 172人
• 地点: CREED (University of Amsterdam) 和 University of Toronto
• 时间: 2015年12月至2016年9月
• 每session人数: 12-22人
• 软件: z-Tree (Fischbacher, 2007)
• 语言: 英语
• 辅助: 被试提前收到统计概念PDF文档，实验中有计算器，有统计理解测试

激励机制特点

• BSR（Hossain and Okui, 2013）：与被试风险偏好无关的激励兼容机制
• 每个10期block随机选1期决定支付
• 初始预测最高100点，修正预测最高50点

维度2：理论模型

贝叶斯最优预测（Proposition 1）

在无信息先验（\sigma_p^2 \to \infty）下，后验均值为两组信号均值的加权平均：

其中 V_l = \sigma_{lI}^2 / n_l + \sigma_{lC}^2 是 l 组信号均值 \bar{X}_l 的方差。方差越大的组，其信号获得的最优权重越小。

行为模型：Correlation Neglect + Overprecision

两个关键参数：

• \gamma \in [0,1]：相关性忽视参数。\gamma = 1 为完全理性；\gamma = 0 为完全忽视相关性。被试错误地将协方差视为 d\sigma_{lC}^2（其中 d = \gamma），同时保持总方差不变。
• \rho \in (0,1]：过度精确参数。\rho = 1 为正确感知；\rho < 1 表示被试将方差的各成分取 \rho 次方，使感知方差小于实际方差。

五个行为模型的感知方差 \tilde{V}_l

最佳拟合模型（Model 5）：

Model 5的关键特征：

• 方差缩减能力被降低：分母为 (n_l)^\rho 而非 n_l（当 \rho < 1 时，样本量的方差缩减效应被低估）
• 独立噪声和相关噪声的方差贡献被分别处理
• 相关噪声即使被忽视（\gamma \approx 0），其方差仍通过 (\sigma_{lC}^2)^\rho 进入感知方差

修正预测模型（Proposition 2）

被试认为session average的方差为 \lambda \sigma^2（\sigma^2 为自身初始预测方差）：

当 \lambda = 1/M 时（贝叶斯理性），修正预测应等于session average。当 \lambda > 1/M 时，被试会对自身初始预测赋予正权重。

核心理论洞察

• 单独的correlation neglect（\gamma < 1, \rho = 1）总是导致高估相关信号
• 但当同时存在overprecision（\rho < 1）时，弱相关信号可能被低估
• 这是因为overprecision使被试低估了独立信号通过平均化降低方差的能力，从而在独立信号方差更大时过度赋权于独立信号

维度3：核心发现

发现1：初始预测无偏但非最优

• 在大多数情况下，无法拒绝初始预测无偏的假设（\beta_0 = 0, \beta_1 + \beta_2 = 1）
• 但贝叶斯最优权重假设几乎总被拒绝（p < 0.01）

发现2：强/中度相关信号被高估

• Treatment Strong（n_A=3时）：B组信号估计权重 = 0.502，最优权重 = 0.398（高估约26%）
• Treatment Moderate（n_A=3时）：B组信号估计权重 = 0.577，最优权重 = 0.368（高估约57%）
• 方向与既有correlation neglect文献一致

发现3：弱相关信号被低估（新发现）

• Treatment Weak（n_A=3时）：B组信号估计权重 = 0.640，最优权重 = 0.767（低估约17%）
• 弱相关信号获得的权重低于贝叶斯最优，说明被试似乎"过度补偿"了相关性
• 这与纯correlation neglect预测矛盾，但可由overprecision解释

发现4：独立信号中也存在过度精确

• Treatment Zero（两组均独立）：被试对方差更大的A组信号赋予次优地高权重
• 例如 n_A=3 时：A组估计权重 = 0.271，最优权重 = 0.185（高估约46%）
• 证实了overprecision的存在：被试低估了高精度信号平均化的方差缩减能力

发现5：结构估计参数（Table 8，Model 5最优拟合）

• \hat{\gamma} \approx 0.15：被试几乎完全忽视信号间的相关性
• \hat{\rho} \approx 0.58：被试大致将标准差当作方差处理（\rho \approx 0.5 意味着取方差的平方根）

发现6：修正预测中的"群体智慧"低估（Table 9）

• 被试在修正预测中对自身初始预测赋权 19%-26%（所有treatment）
• 对session average赋权约 74%-81%
• 最优策略应完全采纳session average（\eta_1 = 0, \eta_2 = 1）
• 最优预测假设在所有treatment中被拒绝（p < 0.001）
• 各treatment间权重差异很小，说明修正预测过程相对稳定
• 与overprecision模型一致：被试低估样本均值的方差缩减能力

发现7：跨treatment的权重差异显著（Table 5）

• Strong vs Zero：在 n_A = 1, 3, 5, 7 时F检验均显著（p < 0.02）
• Strong vs Weak：在 n_A = 1, 3 时显著（p < 0.02）
• 证实被试确实对不同相关水平的信号采用不同权重

发现8：无学习效应

• 时间序列分析未发现被试行为随时间向最优收敛的系统性趋势
• 50期实验中无明显学习效应

维度6：与其他文献的关系

本文在文献中的位置

本文是第一篇同时研究correlation neglect和overprecision两种偏差交互作用的实验经济学论文。通过设计涵盖不同相关水平的丰富实验框架，文章展示了仅关注强相关情境（如大部分既有文献）无法分离这两种偏差。

与核心文献的关系

方法论贡献

1. 实验设计创新：通过五个treatment系统性变化信号相关水平和精度，实现了对correlation neglect和overprecision的分离识别
2. 理论贡献：提出五个嵌套行为模型，通过最小距离估计进行模型选择
3. BSR应用：在多信号信念形成场景中首次系统应用激励兼容的信念引出机制

应用领域

• 金融市场：分析师预测中的信息聚合
• 政治民调：相关民调的信息整合
• 电子商务：消费者评价数据的聚合
• 社交网络：关联信息源的信息处理

维度4：变量概览

因变量

• 初始预测 P：被试基于10个信号给出的对真实EPS的估计（点估计）
• 修正预测 P^r：被试在获知session average后给出的修正估计

关键自变量（实验操纵）

• \sigma_{lI}^2：组 l 的独立误差方差（500、250、15等）
• \sigma_{lC}^2：组 l 的共同误差方差（0、15、250）
• n_A, n_B：A、B两组信号数量（A组在 1, 3, 5, 7, 9 间变化，n_A + n_B = 10）
• Treatment（5种）：Strong / Weak / Zero / Moderate / Both

关键中间变量

• \bar{X}_A, \bar{X}_B：两组信号的组内平均值
• session average \bar{p}：所有被试初始预测的平均

关键结构参数（行为模型估计）

• \gamma \in [0,1]：相关性忽视参数（1=完全理性，0=完全忽视）
• \rho \in (0,1]：过度精确参数（1=正确，<1=低估方差）
• \lambda：感知session average方差倍数

控制变量

• 区块顺序（递增 vs 递减A组数量）
• 实验地点（CREED Amsterdam vs Toronto）
• 期数（学习效应检验）

维度5：局限性

1. 样本特征局限：被试为大学生，金融市场专业人士的信念形成可能不同；样本规模172人在结构估计中较为有限。
2. 模型识别假设：行为模型对"被试如何错误感知方差"做了特定函数形式假设（如Model 5的 (n_l)^\rho 形式），其他设定可能给出不同参数估计。
3. 任务情境单一：金融预测情境，且使用正态分布信号，结果对其他分布（如厚尾、偏态分布）的稳健性未知。
4. 激励量级：BSR的支付量级有限，对预测精度的边际激励可能不够充分。
5. 静态决策：每期信号独立抽取，未考察动态学习/序列信念更新中相关性忽视的演变。
6. 未识别的异质性：参数估计为代表性被试参数，被试间在 \gamma 和 \rho 上的异质性未被显式建模。
7. session average的内生性：修正预测分析中，session average本身受其他被试偏差影响，可能与"理性群体智慧基准"有偏差。
8. 未学习现象的解释力：50期内无学习效应这一事实，与现实金融市场中专业分析师可能存在的学习相反，外推性有限。

维度7：可拓展的研究方向

1. 真实金融场景验证：用证券分析师的实际预测数据检验 \gamma 和 \rho 的估计是否在专业人群中保持。
2. 干预设计：测试哪些信息呈现方式（如可视化协方差矩阵、警示提示）可降低correlation neglect 或 overprecision。
3. 市场均衡含义：将本文的双偏差行为模型嵌入资产定价模型，探讨对股价波动、信息聚合效率的均衡含义（与 Enke_2020_WYSIATI_CorrelationNeglect 的方向衔接）。
4. 个体异质性：通过混合模型识别 \gamma 和 \rho 的个体分布，并与认知能力（CRT）、统计训练等关联。
5. 动态信念更新：在序列信号到达情境下研究correlation neglect的演变，连接 Enke_Zimmermann_2019_CorrelationNeglect_BeliefFormation 的动态扩展。
6. 群体智慧应用：在预测市场、众包平台等真实情境检验"对自身初始预测过度赋权"的现象。
7. 认知机制研究：通过过程追踪（如鼠标轨迹、视觉注意）识别被试在何处失败：是没有意识到相关性，还是无法计算？
8. 跨文化稳健性：本文使用Amsterdam和Toronto样本，可拓展至非西方/非教育样本。
9. 与cognitive uncertainty 的桥接：将overprecision与cognitive uncertainty（Enke_Graeber_2023_CognitiveUncertainty）联系，看二者是否反映同一底层心理过程。

关键标签

#correlation_neglect #overprecision #belief_formation #signal_processing #bounded_rationality #wisdom_of_the_crowd #belief_elicitation #BSR #experimental_economics #information_aggregation

关键结论

1. Correlation neglect 与 overprecision 是两种独立的行为偏差，必须同时考虑才能解释信号加权数据：仅前者会预测所有相关信号被高估，而实际中弱相关信号反而被低估，这一现象只有引入overprecision（被试低估信号方差缩减能力）才能解释。
2. 结构估计揭示被试"几乎完全忽视相关性"且"将标准差当作方差"：\hat{\gamma}\approx 0.15 表明被试基本不调整相关信号；\hat{\rho}\approx 0.58 接近0.5，意味被试感知方差近似为真实方差的平方根，是非常严重的过度精确。
3. "群体智慧"在实验中被低估：即使在最优策略要求完全采纳session average时，被试仍对自身初始预测赋权约19%-26%，与overprecision一致；这暗示真实金融市场中分析师对自身意见的过度自信可能阻碍信息聚合效率。