Information Partitioning, Learning, and Beliefs

元数据

• 作者: Pascal Kieren (University of Heidelberg), Lukas Mertes (University of Mannheim), Martin Weber (University of Mannheim & CEPR)
• 年份: 2024 (June 14, Working Paper)
• 期刊/来源: Working Paper (预注册于 AsPredicted)
• 关键词: biased beliefs, information bracketing, learning
• JEL: D9, D12, G4

一句话总结

通过两个预注册线上实验（N=1,065），本文证明在信息内容完全相同的条件下，单纯将信息流"切片"成更小的更新块（窄信息）相对于一次性显示完整路径（宽信息），会因果性地引发显著的信念偏差与近因效应，且这一效应通过"注意力转移→宏观记忆变差→信念偏离贝叶斯"的链条传导。

研究问题

当被试观察相同的累计信息（50期价格序列）但接收信息的"分块方式"不同时，信息分区（information partitioning / bracketing）是否会因果性地影响：(1) 最终后验信念的水平与极端度；(2) 信念对近期信号的反应强度（近因效应）；(3) 信念准确度（与贝叶斯基准的偏差）？背后的机制是注意力分配与记忆编码吗？

核心贡献

1. 概念扩展：首次将 choice bracketing（Read, Loewenstein, Rabin 1999）的"分组效应"逻辑从选择领域系统迁移到信念形成领域，提出 information bracketing/partitioning 影响信念的新机制
2. 干净的因果识别设计：设计了在第50期信息集完全相同的两组（窄/宽信息），且通过路径预生成、不一致信号位置随机化等手段排除信息差异混淆，使分区效应的识别极为干净
3. 完整因果链验证：不仅记录信念差异，还通过非预先告知的记忆任务+注意力操纵实验（Experiment 2）建立"信息分区→注意力分配→宏观记忆质量→信念偏差"的因果链
4. 金融实践启示：信息呈现频率（投资组合报告频率、智能投顾推送频率、新闻流频率）即使不改变信息内容，也会系统性地塑造投资者信念——这对监管披露设计、平台UI设计具有直接含义

维度1：实验设计分析

实验任务详细流程

本文包含两个预注册的实验（Experiment 1 为基线实验，Experiment 2 为注意力操纵实验），均在线上通过 oTree 平台实施，被试来自 Prolific 众包平台（英国被试池）。

Experiment 1：基线实验（Baseline）

总体框架： 被试需要通过观察一只虚构资产的价格变化路径，推断该资产的"基本面质量"（fundamental quality），即该资产价格上涨的固定概率 s^i。

Step 1 - 阅读指导语与理解测试：

• 被试首先阅读详细指导语，了解以下规则：
  • 一只虚构股票初始价格为 400 美元
  • 每期价格要么上涨 +10，要么下跌 -10，共 50 期
  • 每只股票有一个固定的"价格上涨概率" s^i \in \{0.20, 0.21, ..., 0.80\}，在 50 期内保持不变
  • 被试的任务是根据观察到的价格变化估计该概率
  • 先验分布：s^i 在 20%-80% 之间均匀分布，因此在观察任何信号前，合理的初始估计为 50%
• 被试需回答 3 道理解测试题（如："观察到 -10 的价格变化时应如何更新？""50% 是合理初始估计吗？"），必须全部答对才能进入正式实验

Step 2 - 价格路径呈现与信念引出（核心操纵）：

实验采用 被试间设计（between-subject），将被试随机分配至两个 treatment 之一：

(a) Narrow Information Treatment（窄信息处理组）：

1. 被试看到一张空的价格折线图（仅显示起始价格 400，横轴为 0-50 期）
2. 按下"Next"后，价格折线图开始逐步构建：每 0.5 秒显示一个新的价格变化，共显示 10 个价格变化（即第 1-10 期）
3. 10 期后，图表暂停，界面下方出现提示："Given the price development, what do you think is the likelihood (in %) of a price increase for this stock? Please enter your estimate as an integer."
4. 被试输入一个 20-80 之间的整数作为概率估计
5. 上述过程重复：第 11-20 期、第 21-30 期、第 31-40 期、第 41-50 期各引出一次信念
6. 每只股票总计引出 5 次信念（第 10、20、30、40、50 期）
7. 完成后，界面提示进入下一只股票
8. 被试共完成 4 个 trial（4 只不同的股票），每个 trial 50 期

(b) Broad Information Treatment（宽信息处理组）：

1. 被试同样看到一张空的价格折线图
2. 按下"Next"后，价格折线图一次性完整显示第 1-50 期的全部价格变化（不逐步构建）
3. 被试在第 50 期仅引出一次信念
4. 完成后进入下一只股票
5. 被试共完成 8 个 trial（以补偿窄信息组决策次数更多的差异）

关键设计要点 -- 信息等价性保证：

• 两组被试在第 50 期看到的信息集完全相同（相同的完整价格路径）
• 价格路径预先随机生成：先为 s^i > 50\% 随机生成 4 条"正面路径"，再镜像生成 4 条"负面路径"，共 8 条路径
• 所有路径均包含不一致信号段（disconfirming information）：一段 10 期的信号方向与整体趋势相反
• 不一致信号段被随机安排在路径的开头（第 0-10 期）、中间（第 20-30 期）或末尾（第 40-50 期），共产生 24 条路径
• 由于仅重新排列信号顺序而未改变总数，最终价格和贝叶斯后验在所有位置条件下均保持一致

Step 3 - 记忆引出任务（Memory Elicitation）：

• 在第一个或最后一个 trial 结束后（以平衡顺序的方式），被试需完成一个未预先告知的记忆测试
• 此时被试无法再看到价格折线图
• 共 5 个问题：
  1. 50 期内观察到多少次价格上涨？
  2. 50 期内观察到多少次价格下跌？
  3. 第 50 期的最终价格是多少？
  4. 连续价格上涨的最长 streak 是多少？
  5. 连续价格下跌的最长 streak 是多少？
• 每答对一题获得 0.1 英镑奖励
• 记忆得分 = 正确回答的题数（0-5 分）

Step 4 - 社会人口统计调查：

• 实验最后收集被试年龄、性别、风险态度（1-7 量表）、统计能力（1-7 量表）等信息

Experiment 2：注意力操纵实验（Attention Manipulation）

目的： 在窄信息处理组的基础上，通过外生操纵注意力，验证注意力是信息分区效应的驱动机制。

与 Experiment 1 窄信息组的区别：

• 实验流程基本与 Experiment 1 的窄信息组相同（每 0.5 秒显示一个价格变化，每 10 期引出一次信念）
• 关键新增步骤： 在被试报告第 50 期的最终信念之前，加入注意力操纵环节：
  1. 价格路径重建（Rebuild）： 被试被要求重新观看整条价格路径的完整动画重建过程（从头到尾再播放一次）
  2. 价格识别任务（Price Identification）： 重建完成后，界面显示完整的价格折线图，被试需要识别并输入 5 个随机抽取的时期的价格。这 5 个时期从每个 10 期区间（1-10, 11-20, 21-30, 31-40, 41-50）各随机抽取一个，确保覆盖整条路径
  3. 然后才报告最终信念

激励： 随机选择一个 trial，若被试正确识别该 trial 中全部 5 个价格，获得 0.5 英镑奖励

设计逻辑： 通过强制被试关注整条价格路径（而非仅最近的 10 期），将注意力从微观层面（最近的信息块）引导至宏观层面（整体价格走势），如果注意力确为机制，则应缩小窄信息组与宽信息组之间的信念差异

其他实验设计要素

维度2：理论模型

基准理论：贝叶斯更新

本文的规范基准为贝叶斯更新（Bayesian updating）。在该框架下：

• 被试的先验：s^i 在 \{0.20, 0.21, ..., 0.80\} 上均匀分布
• 每期价格变化（+10 或 -10）是一个 i.i.d. 的二元信号，似然比为 s^i / (1 - s^i)（上涨）或 (1-s^i)/s^i（下跌）
• 核心性质： 贝叶斯后验仅取决于价格上涨和下跌的总数，而不依赖于信号的到达顺序或被分割成多少组。因此，一个贝叶斯更新者在窄信息和宽信息两种条件下应给出完全相同的第 50 期后验

• 若被试为贝叶斯更新者：\hat{\beta}_1 = 1，\hat{\beta}_2 = \hat{\beta}_3 = \hat{\beta}_4 = 0
• 实际发现：\hat{\beta}_1 < 1（underinference），\hat{\beta}_2 > 0（窄信息组信念更极端），\hat{\beta}_4 < 0（窄信息组在不一致信号出现在末尾时信念更弱）

行为偏差的形式化

本文未构建正式的结构模型，但其发现与以下理论框架一致：

1. Diagnostic Expectations（诊断性预期，Bordalo et al., 2018, 2019, 2022）： 被试过度外推近期信号所代表的趋势。当最近的信息块"确认"前期趋势时，被试过度反应；当最近的信息块"否定"前期趋势时，被试也过度反应（向相反方向）。窄信息组的过度反应更为显著，因为频繁的小信息块使被试更关注最近信号。

2. Choice Bracketing（选择括号效应，Read et al., 1999）： 原本在选择领域中被记录的分组效应（窄括号导致风险规避增强等），本文扩展到了信念形成领域。窄信息括号导致被试孤立地关注小块信息，忽视全局。

3. 注意力-记忆-信念的因果链：

   • 信息分区 -> 注意力分配变化（窄括号将注意力引向微观层面/最近信息块）
   • 注意力变化 -> 记忆编码差异（微观注意导致宏观记忆更差）
   • 记忆差异 -> 信念偏差（宏观记忆更差导致信念偏离贝叶斯基准更远）

关键假设

• 被试在窄信息条件下会将注意力集中在最近的信息块上（micro-level），而在宽信息条件下会均匀地关注所有信息（macro-level）
• 注意力决定记忆编码（Schwartzstein, 2014; Bohren et al., 2024）
• 信息分区本身不改变信息内容，但通过注意力渠道影响信念

可检验预测

1. 窄信息组的最终信念对近期信号更敏感（近因效应更强）
2. 窄信息组的信念准确度更低
3. 窄信息组的宏观记忆更差
4. 外生操纵注意力（从微观转向宏观）应缩小窄/宽信息组之间的信念差距

Structural Estimation

本文未进行结构估计。

维度3：核心发现

发现1：信息分区因果性地影响信念（Table 1, Figure 1）

• 宽信息组的最终后验信念在不一致信号出现在开头、中间、末尾时几乎不变（约 19-20 个百分点，超出 50%）
• 窄信息组的信念强烈依赖不一致信号的位置：
  • 不一致信号在开头或中间：窄信息组信念高于宽信息组（差异 1.1 和 2.9 个百分点，p < 0.05 和 p < 0.01）
  • 不一致信号在末尾：窄信息组信念低于宽信息组（差异 -4.55 个百分点，p < 0.01），相当于 23% 的相对差异
• 回归结果（Table 1）：
  • \hat{\beta}_1 (bayes) = 0.84*** (SE = 0.04)，显著小于 1，表明整体存在 underinference
  • \hat{\beta}_2 (narrow info) = 1.40*** (SE = 0.42)
  • \hat{\beta}_4 (narrow info x end) = -6.00*** (SE = 0.74)
  • 使用个体固定效应后结果稳健：\hat{\beta}_4 = -5.54*** (SE = 0.77)

发现2：窄信息组信念准确度更低（Table 2, Figure 2）

• 窄信息组与贝叶斯基准的绝对偏差在所有不一致信号位置上均更高
• narrow info 系数 = 0.81*** (SE = 0.28)
• narrow info x end 交互项 = 2.76*** (SE = 0.50)
• 当不一致信号出现在末尾时，窄信息组的绝对偏差约为 10 个百分点，而宽信息组约为 7 个百分点

发现3：信念动态 -- 窄信息组过度外推（Figure 3）

• 在窄信息组内，当最近的 10 期信息否定前期趋势时，被试过度反应（信念更新超过贝叶斯基准）
• 当最近的 10 期信息确认前期趋势时，被试同样过度反应
• 这与 diagnostic expectations 的预测一致
• 过度反应的方向取决于最近信息的内容，导致不同位置条件下的最终后验出现系统性差异

发现4：窄信息组记忆更差（Table 3）

• 宏观层面记忆问题（涨跌次数、最终价格）的正确率：
  • 宽信息组：涨跌次数 ~19.81%，最终价格 25.00%
  • 窄信息组：涨跌次数 ~13.57-13.77%，最终价格 16.37%
  • 差异显著（p < 0.05 或 p < 0.01），宽信息组的正确率约为窄信息组的 1.5 倍
• 微观层面记忆问题（最长连续涨跌 streak）：两组无显著差异
• 总记忆得分：宽信息组 0.98/5，窄信息组 0.79/5（差异 0.19，p < 0.10）
• 前 3 题得分：宽信息组 0.65/3，窄信息组 0.44/3（差异 0.21，p < 0.01）

发现5：记忆与信念准确度正相关（Table 4）

• 记忆得分每增加 1 分，信念偏差减少约 0.92 个百分点（p < 0.01）
• 该关系在两个 treatment 中大小相近（窄信息组 -0.91，宽信息组 -0.93），说明记忆对信念的影响机制不因分区方式而异

发现6：注意力操纵成功缩小信念差距（Experiment 2, Figure 4, Table A2）

• 当不一致信号出现在末尾时，注意力操纵组的最终后验信念为 19.72（超出 50% 的部分），几乎完全等于宽信息组的 19.44
  • 差异仅为 0.28，t-stat = 0.51，不显著
• 而基线实验中，窄信息组在同一条件下的信念约为 15 左右，显著低于宽信息组
• 注意力操纵成功将信念从窄信息组水平提升至宽信息组水平

发现7：注意力操纵提高信念准确度（Table 5）

• attention x end 交互项 = -2.55*** (SE = 0.50)
• 当不一致信号在末尾时，注意力操纵组的信念准确度显著高于基线窄信息组

发现8：注意力操纵改善记忆（Table 6）

• 注意力操纵组的记忆正确率提升至接近宽信息组水平
  • 涨跌次数：注意力操纵组 23.58% vs. 窄信息组 13.57-13.77%（差异 ~10 个百分点，p < 0.01）
  • 与宽信息组（19.81%）的差异不显著
• 记忆得分：注意力操纵组 0.71/3，窄信息组 0.44/3（差异 0.28，p < 0.01）

稳健性

• 使用个体固定效应控制个体异质性后结论不变（Table 1 Column 3）
• 加入年龄、性别、风险态度、统计能力等控制变量后结论不变（Table 1 Column 2）
• 正面路径和负面路径的对称性：将负面路径反转后合并分析，结果一致
• 两个实验均经过预注册

与其他研究的比较

• 与 Benjamin (2019) 的 meta-analysis 一致：被试在序贯更新任务中整体存在 underinference（\hat{\beta}_1 = 0.84 < 1）
• 与 Bordalo et al. (2018, 2019) 的 diagnostic expectations 一致：被试对代表近期趋势的信息过度外推
• 与 Hartzmark and Shue (2018) 和 Kieren et al. (2022) 一致：被试对否定前期趋势的信息过度反应
• 扩展了 Read et al. (1999) 的 choice bracketing 概念从选择领域到信念领域

维度6：与其他文献的关系

领域位置

本文位于行为金融学/实验经济学的交叉领域，具体聚焦于信念形成中的行为偏差。研究主题连接了三个子领域：

1. 信息处理与信念更新（belief updating）
2. 注意力与记忆对判断的影响
3. 选择架构（choice architecture）对决策的影响

核心对话论文

新贡献

1. 首次将 information bracketing/partitioning 概念引入信念形成领域： 以往文献仅研究信息分区对选择的影响（如风险偏好、跨期选择），本文首次证明信息分区同样因果性地影响信念更新
2. 建立了注意力-记忆-信念的完整因果链： 不仅记录了信念偏差，还通过记忆任务和注意力操纵实验识别了注意力转移作为核心机制
3. 设计了信息内容完全等价的实验框架： 使得信息分区效应的因果识别极为干净，排除了信息差异的混淆
4. 对金融实践的启示： 信息呈现频率（如投资组合报告频率、robo-advisor 的信息推送频率）可以系统性地影响投资者的信念和判断，即使信息内容完全相同

维度4：变量概览

维度5：局限性

1. 被试池与生态效度：Prolific 英国被试池，经济激励规模较小（参与费1.25-1.50英镑+激励奖金），结果在真实金融市场中的外推需谨慎
2. 简化的资产环境：二元价格信号（+10/-10固定步长）、固定步长、固定路径长度（50期），与真实市场的连续价格、波动率变化、复合事件相距较远
3. 信念引出方式：未采用 proper scoring rule（如二次评分）而是简单区间准确度奖励（±5pp内得0.30英镑），虽作者引用 Danz, Vesterlund, Wilson (2022) 论证BSR反而更差，但仍是设计折衷
4. 机制识别仍为简化形式：未构建结构模型估计注意力权重、记忆衰减率等参数；注意力机制的论证主要依赖 Experiment 2 的 reduced-form 比较
5. 记忆测量的有限维度：仅5道记忆题，且未区分"无法回忆"与"系统性扭曲回忆"两种偏差来源
6. 情境单一：仅金融资产基本面学习，未测试政治信念、健康风险评估等其他领域的分区效应
7. 缺乏个体异质性结构分析：未刻画哪类被试（高/低统计素养、高/低风险偏好）对分区效应更敏感，错失了重要的政策含义
8. 未测试信息分区与激励的交互：高激励是否会通过提升注意力消除分区效应是开放问题

维度6：与其他文献的关系（vault 已有笔记双链补充）

• Benjamin_2019_BaseRateNeglect_Foundations — meta-analysis 显示序贯更新整体存在 underinference，与本文 \hat{\beta}_1=0.84<1 一致
• Hartzmark_Hirshman_2021_Ownership_Learning_Beliefs — 所有权通过注意力影响信念，本文证明信息分区也通过注意力渠道影响信念
• Enke_Schwerter_2020_AssociativeMemory_BeliefFormation — 联想记忆与信念形成，本文识别记忆作为信息分区效应的中介
• Godker_Jiao_2025_InvestorMemory / Walters_Fernbach_2021_InvestorMemory_PositivityBias / Gödker_2025_Investor_Memory — 投资者记忆的选择性，本文补充了"信息频率塑造记忆质量"的因果证据
• Silveira_Woodford_2019_NoisyMemory_Overreaction — 噪声记忆与过度反应的理论模型，可被用来形式化本文的发现
• Markovic_2015_BeliefEvolution_AttentionalFocus — 注意力焦点与信念演化的早期工作
• BoschRosa_Overprecision_IrrationalInattention — 注意力与信念精度
• Bhui_Jiao_2023_AttentionConstraints_CategoryLearning / Attention_2023_Attention_Constraints_Learning_Categories — 注意力约束与学习
• Enke_Zimmermann_2019_CorrelationNeglect_BeliefFormation / Enke_2020_WYSIATI_CorrelationNeglect — 信息处理偏差的姊妹研究

维度7：可拓展的研究方向

1. 结构估计：构建包含注意力权重 w_t 与记忆衰减率 \delta 的结构模型，估计窄/宽信息条件下的参数差异，刻画"分区→注意力→记忆→信念"的微观机制
2. 金融市场实验：在交易实验环境中操纵信息分区（如 daily vs. monthly portfolio reports），测量对交易频率、风险承担、收益的影响
3. 真实市场数据验证：利用券商或智能投顾平台的自然实验（推送频率改革），观察分区效应的因果识别
4. 跨领域复制：在政治信念（民调推送频率）、健康风险（疫情数据更新频率）等领域复制分区效应
5. 个体异质性：识别哪类被试（金融素养、统计能力、注意力广度）对分区效应更敏感，为定制化披露设计提供依据
6. 去偏差干预：测试哪些UI设计（强制摘要、累计趋势线、强制宏观记忆任务）能有效中和分区效应
7. 激励调节：高激励/职业交易员是否能克服分区效应——分区是认知约束还是动机问题
8. 与算法/AI推送的交互：算法推送的"无限滚动"vs. "批量摘要"哪种导致更大的信念偏差
9. 分区与持仓决策的交互：当窄信息伴随被迫频繁交易决策时，分区效应是否进一步被放大（与狭窄理性的经典实验对话）
10. 生理/过程数据：眼动、瞳孔追踪、EEG 直接测量注意力分配，验证注意力作为机制的细粒度证据

关键结论

1. 信息分区因果性影响信念：在信息内容完全相同的情况下，窄信息组在不一致信号出现在末尾时的信念较宽信息组低 4.55个百分点（约23%相对差异），证明"如何呈现"比"呈现什么"对信念有独立影响
2. 整体存在 underinference：\hat{\beta}_1=0.84<1 与 Benjamin (2019) 一致，被试系统性地不足以更新
3. 窄信息组表现出强烈近因效应/过度外推：与 diagnostic expectations 一致，最近的信息块对最终信念有过度大的影响
4. 窄信息组准确度更低：绝对信念偏差比宽信息组大 0.81pp（基线）至 2.76pp（不一致信号在末尾）
5. 宏观记忆是中介机制：宽信息组宏观记忆正确率约为窄信息组的1.5倍；记忆得分每增加1分，信念偏差减少 0.92pp
6. 注意力是因果机制（Exp 2）：强制重看完整路径+识别5个随机价格的注意力操纵，使窄信息组的最终信念几乎完全趋同于宽信息组（差异0.28，t=0.51不显著）
7. 金融实务含义：投资组合报告频率、智能投顾推送频率、新闻流频率均会系统性地塑造投资者信念——监管披露与平台UI设计应将"信息分区效应"纳入考量
8. 方法论贡献：信息内容等价的实验设计与不一致信号位置的随机化构成了识别 information bracketing 因果效应的"标准模板"