Pavlova (2024) - Framing Effects in Consumer Expectations Surveys

基本信息

作者: Lora Pavlova (ZEW - Leibniz Centre for European Economic Research)
年份: 2024 (ZEW Discussion Paper No. 24-036)
期刊/来源: ZEW Discussion Paper
关键词: probabilistic expectations, survey design, household inflation expectations
JEL: C83, D84, E31
预注册: AEA RCT Registry (https://www.socialscienceregistry.org/trials/6482)

一句话总结

利用德国 Bundesbank 在线家庭面板的 2×2 调查实验（问题格式：probabilistic vs. min-max；问题措辞：inflation rate vs. prices in general），首次系统量化了消费者通胀预期调查中的框架效应——仅改变问题框架可使均值预期通胀从约 2.2% 上升至 6.4%，并提出 min-max 作为认知负荷更低的替代格式。

研究问题

在引导消费者通胀预期时，问题格式（概率分布 vs. min-max）和问题措辞（inflation rate vs. prices in general）是否会系统性地影响测得的均值与不确定性？
这两个维度是否存在交互效应？
框架效应是否在不同人口群体（性别、教育、收入、地理背景）间存在异质性？
措辞效应是通过怎样的"问题解读渠道"（question interpretation channel）传导的？
min-max 格式能否作为概率性问题的可行替代，避免反应量表偏差与"问题案例"？

核心贡献

首个 2×2 框架实验： 在概率性消费者预期文献中，首次同时随机化问题格式与措辞，分离两类框架效应及其交互
新引导格式： 提出并实证评估 min-max 格式（仅需报告最可能值、最小值、最大值），降低数值概率认知负荷，消除"双峰/不相邻区间"问题案例
量化框架的经济意义： 证明仅框架变化即可带来 >4 pp 的均值预期通胀差异，超过许多信息干预实验的效应大小，对货币政策沟通和调查设计有警示意义
过程证据： 通过追问被试"在回答时主要想到什么"，揭示措辞效应通过"参照对象切换"（日常必需品价格 vs. 宏观通胀率）传导
异质性与公平性： 揭示框架效应在低教育、低收入、女性、东德背景被试中更强，提示当前调查设计存在系统性测量不平等

维度1：实验设计分析

实验任务详细流程

实验背景与平台

实验嵌入德国联邦银行家庭在线面板调查 (Bundesbank Online Panel - Households, BOP-HH) 的第9波，于2020年9月执行。BOP-HH是一项2019年启动的在线调查，按月频率进行，涵盖个人与宏观经济话题，样本量约2,000至5,000人，代表德国16岁及以上的在线人口。本波样本约4,000名受访者，每个处理组约1,000人。

被试完整经历时间线

第一步：信息处理（仅"inflation rate"措辞组）

分配到"inflation rate"措辞的受访者（A1组和B1组）会在调查前几波中已建立的信息处理环节中接收一段关于通胀的简短定义：
- 原文："Inflation is the percentage increase in the general price level. It is mostly measured using the consumer price index. A decrease in the price level is generally described as deflation."
"prices in general"措辞组（C1组和D1组）不接收此信息。

第二步：通胀感知问题（核心模块）

被试首先被问及对过去12个月通胀率发展的感知：
- inflation rate组 (903A): "What do you think the rate of inflation or deflation in Germany was over the past twelve months?"（输入百分比数值）
- prices in general组 (903B): "By what percent do you think prices in Germany, in general, have increased or decreased over the past twelve months?"（输入百分比数值）

第三步：通胀预期定性问题

被试判断未来12个月是通胀还是通缩更可能：
- inflation rate组 (005A1): "Do you think inflation or deflation is more likely over the next twelve months?"（选择：1=通胀更可能，2=通缩更可能）
- prices in general组 (005A2): "Do you think prices in general, are more likely to increase or decrease over the next twelve months?"（选择：1=更可能上涨，2=更可能下降）

第四步：通胀预期定量问题（点预测）

根据上一步选择，被试输入具体百分比数值：
- inflation rate组 (005B1): "What do you expect the rate of inflation in Germany to roughly be over the next twelve months?"（输入百分比）
- prices in general组 (005B2): "By roughly what percentage do you expect prices in general, to increase over the next twelve months?"（输入百分比）

第五步：核心实验处理 -- 概率分布/min-max问题（关键差异步骤）

根据随机分组，被试收到四种版本之一：

A1组（默认组）：概率性问题 + inflation rate措辞

问题 (904A1): "In your opinion, how likely is it that the rate of inflation will change as follows over the next twelve months?"
说明文字告知被试：目标是评估某事件在未来发生的可能性；在0到100的量表上评分，0表示完全不可能，100表示绝对确定；各类别概率之和必须为100。
呈现10个预定义区间（bins），每个区间旁有输入框：
- 通缩率12%以上
- 通缩率8%-12%
- 通缩率4%-8%
- 通缩率2%-4%
- 通缩率0%-2%
- 通胀率0%-2%
- 通胀率2%-4%
- 通胀率4%-8%
- 通胀率8%-12%
- 通胀率12%以上
被试在每个区间旁输入0-100的概率值，界面实时显示概率总和。
若试图跳过，显示"Don't know"和"No answer"选项。

B1组：min-max问题 + inflation rate措辞

问题 (904B1): "What do you think the rate of inflation (or rate of deflation) is most likely to be over the next twelve months? What will the rate of inflation be as a maximum and minimum value?"
说明：若预期为通缩，请输入负值；数值可有一位小数；使用句号而非逗号作为小数分隔符。
三个输入框：
- Most likely inflation or deflation rate: [输入框] percent
- Minimum: [输入框] percent
- Maximum: [输入框] percent

C1组：概率性问题 + prices in general措辞

问题 (904A2): "In your opinion, how likely is it that prices in general will change as follows over the next twelve months?"
格式与A1完全相同，但所有区间描述中"rate of inflation/deflation"替换为"prices will increase/decrease"：
- Prices will decrease by 12% or more
- Prices will decrease between 8% and 12%
- ... (以此类推)
- Prices will increase between 8% and 12%
- Prices will increase by 12% or more

D1组：min-max问题 + prices in general措辞

问题 (904B2): "By what percentage do you think prices in general are most likely to increase or decrease over the next twelve months? What will the price change be as a maximum and minimum value?"
三个输入框：
- Most likely change: [输入框] percent
- Minimum: [输入框] percent
- Maximum: [输入框] percent

第六步：预期形成过程追问（所有组）

Question 2: "What did you think about most when answering the question about your inflation rate expectations before?"（措辞根据处理组调整）
五个选项（只能选一个）：
1. Prices you pay in your everyday life such as food and gasoline
2. Prices Germans pay
3. Germany's inflation rate
4. Changes in the cost of living
5. Other specific prices (please name)

反馈机制

无直接反馈。被试不会被告知其预测的准确性或其他参与者的回答。

其他实验设计要素

实验类型: 嵌入全国代表性调查的随机对照实验（Survey-embedded RCT），between-subjects设计

Treatment设计: 2x2因子设计

因子1 -- 问题格式 (Format):
- 概率性问题（probabilistic question）：在10个预定义区间上分配概率（总和=100）
- Min-max问题：直接报告最可能值、最小值、最大值
因子2 -- 问题措辞 (Wording):
- "inflation rate"（通胀率）：更精确的经济学术语
- "prices in general"（一般价格水平）：更简单、更日常的表述
四个处理组：A1（概率+inflation rate，默认组）、B1（min-max+inflation rate）、C1（概率+prices in general）、D1（min-max+prices in general）

随机化:

被试被随机分配到四个处理组之一，每组约1,000人
Table B.2验证了随机化的平衡性：基于年龄、教育、就业、性别、收入、家庭规模、地区等人口统计特征，各组被选入的概率无显著差异

观测变量:

主要结果变量：
- 个体均值预期通胀 E[pi_{t+12}]_i：从主观直方图拟合分布得到的均值，或从min-max三个值计算 (a+b+c)/3
- 个体不确定性 sigma_i：拟合分布的标准差，或从min-max计算
次要结果变量：
- 拟合分布的百分位数 (p5, p25, p50, p75, p95)
- 分布支撑端点
- 点预测（point predictions）
- 感知通胀（perceptions）
- 非回答率（item non-response）
- 回答模式（rounding, bin usage, consistency）

因果识别:

基于随机分配的简单线性回归：y_i = alpha + beta * format_i^{min-max} + gamma * wording_i^{prices} + delta * joint_i + epsilon_i
alpha 代表默认组A1的结果，beta/gamma/delta 分别捕捉格式效应、措辞效应、交互效应
使用调查权重确保代表性，使用稳健标准误

样本量:

总样本约4,000人（BOP-HH第9波）
概率性问题：1,892个有效回答
Min-max问题：1,794个有效回答
回归分析样本：3,549-3,686（取决于是否加入控制变量）

激励机制:

无金钱激励用于通胀预期回答的准确性
BOP-HH面板本身的参与激励（未详细说明）
属于典型的调查实验（survey experiment），不涉及实验经济学中的真实激励

亮点:

首次在消费者概率性预期（probabilistic expectations）背景下同时检验问题格式和措辞的框架效应
提出并测试了一种无概率的替代性问题格式（min-max），减少认知负荷和反应量表偏差
利用全国代表性样本（德国），外部效度高
实验已预注册（AEA RCT Registry）
追问"预期形成过程"的问题设计巧妙，揭示了措辞如何影响被试的思维方式
详细分析了多种回答行为模式（rounding, bin usage, consistency, non-response）

局限:

无金钱激励，无法排除被试不认真回答的可能
实验时间点为2020年9月（COVID-19疫情期间，德国低通胀环境），结果可能受特定宏观环境影响
Between-subjects设计无法追踪同一被试在不同框架下的回答差异
Min-max格式产生更高的非回答率（13.4% vs 6.7%），可能引入选择性偏差
拟合三角分布需要对概率性问题做出关于支撑端点的假设，这些假设本身可能影响结果
仅一个国家（德国）、一个时间点的数据，外部推广性需验证
无法完全区分措辞效应是通过"问题理解"渠道还是"锚定"渠道产生的

维度2：理论模型

基准理论

理性预期基准: 在理想情况下，问题措辞和格式不应影响回答行为。如果被试持有明确的主观概率分布，无论问题如何呈现，得到的分布特征应相同。
调查方法论基准: 不同的引导方式（elicitation methods）应产生等价的预期测量结果（等价性假设）。

行为偏差形式化

本文没有构建正式的理论模型，但隐含地依赖以下行为机制：

框架效应 (Framing Effects): 问题的呈现方式（格式与措辞）系统性地影响回答，即使底层信念不变。
- 格式效应：概率性问题中预定义的区间（bins）充当锚点，引导被试在中间区间放置更多概率质量（Becker et al., 2023）。
- 措辞效应："prices in general"引导被试想到日常购物中的具体价格（食品、汽油），这些价格通常波动更大且倾向向上偏（Bruine de Bruin et al., 2010, 2012）。
问题解读渠道 (Question Interpretation Channel): 不同措辞激活不同的心理参照框架。"inflation rate"引导被试思考宏观经济概念，"prices in general"引导被试思考个人购物体验。
反应量表偏差 (Response Scale Bias): 概率性问题中，区间数量和位置影响概率分配——更多代表某数值范围的区间会吸引更多概率质量。
认知负荷与数值能力 (Cognitive Load & Numeracy): 概率性问题要求被试用数值概率表达信念，对数学能力要求更高；min-max格式降低了此要求。

关键假设

H1（格式效应）: 从概率性问题切换到min-max格式，预期均值上升（beta > 0），因为min-max消除了反应量表的压缩效应。
H2（措辞效应）: 使用"prices in general"措辞导致预期均值上升（gamma > 0），因为被试更多想到波动较大的日常价格。
H3（交互效应）: 格式和措辞的联合效应（delta）可能超过（或不超过）两个独立效应之和。

可检验预测

Min-max格式的预期均值应高于概率性问题的均值
"Prices in general"措辞的预期均值应高于"inflation rate"
Min-max格式的不确定性（标准差）可能更低（因消除了反应量表的人为扩散效应）
"Prices in general"措辞的不确定性应更高（因日常价格波动更大）
框架效应在低金融素养群体中应更强
措辞效应应通过"问题解读渠道"——"prices in general"组应更多选择"日常价格"作为思考内容

维度3：核心发现

主要结论

1. 格式效应（Format Effect）

均值预期通胀: Min-max格式显著提高预期通胀均值。
- 默认组A1 (概率+inflation rate) 均值: 2.2%
- B1组 (min-max+inflation rate) 均值: 4.31%
- 效应大小: +2.46 pp (p<0.01)，即预期通胀几乎翻倍
- 加入Huber稳健回归控制极端值后: +1.08 pp (p<0.01)
- 加入人口统计控制后: +2.61 pp (p<0.01)
不确定性: Min-max格式显著降低不确定性
- 默认组标准差: 2.01 pp
- Min-max组标准差减少约0.6-1.0 pp (p<0.01)
- 这一结果出乎意料，原假设预期min-max应增加不确定性

2. 措辞效应（Wording Effect）

均值预期通胀: "Prices in general"措辞显著提高预期通胀
- 效应大小: +0.98 to +1.34 pp (p<0.01)
- 加入控制后仍然显著
不确定性: "Prices in general"措辞显著增加不确定性
- 效应大小: +0.37 to +0.41 pp (p<0.01)

3. 联合效应（Joint Effect）

D1组 (min-max + prices in general) 与默认组差异: +4.24 pp (p<0.01)
- 这意味着仅通过改变问题框架，平均预期通胀就从约2.2%上升到约6.4%
联合效应大致等于两个独立效应之和，交互作用有限（在10%水平上仅在个别规格中显著）

4. 问题解读渠道（Question Interpretation Channel）

"Prices in general"组中约47%的被试报告主要想到"日常必需品价格（食品、汽油）"
"Inflation rate"组中该比例为约41%，但仍是最常选择的选项
即使被直接问及"通胀率预期"，也只有约25%的被试报告实际在思考"德国的通胀率"
想到"必需品价格"的被试与想到"通胀率"的被试，即使在同一处理组内，其主观概率分布也存在显著差异（Hotelling's T2检验可拒绝等价性假设）

5. 异质性分析

性别: 女性在min-max格式下的均值上升效应更强（+1.5-2 pp相对于男性）
教育: 无大学学位者的格式效应更强（min-max x college交互项: -2.11 pp, p<0.01）
收入: 低于中位数收入组的联合效应更大（joint x high_income: -2.53 pp, p<0.01）
东德经历: 1989年前在东德生活者，"prices in general"措辞效应更强（+2.60 pp, p<0.05）

6. 回答行为模式

非回答率: 概率性问题(~7%) < min-max问题(~10-13%)；measures辞无显著影响
稀疏直方图: "inflation rate"组52.3%只使用1-2个bins，"prices in general"组42.2%
Rounding: Min-max格式中，最大值最常被取整为5的倍数（43.5%），与Michigan Survey中点预测的取整率相当
内部一致性: 约30-40%的被试点预测落在分布的q5以下或q95以上，表明点预测与概率分布之间存在显著不一致
Bin使用数量: "prices in general"组使用更多bins（Poisson回归系数+0.12, p<0.01）

稳健性

Huber加权回归控制极端值：系数绝对值减小但符号和显著性不变
加入人口统计控制变量（年龄、教育、就业、家庭规模、收入、地区、是否东德等）：结果稳健
仅使用首次参与者子样本（排除约700个面板回答者）：结果几乎不变 (Table B.5)
Kolmogorov-Smirnov检验：所有四组的拟合均值分布在1%水平上显著不同

与其他研究比较

与Bruine de Bruin et al. (2012)的比较: 本文确认了其关于"prices in general"产生更高点预测的发现，并将其扩展到概率性预期领域。在本文中，点预测的措辞差异（>2 pp）比此前文献记录的更大。
与Becker et al. (2023)的比较: 本文证实了反应量表（bin定义）对密度预测的影响，并提供了min-max作为替代方案。
与Coibion et al. (2020)的不同: 后者在新西兰企业调查中未发现措辞的系统偏差，而本文在德国消费者中发现了显著效应。
与Hayo and Meon (2022)的呼应: 两者都发现引导式问题（guided question）可能引入噪声而非信息。

维度6：与其他文献的关系

领域位置

本文位于实验经济学与宏观经济学/货币政策的交叉领域，具体属于：

消费者通胀预期的调查方法论 (Survey methodology for consumer inflation expectations)
主观概率性预期的引导设计 (Elicitation design for subjective probabilistic expectations)
调查实验中的框架效应 (Framing effects in survey experiments)

核心对话论文

问题措辞方向:

Bruine de Bruin et al. (2010, 2012, 2017) -- 通胀预期中"inflation rate" vs "prices in general" vs "prices you pay"措辞对点预测的影响（美国和荷兰数据）
D'Acunto et al. (2020, 2023) -- 消费者对"inflation rate"术语的理解困难及其对政策沟通的影响
Drager and Fritsche (2013) -- 德国消费者通胀感知和预期中的措辞效应

问题格式方向:

Becker et al. (2023) -- 反应量表（bin定义）如何塑造密度预测
Engelberg et al. (2009) -- 从主观直方图拟合连续分布的方法
Armantier et al. (2017) -- FRBNY SCE概率性问题的概述
Manski (2018) -- 概率性宏观经济预期的测量：进展与前景

替代格式方向:

Bachmann et al. (2021) -- ifo商业调查中类似min-max格式用于引导企业预期销售增长
Huisman et al. (2021) -- 使用min-max收集荷兰投资者的股市预期
Goldfayn-Frank et al. (2024) -- 基于选择的多步骤通胀预期引导方法
Coibion et al. (2022); Christelis et al. (2020); Altig et al. (2022) -- 相关的最低/最高/平均预测引导设计

预期形成方向:

Malmendier and Nagel (2016) -- 从通胀经历中学习
D'Acunto et al. (2021a) -- 杂货价格暴露与通胀预期
Kim and Binder (2023) -- 重复调查参与对预期的影响

新贡献

首次在概率性预期背景下同时检验格式和措辞效应: 此前文献仅关注点预测中的措辞效应，或概率性问题中的量表设计效应，本文首次将两者结合。
提出并实证评估min-max格式作为概率性问题的替代: min-max格式完全不涉及数值概率，降低认知负荷，减少反应量表偏差，消除"问题案例"（双峰分布、不相邻区间），代价是略高的非回答率。
揭示问题解读渠道的机制: 通过追问被试"在回答时主要想到什么"，为措辞效应提供了过程证据（process evidence），而非仅记录结果差异。
量化框架效应的经济显著性: 仅通过改变问题框架，平均预期通胀可从2.2%上升到6.4%——这一效应大于许多信息干预实验的效果，对政策制定者和调查设计者有重要警示意义。
异质性分析揭示调查公平性问题: 框架效应在低教育、低收入、女性群体中更强，表明当前调查设计对不同群体的测量存在系统性偏差。

维度4：变量概览

类别	变量	含义/来源
处理变量	format	0=probabilistic, 1=min-max
处理变量	wording	0=inflation rate, 1=prices in general
处理变量	joint	format × wording 交互项
主要结果	E[π_{t+12}]_i	拟合分布的均值（个体层面预期通胀）
主要结果	σ_i	拟合分布的标准差（个体不确定性）
次要结果	p5, p25, p50, p75, p95	主观分布百分位数
次要结果	点预测（point prediction）	第四步报告的单点预测
次要结果	通胀感知	过去 12 个月通胀率的感知值
回答行为	非回答率	item non-response 比例
回答行为	bin 数量	概率分布中使用的 bin 数
回答行为	rounding	取整为 5 的倍数的比例
回答行为	内部一致性	点预测是否落在分布的 5–95 百分位间
过程变量	思考内容	五选一：日常价格/德国人付的价格/通胀率/生活成本/其他
协变量	年龄、教育、就业、性别、收入、家庭规模、地区、东德背景、金融素养	异质性分析与控制变量

维度5：局限性

无金钱激励： 调查实验未提供准确性激励，无法排除被试不认真回答；可能放大或混淆框架效应
特定时间点： 数据采集于 2020 年 9 月（COVID-19 期间、德国低通胀环境），结果对其他通胀环境（如 2022 年高通胀）的外推性需验证
Between-subjects 设计： 无法在个体层面比较同一被试在不同框架下的回答
min-max 非回答率较高： 13.4% vs 6.7%（probabilistic），可能引入选择性偏差
分布拟合的假设依赖： 三角/Beta 分布拟合需要对支撑端点（如 ±38%）做出假设，结果对此敏感
单一国家/语言： 仅德国数据；翻译措辞（"Inflationsrate" vs "Preise allgemein"）的语义差异可能与英语不完全一致
机制的因果识别有限： 虽追问"思考内容"，但无法严格区分"问题理解"渠道与"锚定"渠道
未测量长期影响： 仅一次性实验，无法评估框架效应在重复参与者中的稳定性

维度6：与其他文献的关系（双链）

Coibion_2020_InflationExpectations / Coibion_2022_InflationExpectations_HouseholdSpending：消费者通胀预期与决策的因果效应；本文为该文献的测量基础提供改进
D_Acunto_2021_GroceryPrices_Expectations：家庭杂货价格暴露与通胀预期；与本文"prices in general"措辞激活日常价格的发现一致
Malmendier_Nagel_2016_InflationExperiences：经历驱动的通胀预期形成
Bruine_de_Bruin_2010_FramingPrices_Expectations：通胀预期问题措辞效应（点预测）
Becker_2023_BinDefinition_DensityForecasts：反应量表（bin 定义）对密度预测的影响
Engelberg_2009_FittingDensityForecasts：从主观直方图拟合连续分布的方法
Manski_2018_ProbabilisticExpectations：概率性宏观经济预期测量综述
Armantier_2017_OverviewSCE_NewYorkFed：FRBNY SCE 概率性问题概述
Kim_Binder_2023_RepeatedSurveyParticipation：重复参与对预期形成的影响
Bachmann_2021_IfoSurvey_BusinessExpectations：企业调查中类似 min-max 设计

注：上述链接中部分目标笔记可能尚未创建，仅作占位。已确认存在的相关笔记请优先参考。

维度7：可拓展的研究方向

高通胀环境下的复制： 将相同 2×2 实验在 2022–2024 年高通胀期间重复，检验框架效应是否随通胀水平变化
多国比较： 在英语、西班牙语、汉语等语言环境中重复，分离"措辞语义"与"宏观经济概念熟悉度"
金钱激励变体： 增加准确性奖励（如 BSR 评分规则）的处理组，检验激励是否削弱框架效应
Within-subjects 设计： 同一被试在不同时点接收不同框架，识别个体层面的框架敏感度
长期决策影响： 跟踪框架影响下的储蓄、消费、投资决策，检验测量偏差是否传导至行为
政策沟通中的应用： 央行新闻发布会用语（"通胀率" vs "物价上涨"）对家庭预期形成的影响
结合机器学习： 用文本/语音数据识别哪些被试更易受框架影响，为个性化调查设计提供依据
拓展至其他预期变量： 收入、就业、房价、利率预期是否存在类似的"专业术语 vs 日常表述"框架效应

方法论备注

分布拟合方法

概率性问题: 遵循 Engelberg et al. (2009) 方法，对最多两个bins有正概率的直方图拟合对称三角分布，对更复杂直方图拟合广义Beta分布。开放区间上界设为正负38%（Armantier et al., 2017）。
Min-max问题: 直接从三个报告值 (a=minimum, b=maximum, c=mode) 拟合三角分布：E[pi] = (a+b+c)/3; sigma^2 = (a^2+b^2+c^2-ab-bc-ac)/18。放松了对称性假设。

数据处理

排除概率不等于100%的回答（概率性问题）
排除mode超出min-max范围的回答（min-max问题）
使用调查权重确保代表性
稳健标准误

关键表格索引

表格	内容
Table 1	四组的支撑端点、矩、百分位数均值
Table 2	ATE回归结果（均值预期和不确定性）
Table 3	跨处理组的回答模式（非回答、不确定性、取整、一致性）
Table B.1	各处理组人口统计特征分布
Table B.3-B.4	异质性分析（均值和不确定性）
Table B.5	仅首次参与者的处理效应
Table C.10	完整调查问卷

关键结论

格式效应巨大且方向出乎意料： 从概率性问题切换到 min-max 格式，预期通胀均值上升约 2.5 pp，不确定性反而下降约 0.6–1.0 pp，与"min-max 应增加不确定性"的事前假设相反
措辞效应显著： "Prices in general" 措辞使均值预期上升约 1.0–1.3 pp，不确定性上升 0.4 pp，主要通过引导被试想到日常必需品价格（食品、汽油）传导
联合效应近似可加： D1（min-max + prices in general）相对默认组的均值差异约 +4.2 pp，相当于两个独立效应之和，交互效应有限
过程证据支持"问题解读渠道"： 即使被直接问及"通胀率"，仅约 25% 被试报告实际在思考"德国的通胀率"；多数人想到的是日常必需品价格
测量公平性问题： 框架效应在低教育、低收入、女性、东德背景被试中显著更强，意味着当前调查设计可能放大不同群体在测量预期上的偏差
min-max 是可行替代格式： 尽管非回答率略高（13.4% vs 6.7%），min-max 消除了反应量表偏差和"问题案例"，并大幅降低数值概率认知负荷
对货币政策启示： 调查测得的预期对问题措辞高度敏感；央行在解读家庭预期数据时应明确测量协议，并谨慎对比不同来源的预期数据

Pavlova_2025_FramingEffects_ConsumerExpectations