Proto_Sgroi_2017_BiasedBeliefs_ImperfectInfo
Biased Beliefs and Imperfect Information
基本信息
- 作者: Eugenio Proto (University of Warwick, CAGE, IZA), Daniel Sgroi (University of Warwick, CAGE)
- 期刊: Journal of Economic Behaviour and Organization, 136, pp. 186-202
- 年份: 2017
- 关键词: biased beliefs, information, attitudes, characteristics, self-centered bias
- JEL: D03, C83, D84
一句话总结
通过Field-in-Lab实验记录了普遍存在的"自我中心信念偏差"（self-centered bias）：在估计自己于群体分布中的位置时，分布低端个体系统性高估自己、高端个体系统性低估自己（信念向均值回归），且这种偏差在更易被观察的特征（如身高）上减弱但并未消失。
研究问题
- 当个体特征或选择不可被完全观察时，个体对自己在群体分布中位置的信念是否存在系统性偏差？
- 若信息更易获取（如身高、体重等可被肉眼观察的特征），偏差是否减弱？
- 这种偏差能否由有限注意力（limited attention）、自利信念（self-serving beliefs）或极端值显著性（salience of extremes）等机制解释？
核心贡献
- 首次系统性记录Self-Centered Bias：在身高、体重、幸福感、政治立场、手机品牌、信息处理态度等多种异质特征上，统一发现"信念向均值回归"模式（β显著小于1，截距α显著为正）。
- 信息可观察性与偏差程度的可比检验：利用同一被试群体中可观察性不同的特征，发现易观察特征（身高，β≈0.78）偏差最小，但即使如此β仍显著小于1。
- Field-in-Lab方法论：在实验室激励环境（5英镑奖金，10%精度）下利用真实世界特征（非实验诱导），兼顾外部效度与内部效度。
- 机制识别：通过Top/Bottom 10%平均值估计的检验，明确排除"极端值显著性"解释，并显示有限注意力与自利信念均有部分解释力。
- 区别于过度自信文献：刻意避免绩效相关信念，揭示偏差并非源自能力评估或自我形象维护，而是更基础的信念形成机制。
维度1：实验设计分析
核心研究问题
(i) 当个体特征/选择不可完全观察时，个体是否存在系统性的信念偏差？(ii) 当信息更容易获取时（如身高、体重等可观察特征），这种偏差是否减弱？
被试信息
- 人数: 154名被试（84名男性，70名女性），来自University of Warwick实验被试库（总库约1500人）
- 招募方式: 随机从大型被试库中招募，19个session，每个session约8人
- 实验时间: 2011年5月27日、30日和6月29日
- 先导实验: 另有120名被试参与了2010年的非激励先导实验（用于计算真实平均值）
报酬设计
- 出场费: 2.50英镑
- 绩效奖金: 5英镑（从Round 2-6中随机抽取一题，若答案在真实值的10%范围内即获奖）
- 平均报酬: 略高于5英镑，约合时薪15英镑（约21.50美元/19欧元）
- 实验时长: 约20分钟
实验任务详细流程（7轮计算机化任务）
Round 1 -- 自我报告个人特征（基线数据收集）
- (1a) 性别
- (1b) 身高
- (1c) 体重
- (1d) 幸福感（7点Likert量表，1=完全不幸福，7=完全幸福）
- (1e) 政治立场（7点Likert量表，1=极左，7=极右）
- (1f) 手机品牌
- (1g) 假设性餐厅选择问题："想象你需要在两家餐厅A和B中选择一家独自就餐。你有私人信息表明A更好，但你知道一位同样消息灵通的同事有信息表明B更好。你会选A、B还是无所谓？" -- 此问题涉及信息处理中的deference（顺从性）
Round 2 -- 估计自己在分布中的位置（核心信念引出）
- (2a) 估计Warwick学生中比自己不幸福的百分比
- (2b) 估计比自己更不偏右的百分比
- (2c) 估计比自己更矮的百分比（仅限同性别）
- (2d) 估计比自己更轻的百分比（仅限同性别）
- (2e) 估计与自己使用同一手机品牌的Warwick学生百分比
- (2f) 估计在餐厅选择问题中做出相同选择的Warwick学生百分比
Round 3 -- 估计Top 10%的平均值
- (3a) 同性别中最高10%的平均身高
- (3b) 同性别中最重10%的平均体重
- (3c) 最幸福10%的平均幸福感（7点量表）
- (3d) 最偏右10%的平均政治立场（7点量表）
Round 4 -- 估计Bottom 10%的平均值
- (4a) 同性别中最矮10%的平均身高
- (4b) 同性别中最轻10%的平均体重
- (4c) 最不幸福10%的平均幸福感（7点量表）
- (4d) 最偏左10%的平均政治立场（7点量表）
Round 5 -- 估计整体平均值
- (5a) 同性别Warwick学生的平均身高
- (5b) 同性别Warwick学生的平均体重
- (5c) Warwick学生的平均幸福感（7点量表）
- (5d) Warwick学生的平均政治立场（7点量表）
- (5e) 各手机品牌的使用百分比（给出品牌列表，需为每个品牌填写百分比）
- (5f) 再次考虑餐厅选择问题，估计选A的百分比
Round 6 -- 概率理解检验
- "你有20%的概率赢100英镑，40%的概率赢10英镑，40%的概率赢0英镑。如果你玩很多次，期望平均每次赢多少？"
Round 7 -- 人口统计学问卷（非激励）
- (7a) 年龄、(7b) 国籍、(7c) 学位科目、(7d) 是否在中学阶段学过数学、(7e) 实验中使用的策略
关键设计特征
- Field-in-Lab设计: 实验室环境中利用被试的真实世界经验（身高、体重、幸福感等均为真实特征，非实验诱导）
- 信息可观察性变异: 身高/体重（易观察） vs. 幸福感/政治立场（不易观察） vs. 手机品牌/餐厅选择（离散选择）
- 防回溯修改: 每轮完成后不能返回修改，且不知后续轮次内容
- 刻意避免绩效相关信念: 与过度自信文献不同，本文不涉及能力或绩效评估
- 真实值基准: 使用本实验+先导实验的274名被试数据计算真实分布
维度2：理论模型
信念形成模型
设 \Theta 为特征、态度和选择的集合。\theta \in \Theta 为某一特定特征（如身高），\theta_i 为个体 i 的特征值。F(\theta) 为特征的累积分布函数，F(\theta_i) 为个体 i 在累积分布中的真实位置。E_i(F(\theta_i)) 为个体 i 对自己在分布中位置的信念。
个体最优化问题（激励兼容）：
Min_{E_i(F(\theta_i))} \{E_i(F(\theta_i)) - F(\theta_i)\}
无偏估计基准：
E_i(F(\theta_i)) = F(\theta_i) + error_i
其中 error_i 为均值为0的i.i.d.误差项。
系统性偏差模型：
E_i(F(\theta_i)) = G(F(\theta_i)) + \sigma(\theta_i)\epsilon_i
其中 G(F(\theta_i)) 为信念函数（允许非线性偏差），\sigma(\theta_i) 控制异方差性，\epsilon_i 为白噪声。
参数化线性回归模型：
E_i = \alpha + \beta F(\theta_i) + \delta \cdot male_i + \epsilon_i
对于身高和体重，加入交互项 \gamma \cdot male_i \cdot F(\theta_i)。
关键参数解释
- \alpha > 0：低端个体（更不幸福、更矮、更轻等）高估自己在分布中的位置
- \beta < 1：高端个体低估自己在分布中的位置（即信念向均值回归）
- \beta 越接近1，信念越准确
Self-Centered Bias 的形式化表述
对于每个 \theta \in \Theta，存在 \theta^* 使得：
- \theta_i < \theta^* 时，E_i(F(\theta_i)) > F(\theta_i)（低端个体高估自己的位置）
- \theta_i > \theta^* 时，E_i(F(\theta_i)) < F(\theta_i)（高端个体低估自己的位置）
这是一种信念的均值回归（mean-reversion of beliefs），作者称之为"self-centered"偏差。
三种理论解释
- 有限注意力（Limited Attention）: 个体从有限的、有偏的样本（与自己相似的人）中推断分布位置（锚定与可得性启发式）
- 自利信念（Self-Serving Beliefs）: 个体可能出于心理效用最大化而扭曲信念（Carrillo & Mariotti 2000; Benabou & Tirole 2002的"战略性无知"）
- 极端值显著性（Salience of Extremes）: 极端特征可能更显著，但数据不支持此解释
维度3：核心发现
主要发现1：自我中心信念偏差（Self-Centered Bias）普遍存在
Table 2 -- 感知累积分布的决定因素（OLS回归）
| 特征 | \beta 系数 | 标准误 | \alpha 截距 | R^2 | N |
|---|---|---|---|---|---|
| 幸福感 | 0.6019*** | (0.0427) | 0.2630*** | 0.461 | 154 |
| 政治立场 | 0.4872*** | (0.0506) | 0.2083*** | 0.373 | 154 |
| 女性体重 | 0.5502*** | (0.0585) | 0.1327*** | 0.484 | 151 |
| 男性体重 | 0.5538*** | (0.0682) | 0.1327*** | 0.484 | 151 |
| 女性身高 | 0.7469*** | (0.0627) | 0.0245 | 0.783 | 147 |
| 男性身高 | 0.7907*** | (0.0479) | 0.0245 | 0.783 | 147 |
所有 \beta 系数均显著小于1（p < 0.01），确认自我中心偏差的存在。
关键Effect Size解读：
- 信息可观察性效应: 身高（最易观察）的 \beta 最接近1（~0.75-0.79），体重次之（~0.55），幸福感（~0.60）和政治立场（~0.49）偏差最大
- 但即使是高度可观察的身高，\beta 仍显著小于1，偏差并未完全消失
- 截距 \alpha 几乎都显著为正（女性身高除外），表明分布低端的个体系统性高估自己的位置
主要发现2：手机品牌和餐厅选择中同样存在偏差
Table 3 -- 频率分布的感知偏差
| 类别 | \beta | 标准误 | \alpha | R^2 | N |
|---|---|---|---|---|---|
| 手机品牌 | 0.4288** | (0.1825) | 0.2251*** | 0.059 | 141 |
| 餐厅顺从性 | 0.4330*** | (0.1060) | 0.3217*** | 0.097 | 154 |
- 拥有小众手机品牌的个体显著高估使用同一品牌的人数比例
- 在餐厅选择中做出不太常见选择的个体也高估做出相同选择的人数比例
主要发现3：均值估计也受个体特征影响
- Figure 4显示被试对群体平均值的估计与其自身特征正相关
- 支持有限注意力假说：个体基于自身及周围相似者的信息推断总体分布
- 但平均个体也并非总是无偏：男性被试系统性低估平均身高，所有被试倾向低估平均幸福感
主要发现4：极端值显著性（Salience）解释被排除
- Figure 5显示Top 10%和Bottom 10%的感知平均值与真实值在大多数情况下（9/11个比较）无显著差异
- 如果显著性是偏差来源，Top 10%的感知均值应系统性偏高、Bottom 10%应系统性偏低，但数据不支持
稳健性检验
- 排除Top/Bottom 10%被试后结果稳健（Table A.1）
- 男女分开估计幸福感和政治立场，结果定性一致（Table 4）
- 不同特征间的信念误差相关性低（Table A.2），表明偏差并非由个体固定效应驱动
维度6：与其他文献的关系
与已有文献的关系
| 文献领域 | 代表文献 | 本文关系 |
|---|---|---|
| 虚假共识 | Ross, Greene & House (1977) | 虚假共识关注意见的偏差估计，本文关注事实的偏差估计，且研究偏差如何随个体类型变化 |
| 过度自信 | Moore et al. (2008); Burks et al. (2013) | 本文刻意避免绩效相关信念，聚焦于特征和选择，避免与过度自信混淆 |
| 有限注意力 | DellaVigna (2009); Tversky & Kahneman (1973, 1974) | 可得性启发式和锚定效应可部分解释self-centered bias |
| 自利信念/战略性无知 | Carrillo & Mariotti (2000); Benabou & Tirole (2002); Grossman (2015) | 自利动机可解释为何平均个体也非总是无偏（如低估幸福感平均水平） |
| 信息级联/羊群行为 | Banerjee (1992); Bikhchandani et al. (1992) | 本文发现可解释羊群实验中个体过度依赖私人信号的经典发现 |
| 投影偏差 | Loewenstein, O'Donoghue & Rabin (2003) | 相关但不同：投影偏差关注跨期效用，本文关注跨个体信念 |
| 小数定律 | Rabin (2002) | 相关偏差类型但机制不同 |
本文核心贡献
- 首次系统性记录Self-Centered Bias: 在多种特征（身高、体重、幸福感、政治立场、手机品牌、信息处理态度）中发现统一的信念偏差模式
- 信息可观察性与偏差程度: 利用同一被试群体中可观察性不同的特征，检验信息可获取性对偏差的影响 -- 更可观察的特征偏差更小但不消失
- Field-in-Lab方法论创新: 在实验室激励环境中利用真实世界信念，兼顾外部效度和内部效度
- 区分三种理论机制: 通过数据排除极端值显著性解释，发现有限注意力和自利信念均有部分解释力
政策含义
- 肥胖政策: 超重个体可能感知自己更接近平均水平，直接公布体重/BMI分布数据可能比强调肥胖危害更有效
- 选举行为: 极端政治立场的选民可能高估同类选民比例，影响投票策略
- 拍卖理论: 竞拍者可能认为他人的估值与自己更相关，增加共同价值成分，影响赢家诅咒
- 经济建模: 理性预期假设可能不成立，需考虑self-centered bias对显示偏好范式的影响
维度4：变量概览
| 变量类别 | 变量 | 测量方式 | 角色 |
|---|---|---|---|
| 自身特征（真实值） | 身高、体重 | Round 1自我报告 | 自变量 \theta_i（高可观察） |
| 幸福感、政治立场 | 7点Likert量表 | 自变量 \theta_i（低可观察） | |
| 手机品牌、餐厅选择 | 离散选择 | 自变量 \theta_i（离散） | |
| 信念变量 | 自身在分布中的位置百分比 | Round 2估计 | 因变量 E_i(F(\theta_i)) |
| Top/Bottom 10%平均值 | Round 3-4估计 | 显著性机制检验 | |
| 总体平均值 | Round 5估计 | 有限注意力机制检验 | |
| 真实分布 | 累积分布 F(\theta_i) | 274名被试样本 | 基准 |
| 控制变量 | 性别、年龄、国籍、学位科目、是否学过中学数学、概率理解 | Round 6-7问卷 | 异质性分析 |
| 关键回归参数 | \beta | OLS回归系数 | \beta<1表示自我中心偏差 |
| \alpha | OLS回归截距 | \alpha>0表示低端高估 |
维度5：局限性
- 样本同质性：仅154名Warwick大学学生，年龄、教育、地区高度同质，外部效度有限；难以推断到中老年、低教育群体或跨文化样本。
- 真实分布的代理性：用274名被试样本计算"真实"群体分布，但被试群体本身可能偏离Warwick学生总体，更偏离全英国乃至全球分布。
- 激励金额相对较低：仅5英镑且仅一题获奖，可能不足以驱动信念报告完全激励兼容；且10%精度对7点量表有歧义。
- 机制识别有限：虽然排除了"极端值显著性"，但有限注意力与自利信念两种机制难以完全分离，缺乏直接的过程数据（如反应时间、眼动）。
- 截面设计：单次实验，无法观察信念是否会随经验、反馈、信息更新而调整；难以推断动态学习过程。
- 特征有限：仅6类特征/选择，未覆盖能力、收入、智力等更具经济意义的维度（部分原因是为避免与过度自信混淆）。
- 手机品牌测量噪声：品牌列表可能不全，被试需对每个品牌填写百分比，认知负担较高。
维度7：可拓展的研究方向
- 跨文化与跨年龄比较：在不同文化（个人主义vs集体主义）和年龄段（青少年、中老年）中检验self-centered bias的稳健性与异质性。
- 动态学习与反馈：引入信息反馈（告知真实分布或他人估计）后，观察信念更新是否符合贝叶斯，或仍受self-centered bias扭曲。
- 金融市场应用：将self-centered bias引入资产定价或羊群行为模型，检验投资者是否系统性高估"与己相同"的市场参与者比例，影响均衡价格与交易量。
- 政策与信息披露：测试不同信息披露形式（分布图vs文字提示vs社交比较）对纠正肥胖、健康行为、政治极化中self-centered bias的效果。
- 过程追踪：结合眼动、神经成像或反应时间数据，区分有限注意力（自动）与自利信念（动机性）两种机制的相对贡献。
- 市场互动效应：在拍卖、投票、信息级联等多人互动情境中，检验self-centered bias如何影响均衡结果。
- 机器学习与算法纠偏：开发基于实时分布反馈的工具（如健康App、政治信息平台），动态降低用户的self-centered bias。
- 与情绪/心理状态的交互：在抑郁、焦虑等情绪状态下，幸福感等主观特征上的self-centered bias是否被放大或反转。
标签
#belief_bias #self_centered_bias #imperfect_information #limited_attention #self_serving_beliefs #laboratory_experiment #field_in_lab #belief_elicitation #cumulative_distribution #anchoring #availability_heuristic #false_consensus #observability
关键结论
- Self-centered bias是普遍存在且统一的信念形成模式：在身高、体重、幸福感、政治立场、手机品牌、信息处理态度等异质特征上，所有 \beta 系数均显著小于1（0.43-0.79），截距 \alpha 显著为正——分布低端个体高估自己位置、高端个体低估自己位置，呈现一致的"信念向均值回归"现象。
- 信息可观察性显著但不能完全消除偏差：身高（最易观察）的 \beta 最接近1（约0.78），政治立场（最难观察）最远（约0.49），证实信息获取减少偏差；但即使是身高，\beta 仍显著小于1，说明self-centered bias并非纯信息问题，存在认知或动机性根源。
- 机制：有限注意力为主，自利信念为辅，极端值显著性被排除：Top/Bottom 10%的感知均值在9/11个比较中与真实值无显著差异，排除了"极端值更显著"的解释；总体平均值估计与自身特征正相关，支持有限注意力（被试基于自身及周围相似者的可得样本推断）；同时部分维度上平均估计也偏离真实值（如系统性低估幸福感平均水平），暗示存在自利信念扭曲。
- 对经济学建模的含义：理性预期假设在涉及个体对群体分布感知的场合可能系统性失效；该偏差为信息级联中"过度依赖私人信号"、肥胖政策中"超重者不觉超重"、政治极化中"高估同类选民比例"等现象提供了统一微观基础；并对拍卖中赢家诅咒、显示偏好的解读、社会比较模型等提出修正方向。