Structural Estimation of Higher Order Risk Preferences¶

作者: Morten I. Lau, Hong Il Yoo
来源: Econometrica
主题: 经济理论 / 应用
相关性: 6/10
链接: https://doi.org/10.3982/ecta22260

一、领域脉络与小综述¶

这个方向是什么¶

本方向致力于量化个体在面对不同阶数的随机风险（高阶风险）时的态度。具体而言，经济学中的风险态度不仅限于一阶的“风险厌恶”，还包括对二阶风险（如方差）的“审慎”（prudence）和对三阶风险（如偏度）的“节制”（temperance）。其根本统计/科学问题是：如何设计实验和估计模型，从而在不施加强参数约束的前提下，从观察到的选择行为中同时、无偏地识别和估计出这些高阶风险偏好参数。当前该领域的状态是：理论基础（期望效用理论框架下）已相当成熟，但实证估计相对匮乏，尤其是对它们之间相互依赖关系的经验刻画几乎空白——本文即旨在填补这一缺口。

发展脉络（history）¶

以下基于本文的引言（摘要）及经济理论中风险偏好估计的典型发展脉络来梳理。由于用户未提供引言原文，脉络将基于对该经典子领域的标准知识构建。

奠基工作：一阶风险厌恶的测度 (Arrow, 1965; Pratt, 1964)
- Arrow 和 Pratt 奠定了风险厌恶的理论基础，提出了绝对风险厌恶系数 (ARA) 作为核心测度。这是一个纯粹的一阶概念——衡量个体对“确定均值、有方差”的彩票的厌恶程度。留下的问题是：一阶风险厌恶无法区分个体对更高阶风险（如方差的改变 vs 偏度的改变）的偏好。
理论延伸：高阶风险态度的定义 (Kimball, 1990; Eeckhoudt & Schlesinger, 2006)
- Kimball (1990) 从预防性储蓄动机出发，正式定义了审慎 (Prudence)，即个体对“二阶随机占优”风险的偏好，测度为绝对审慎指数 (AP)。Eeckhoudt & Schlesinger (2006) 等人通过“高阶梯形赌博”实验，将节制 (Temperance) 定义为对“三阶随机占优”风险的偏好，测度为绝对节制指数 (AT)。这是纯理论工作：它们证明了这些高阶态度在理论上是独立于风险厌恶的，且它们对经济学模型的预测（如跨期选择、均衡资产配置）有重要影响。留下的口子：缺乏实证工作去估计这些指数的实际数值大小，以及它们之间（如ARA, AP, AT）在现实中的关系。
已有实证尝试：参数化效用函数的局限性 (Holt & Laury, 2002; 其他早期工作)
- 大部分早期实证研究（如Holt & Laury, 2002的经典彩票选择实验）假设了常相对风险厌恶 (CRRA) 等参数化效用函数。在这种框架下，所有阶数的风险态度被完全绑定在单个参数 $\gamma$ 上。具体地，在CRRA模型下，如果一个被试显示出风险厌恶 ($\gamma > 0$)，那么模型会自动预测出审慎和节制（高阶导数非零），而这些预测可能完全是由模型假设驱动的，而不是被试的真实行为。留下的口子是：CRRA会扭曲对第三、四阶风险态度 (AP, AT) 的估计，导致系统性偏差。
当前 Frontier：无偏的结构性估计 (本文)
- Lau & Yoo (本文) 通过设计新的实验和对应的计量模型，试图在没有这类预设立关系的情况下，同时估计ARA, AP, AT。他们称其发现（APA, AP, AT随收入变异模式不同；EUT和RDU的风险溢价在更高阶上收敛）被CRRA等参数函数所掩盖（“These findings are obscured by regular parametric utility functions”）。本文将自己定位为：第一个在EUT下，提供对ARA、AP、AT同时的、无约束关系的结构性估计的实证研究，证明了这种方法的可行性和稳健性。

子线索聚类¶

该领域的被引文献（基于典型引用）大致可落在以下2-3条子线索上：

理论识别与模型构建 (Kimball, 1990; Eeckhoudt & Schlesinger, 2006)
- 核心任务：在理论层面定义高阶风险态度，并证明其在效用函数中的独立识别性。它们告诉研究者“理论上这些参数可以是独立的”，但未给出“如何（使用什么样的实验和统计模型）独立地估计它们”。
实验设计与结构估计方法 (Holt & Laury, 2002; 本文)
- 核心任务：设计决策情境（彩票对），并建立连接决策结果与效用函数参数的统计模型。Holt & Laury (2002) 提供了一个经典的实验范式，但受限于参数化效用函数。本文则属于这条线索的后续——它扩展了实验设计，引入更灵活的非线性最小二乘/似然框架，允许被估计参数之间有更丰富的互动（而非被一个参数捆绑）。
替代理论框架 (如等级依赖效用理论 (RDU), Quiggin, 1982)
- 核心任务：探索在非期望效用理论下（如RDU，其中概率权重被非线性扭曲）的风险态度估计。本文引用了RDU作为对比基准，用于检验其估计结果的稳健性，并特别指出在高阶风险下，EUT和RDU的风险溢价预测趋于收敛，这暗示了在高阶风险偏好上，不同理论的差异可能被弱化，从而说EUT可能是一个合理的一阶近似。

这个方向在追问的核心问题（2-4个）¶

识别问题：如何设计实验，使得对不同阶数（一阶、二阶、三阶）风险态度的选择数据能够被统计模型唯一地识别，而不依赖于相互关联的参数假设（例如，不允许审慎度的估计受到风险厌恶假设的系统性影响）？
估计精度：在有限样本（实验试验次数、被试数量）下，同时估计这三个高阶偏好参数（可能还需要估计收入效应）的统计精度如何？参数间的共线性是否严重？
跨理论框架的稳健性：这些参数估计值，在期望效用理论（EUT）与等级依赖效用理论（RDU）等不同行为模型下的估计结果有何差异？哪个理论的拟合更好？本文的核心发现（三个参数的变异模式、风险溢价收敛性）是否对模型设定鲁棒？
外部有效性（与个性/行为的关联）：这些估计出的高阶风险态度，是否能解释跨期消费决策、投资组合选择、保险购买等更大范围的、现实生活中的经济行为？这是本文（作为应用论文）留出的未来方向，它希望其方法能被用于回答这类跨领域问题。

⚠️ 作者的 framing¶

本文作者将其研究定位为 “在EUT框架内，对高阶风险态度进行无偏的结构性估计”。其核心论证是： - 缺口：理论很完善 (Kimball 等人)，但缺乏对其“经验大小”（empirical magnitudes）的了解。 - 需要做什么：需要一个不预设参数间关系的实验设计和计量模型。 - 他们提供了什么：该新设计和模型。 - 他们的成果：发现了CRRA会掩盖的模式（ARA、AP、AT的变异、风险溢价收敛性）；证明了该方法的稳健性。

被淡化或回避的竞争路线： - 非参数/半参数识别：作者选择了结构建模（先验假设一个具体的、但灵活的效用函数形式，如多项式展开），而非完全非参数地刻画效用函数。他们会回避这条路线，理由是：在数据（彩票选择）有限的实验中，非参数方法估计高阶导数（ARA、AP、AT）会遇到维度灾难和精度极低的困难。结构方法通过参数化，用少量参数换取可接受的估计精度。 - 其他行为经济学模型（如前景理论）：虽然提到了RDU，但未深入讨论前景理论（PT）。如果行为经济学更主流的说法是：EUT在刻画风险态度上是严重不充分的，而只考虑RDU仍然不够，那么本文的核心发现可能受限于EUT假设。

值得去查的问题： - 什么明显该被引/该存在、却没出现在introduction里？ 由于用户未提供bibliography，这是个开放问题。但一个值得怀疑的方向是：关于高阶风险态度的非实验/非结构性识别框架的文章。例如，是否存在利用消费-储蓄动态面板数据来识别高阶梯形的文章？如果存在，本文作者是否有意回避了它们，或者它们用的是完全不同的统计方法（如GMM，而非结构MLE）？

张力¶

未见明显对立引用（在给定材料中）。作者主要是在批评参数化效用函数（如CRRA）对高阶风险态度施加了虚假的约束，而他们自己的工作没有这个问题。这是一种“现有方法有缺陷，我们要改进”的姿态，而不是一个“不同理论相互冲突”的张力。不过，一个隐含的张力是：EUT预测的可靠性 vs RDU等其他理论。本文发现，在高阶风险下两者趋同，这本身就是在调和这种潜在的张力，但并未从根本上挑战EUT的适用性。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- $A$: 绝对风险厌恶度 (ARA)，$A = -u''(x) / u'(x)$。
- $P$: 绝对审慎度 (AP)，$P = -u'''(x) / u''(x)$。
- $T$: 绝对节制度 (AT)，$T = -u''''(x) / u'''(x)$。（注意分母依次是低一阶导数，使得这些系数与 $x$ 同阶）
- $u(x)$: 个体的冯·诺依曼-摩根施泰因 (vNM) 效用函数，定义在财富 $x$ 上。目标是估计其高阶导数。
- $ (Lottery, Lottery') $: 一次彩票选择。每一次选择包含两个彩票（例如，一个确定支付和一个风险选项，或两个风险选项）。每个彩票的特征由其可能的结果和对应的概率分布描述。
- $\varepsilon_{ij}$: 随机误差项，反映被试 $i$ 在第 $j$ 次选择的错误/偏差。结构估计中常用logit或probit模型建模选择概率。
- $\beta$: 待估参数向量，包含效用函数中表示ARA, AP, AT的参数（而不是这些量本身，它们是$\beta$的函数）。
模型：
- 数据生成机制：个体决策基于期望效用最大化。给定彩票 $L$，其期望效用是 $U(L) = \int u(x) dF_L(x)$，其中 $F_L$ 是彩票结果的累积分布函数。个体比较两个彩票的期望效用差。其观测到的选择（选择彩票1或彩票0）服从一个以该效用差为自变量的logistic 分布（Logit模型）：
  \[P(\text{选择彩票1}) = \frac{\exp(\mu[U(L_1) - U(L_0)])}{1 + \exp(\mu[U(L_1) - U(L_0)])}\]
  其中 $\mu$ 是噪声参数（噪声越大，$\mu$越小，选择概率越接近1/2）。
- 参数效用函数：作者假设了（一阶或二阶）多项式形式的效用函数来近似 $u(x)$，例如一个4次多项式（足以建模最高阶的节制）：
  \[u(x) = \alpha_0 + \alpha_1 x + \alpha_2 x^2 + \alpha_3 x^3 + \alpha_4 x^4\]
  ARA, AP, AT 则是这些系数的一个函数（依赖于 $x$）。例如，$A(x) = \frac{-2\alpha_2 - 6\alpha_3 x - 12\alpha_4 x^2}{\alpha_1 + 2\alpha_2 x + 3\alpha_3 x^2 + 4\alpha_4 x^3}$。这种参数化保证了 ARA, AP, AT 在 $x$ 上是个变量（随收入变化），而非常数。另外需要一些归一化条件（如 $\alpha_1 > 0$，以保证边际效用为正；常常设 $\alpha_0=0$ 并缩放系数使第一个非线性的项为1，以保证可识别）。
可观测数据：
- 结果：对于每个被试 $i$，对每对彩票 $j$，我们观测到一个二元选择变量：$y_{ij} \in \{0, 1\}$。
- 设计：我们知道每对彩票的结果和概率（这是由实验者设定的）。
- 不可观测/潜在量：个体的真实效用函数 $u(x)$、待估参数 $\beta = (\alpha_1, \alpha_2, \alpha_3, \alpha_4, \mu)$、决策时的随机误差 $\varepsilon_{ij}$。

第二步：讲最小内核¶

为了理解全文的核心思路，我们取最简情形：一名被试，只关心他的风险厌恶度（ARA），忽略审慎和节制。赌局：一个确定金额 $X$ 与一个等期望值的50-50赌博（比如 $\$100$ 与 $\$0$）。

问题：我们想估计出被试的绝对风险厌恶度 $A$，且我们希望 $A$ 不是一个常数，而是随他的财富 $x$ 变化的。
最小特例（二项选择 Logit 模型 + 线性效用函数近似），包含一个“最简单的”允许 $A(x)$ 随 $x$ 变化的模型：
1. 假设效用函数：使用一个在财富 $x$ 附近泰勒展开逼近的二次函数（16章经典做法：$u(x) \approx u(x_0) + u'(x_0)(x - x_0) + \frac{1}{2} u''(x_0)(x - x_0)^2$）。但这导致 $A(x)$ 是常数（因为 $u''/u'$ 在这一点上是固定的）。要让 $A(x)$ 变化，我们通常需要三次项（见后文），但最简的能偏转 $A(x)$ 的是假设 $u(x) = \alpha_1 x - \alpha_2 x^2$（忽略常数和可能的常数$u'$），其中 $\alpha_1>0, \alpha_2 >0$。此时 $A(x) = \frac{2\alpha_2}{\alpha_1 - 2\alpha_2 x}$。这里$A$就依赖$x$了！
2. 实验设计：设彩票 $A$ 是决定性的 $\bar{x}$，彩票 $B$ 是50-50赌博 $(\bar{x} + \sigma, \bar{x} - \sigma)$。两个彩票的期望值相同：$\bar{x}$。风险厌恶者会在 $A$ 和 $B$ 之间不偏好（风险厌恶者通常会选择$A$，风险偏好者选择$B$）。
3. 估计（最小二乘思想的最简化版）：
  - 假设只有一个被试，只给他一个特定水平的 $\bar{x}$ 和一个赌博波动$\sigma$，重复 $N$ 次。他每次会做出 $N$ 个0/1选择（是选确定性项 $\bar{x}$ 还是赌博 $\bar{x} \pm \sigma$）。
  - 根据Logit模型，他选择确定性项的概率是：
    \[p = \frac{\exp(\mu [u(\bar{x}) - \frac{1}{2}u(\bar{x}+\sigma) - \frac{1}{2}u(\bar{x}-\sigma)])}{1 + \exp(\mu [u(\bar{x}) - \frac{1}{2}u(\bar{x}+\sigma) - \frac{1}{2}u(\bar{x}-\sigma)])}\]
  - 我们在 $\sigma$ 很小的时候，对 $u$ 做二阶泰勒展开，期望效用差异近似为 $-\frac{1}{2} u''(\bar{x}) \sigma^2$，所以 $\Delta U \approx -u''(\bar{x}) \sigma^2 / 2$。
  - 如果给他多个不同的 $\bar{x}$ （例如 $\bar{x} = 100, 500, 1000$），就能观察到 $p$ 是如何随 $\bar{x}$ 变化的。通过这个 $p$ 的观测，我们可以反过来解出 $\alpha_1, \alpha_2$（因 $\Delta U$ 是 $\alpha_1, \alpha_2$ 和 $\bar{x}$ 的函数）。这个估计过程本质上就是：将$\Delta U$对$\sigma^2$进行概率加权回归**，一步得到风险厌恶。这是效用函数参数识别的经典方法。
4. 内核扩展到高阶（从二次到三次/四次，本质还是这个套路）：
  - 核心扩展是：为了识别出审慎 (Prudence)（即 $u'''(x)$ 或 AP），需要设计不改变方差，但改变偏度的赌博。例如，引入第三个结果，构造歪度赌博。
  - 更高阶的节制 (Temperance)（$u''''(x)$ 或 AT），需要设计改变峰度（但保持均值和方差）的赌博（如经典的“高阶梯形赌博”）。
  - 关键数学困难：在实际Logit模型里，不再是用单个δU ≈ 牵涉高阶导数，而是要直接计算整个赌博的期望效用（通过指数函数），并从似然函数中同时估计 $\{\alpha_1, \alpha_2, \alpha_3, \alpha_4\}$。这就是从“最小二乘回归”升级到“多项式的非线性最小二乘/MLE”。论文的“贡献”正在于成功地（在中等样本下）同时估计了这样多个参数。
5. 一句话核心思路（经理解）：人为制造不同序数的随机波动赌博（变化方差/偏度/峰度），使得不同高阶风险态度对赌局价值的影响被分离出来。再通过一个结构性的Logit似然，一次性、无限制地估计出可以生成这种差异的效用函数各阶系数。

三、这篇论文做了什么¶

三句话
1. 研究问题：在EUT框架下，通过一个新颖的彩票选择实验，同时、无偏地估计出个体的绝对风险厌恶（ARA）、绝对审慎（AP）和绝对节制（AT）指数，并揭示它们随收入的变化模式。
2. 核心工具/方法：实验设计产生19个彩票对（包含能分离不同风险阶数的赌博），配以一个结构性Logit计量模型，其中效用函数采用高次多项式（至四次项） 参数化，允许高阶风险指数随收入变化。
3. 主要结论：三个风险指数在收入上呈现不同的变化模式（非协同变化）；EUT和RDU预测的风险溢价在高阶风险上趋同；常规CRRA等参数函数会严重混淆和误导对审慎和节制的估计。
关键设定与假设
1. 设定：一次实验室实验，每位被试做出19个二元彩票选择。彩票结果直接用$（实付金额）表示，无状态变量。作者假设了EUT是主导决策模型。
2. 效用函数假设：$u(x) = \alpha_1 x + \alpha_2 x^2 + \alpha_3 x^3 + \alpha_4 x^4$ 标准化为 $\alpha_1=1$（边际效用为正）。这是一个重要的参数强假设：它假定效用函数可以被一个四次多项式完美刻画。相比已有文献：1）它比CRRA ($u(x) = x^{(1-\gamma)}/(1-\gamma)$) 更灵活（因为高阶项给出了捕捉偏度/峰度高阶导数的能力）。2）它不如半参数方法的灵活（半参数会惩罚多项式的高阶项，使用更少的自由参数，但更依赖样本量）。本文的选择是：为了在小样本中稳定估计，牺牲了更灵活的函数形式。
3. 实验设计：19个赌局精心构造，确保有足够的变异来识别出各阶导数。关键的一个假设是：期望效用是决策的确定性部分，而随机误差（Logit噪声）是独立同分布的。作者敏感性检验了其他误差结构（如异质性），结论稳健。
4. 其他假设：个体决策是理性、独立的（无学习效应）；所有彩票结果都是“现金等价”，而非情境化的消费。
主要结果
- 参数估计：估计出$\alpha_2, \alpha_3, \alpha_4$（及噪声参数$\mu$）。ARA, AP, AT均值都显著为正（风险厌恶、审慎、节制）。最有趣的是：它们随收入$x$的变化模式不同。例如，ARA随收入增加下降（通常发现），但AP和AT在某些区间上升——表明在经济条件好时，个体更审慎、更节制，但风险的厌恶程度下降，这是传统理论（认为三者高度相关）所不能预测的。
- 与RDU的比较：在低阶（风险厌恶层面），两个模型预测的风险溢价差异很大；但随着风险阶数升高（审慎→节制），EUT与RDU的预测逐渐收敛。这意味着在高阶风险决策上，期望效用假设可能是一个合理的一阶近似，而行为学上的洞见（概率扭曲）主要是在处理普通风险（低阶）时才重要。
- CRRA的偏误：在CRRA假设下，被估计出的ARA决定了审慎和节制的符号（总是为正）。但本文的结构估计发现，当其放松这一受限关系时，部分被试的AP和AT估计值会变号。这说明，CRRA等参数函数将绝对风险厌恶的上升，错误地推断为审慎和节制的强化，导致了系统性偏差。作者提供了一个直接的数值例子说明这一点。
- 样本稳健性：即便使用中等样本（每个被试只做19次选择），参数估计的标准误差仍然可控，说明该方法对实验设计的依赖足够有效，可以推广到大规模研究。
证明路线与技术技巧（这里不是严格的数学证明，而是计量估计的逼近路线）
1. 整体路线：
  - 第一步：构造似然函数。给定参数 $\{\alpha_1=1, \alpha_2, \alpha_3, \alpha_4, \mu\}$，和实验设计中的每一个彩票对 ${L_{1j}, L_{0j}}$，我们可以精确计算预期效用，进而计算Logit选择概率。
  - 第二步：对每个被试，将所有19个二元选择 {0/1} 的概率乘法起来，得到该被试的似然函数（假设观测独立）。
  - 第三步：对所有被试的似然函数求和，用非线性求解器（如高斯-牛顿法）最大化对数似然，得到$\widehat{\alpha_i}$。
  - 第四步：用这些$\widehat{\alpha_i}$，计算估计的ARA, AP, AT函数（在每一个收入的百分位点），并计算其标准误（通过delta method或bootstrap）。
2. 关键跳跃点：
  - 对高阶参数去耦：最大似然的成功不保证参数是正交的。文中提到模型允许ARA、AP、AT“w无限制相互依赖”。这如何做到？答案在于实验设计：作者设计的赌博序列，不仅仅改变方差（影响$u''$），也在其他阶风险上引入足够的变化（改变偏度/峰度），以使得似然函数面有足够的曲率来同时识别 $\alpha_2, \alpha_3, \alpha_4$。如果赌博只改变方差，那么$\alpha_4$的识别度就会极差（似然面平坦），导致估计失败。所以，实验设计是整个结构估计第一个、也是最关键的跳跃点。
  - 有限样本下的参数稳定性：在只有19次选择/被试的小样本下，同时估计5个参数（$\mu, \alpha_2, \alpha_3, \alpha_4$）是很不稳定的（多解、边界解）。作者很可能通过仔细调整初始设定和求解器稳定性，并做了大量Monte Carlo实验验证了这一点（文章提到在“中等样本下保持稳健”）。
3. 技术技巧：
  - Logit模型：这是分析二元选择的标准计量工具。其作用是把确定性的期望效用差异（通过微积分或求和计算）转化为概率。
  - 非线性最小二乘/最大似然：这是估计工具，利用一阶条件和牛顿法迭代。
  - Delta Method / Bootstrap：用于从估计的参数 $\widehat{\alpha_i}$ 中计算 ARA, AP, AT 的置信区间（这些是参数的复杂非线性函数）。
  - 多项式参数化：核心技巧是精心选择了多项式作为效用函数。这允许 ARA, AP, AT 可以随 $x$ 变化（这是通过非零的三次项 $\alpha_3$ 和四次项 $\alpha_4$ 实现的），从而打破了CRRA下的常数限制。这实际上是运用了“参数化的灵活逼近”思想。
真实例子与应用

该论文就是一个实证应用。它使用了一个真实实验室实验的数据： - 数据：来自于在丹麦高校进行的实验，被试是学生或有偿参与者。实验通过投骰子/摸球等方式产生彩票结果（结果直接与金钱挂钩）。 - 如何应用：如上所述，对每一个被试的19次选择独立地计算选择概率，并汇总为似然函数进行最大似然估计。作者还比较了在不同收入分组下的结果。 - 结果：展示了ARA, AP, AT的估计值（中位数、均值，以及分位数的箱线图或平滑图），并定量对比了EUT和RDU下的风险溢价。 - 该例子想说明什么：主要想证明方法的可行性和有效性。它想展示： 1. 该方法能在真实数据中工作（估计收敛、标准误合理）。 2. 带来了新发现（三个风险态度的非同步变化、EUT和RDU在高阶上的收敛），这些发现如果只使用CRRA就会被完全掩盖。 3. 稳健性：结论不受限于中等样本量，因此可以扩展到更大的、应用到跨领域的后续研究中。
🔎 结论是否比证明窄

是的，需要注意以下窄的地方： - 行为模型的局域性：结论声称“找到了风险厌恶，审慎，节制随收入的变化模式”，但这个模式是完全基于EUT假设的。作者没有证明如果把EUT换成前景理论/时序偏好等其它模型，这个变化模式依然存在。他们只是在EUT特有框架内比较了RDU。 - 函数形式的限制：“无偏估计”的说法是相对于实验设计和参数化模型而言的。这个“无偏”是说不受CRRA这种捆绑约束的偏误。但它是有模型偏误的——如果真实的$u(x)$不可以用四次多项式逼近，那么估计出的ARA, AP, AT就会偏离真实值。文章只是提到“CRRA的偏误”，但并没有提供非参数基准来证明其多项式近似没有引入其他偏误。所以，狭义的结论是：“在一个四次多项式EUT模型下，我们发现……”比宣称“真实的高阶风险态度是……”更准确。 - 因果推断问题：虽然方法叫做“结构性估计”，但估计过程并未解决内生性问题。例如收入可能是内生的（个人的财富水平和风险态度相互影响），但实验设计中收入是实验者给定的初始票赋，不涉及真实的、经历过的、选择过的财富。所以，这些系数估计值捕捉的是某个给定财富水平下的个体差异，而非一个处置效应。这是所有实验经济学内的结构性估计都有的限制。

四、开放问题¶

跨域泛化（扎根于：文末未来工作）：本文只估计了一组特定被试在一种特定的风险情境下的态度。关键开放问题：这些估计出的ARA, AP, AT是否能泛化（迁移）到其他决策领域（如健康保险选择、退休储蓄分配、职业选择），或者说，这些风险态度是领域特异性的吗？这需要设计一个多域实验，然后用多元结构性模型来处理。
处理个体异致性（扎根于：假设个体差异有限；结构性模型通常假设同质参数）：文中估计时假设所有被试共享同一套 $\alpha$ 系数（ARA, AP, AT函数相同，只是受初始票赋影响表现不同）。一个明显的扩展是：引入随机系数模型，允许每个个体有自己的 $\alpha_i$，从而考察最终发现的“非同步模式”是个体层面的普遍特征，还是被平均掩盖了。这需要更大的样本量和更复杂的计算（蒙特卡洛模拟或贝叶斯方法）。
放松多项式假设（扎根于：核心假设——效用函数为四次多项式）：文中结论对效用函数形式有多敏感？一个自然延伸是：在估计中使用半参数样条（M-样条或B-样条）逼近效用函数，放松全局四次多项式的限制，看看ARA, AP, AT的收入变异性是否仍成立，以及是否会出现新的模式。这需要在MLE框架内处理平滑项惩罚（如使用最大似然的惩罚似然，或贝叶斯样条）。
信息-计算权衡（扎根于：研究者兴趣，和一次实验估计5个参数的难度）：在只有19个选择/被试的情况下，识别3个效用参数（$\alpha_2, \alpha_3, \alpha_4$）加上噪声参数$\mu$（共4个参数）。这本质上是一个高维参数化在小样本下的估计问题。实验设计已经做了很多功，但它是否最优？是否存在实验设计方案，在恒定试验次数下最大化对高阶参数的统计识别力？这个问题可以转化为一个最优实验设计的优化问题，其在渐近理论端的极大信息矩阵+fisher信息阵——但在有限样本下会面临最优设计的计算复杂度随参数维度指数爆炸（组合爆炸）的困难。这个可能链接到研究者极感兴趣的“统计-计算权衡”：一个“统计上最优的”实验设计（最大化信息矩阵的行列式）可能对于被试而言过于复杂/荒谬/昂贵（无法实施），而一个近似最优的、可实施的实验设计，其统计性能损失了多少？——这是典型的信息-计算权衡问题。

Maintained by 陈星宇 · Homepage · Source on GitHub