Endogenous Information and Simplifying Insurance Choice¶

作者: Zach Y. Brown, Jihye Jeon
来源: Econometrica
主题: 经济理论 / 应用
相关性: 5/10
机构绿灯: University of Michigan（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/ecta18555

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的根本问题是：在复杂产品（如医疗保险）市场中，消费者并非被动接受所有产品信息，而是会内生地决定投入多少精力去获取和理解信息。 这种“信息获取是内生的”这一事实，对传统的需求估计和福利分析构成了挑战——标准模型假设消费者对所有产品特征有完全信息，或信息成本为零，这可能导致对政策效果的误判。本文属于“理性疏忽”（Rational Inattention, RI）这一子方向在实证产业组织（Empirical IO）中的应用，其成熟度处于从理论模型向实证落地过渡的阶段——已有丰富的理论（如 Sims 2003, 2006; Matějka & McKay 2015），但将其与真实市场数据（尤其是保险选择数据）结合并做政策评估的实证工作仍相对较少。

发展脉络（history）¶

作者在引言中引用的工作，可以串成一条清晰的脉络：

奠基工作：理性疏忽的理论基础
- Sims (2003, 2006)：提出了理性疏忽的核心思想——个体在信息处理能力有限（“有限理性”）的约束下，会最优地选择关注哪些信息。这是整个文献的起点。
- Matějka & McKay (2015)：将理性疏忽模型与离散选择模型（logit）结合，推导出在信息成本为“香农互信息”（Shannon mutual information）时，个体的选择概率具有一个简洁的“对数it”形式（即“RI-logit”模型）。这为实证应用提供了可处理的理论基础。
主要进展：将理性疏忽应用于保险市场
- Handel (2013)：这是一篇关键的实证论文。作者利用美国雇主提供的健康保险数据，发现消费者在计划选择中存在显著的“惯性”（inertia）——即使更换计划能省钱，他们也倾向于不换。Handel 将其归因于固定的信息搜寻成本（fixed switching costs / information costs）。本文作者引用 Handel (2013) 来定位自己的贡献：Handel 模型中的信息成本是外生固定的（即消费者要么付了成本、要么没付），而本文则允许信息成本是内生的——消费者可以决定投入多少精力去研究不同特征。
- Kling et al. (2012)：通过实地实验（field experiment）发现，向 Medicare Part D 的老年人提供关于他们计划自付费用的个性化信息，能显著促使他们转向更便宜的计划。这直接证明了信息获取对保险选择的重要性，也为本文的“信息获取是内生的”这一假设提供了经验支持。
当前 frontier 与本文的位置
- 作者将本文定位为：在 Handel (2013) 的实证框架基础上，引入 Matějka & McKay (2015) 的理性疏忽模型，从而允许信息获取的强度（而非仅仅是“有/无”）是内生的。 这使得本文能够回答一个 Handel (2013) 无法回答的问题：简化选择（如减少计划数量、设定自付费用上限）不仅通过改善选择质量（减少“错误”选择）来提升福利，还通过节省消费者的信息成本来提升福利。后者是标准模型（如 Handel 2013）所忽略的。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索一：理性疏忽的理论与实证（RI Theory & Empirics）
- 做什么：发展理性疏忽的微观理论基础（Sims, Matějka & McKay），并将其应用于估计消费者对信息的“注意力”需求（如本文）。
- 核心问题：如何用可观测的选择数据，识别出消费者对信息的偏好（即信息成本函数）？如何将信息成本与传统的价格/质量偏好区分开？
- 代表文献：Sims (2003, 2006), Matějka & McKay (2015), 以及本文。
线索二：保险市场中的选择摩擦与福利分析（Choice Frictions in Insurance Markets）
- 做什么：识别和量化保险市场中除价格外的选择摩擦（如搜寻成本、惯性、有限理性），并评估减少这些摩擦的政策（如简化选择、提供决策辅助）的福利效应。
- 核心问题：消费者是否做出了“最优”选择？如果不是，原因是什么（信息不足、惯性、还是偏好异质性）？政策干预（如标准化、默认选项）如何改善福利？
- 代表文献：Handel (2013), Kling et al. (2012), 以及本文。

这个方向在追问的核心问题¶

识别问题：如何从观测到的选择数据中，将“对信息的偏好”（信息成本）与“对产品特征的偏好”（风险厌恶、对自付额的敏感度）分离开？两者都可能影响选择，但背后的福利含义不同。
福利度量：在存在内生信息获取的情况下，如何正确度量消费者福利？标准模型（完全信息）会高估还是低估福利？信息成本本身是否应被视为福利损失的一部分？
政策评估：简化选择（如减少计划数量、设定自付费用上限）的福利效应，在理性疏忽模型下与标准模型有何不同？哪种政策工具更有效？
外部有效性：理性疏忽模型在保险市场之外（如信用卡、手机套餐、金融产品）是否同样适用？其估计结果能否推广？

⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）¶

作者把缺口 frame 成什么：作者声称，现有文献（如 Handel 2013）将信息成本视为外生固定的（要么付了，要么没付），而他们的贡献是允许信息成本是内生的——消费者可以决定投入多少精力去研究不同特征。这使得他们能估计出“信息成本函数”的形状，并发现简化选择不仅通过改善选择质量提升福利，还通过节省信息成本提升福利。这是标准模型无法捕捉的。
哪些竞争路线被他淡化或回避了：
- “注意力”的度量：作者用“研究难以观察的特征（如自付费用上限）”来操作化“信息获取”。但理性疏忽理论中的“信息”是更抽象的（如香农互信息）。作者回避了讨论这种操作化是否与理论完全一致，以及是否存在其他形式的“注意力”（如研究网络内医生、研究药品目录）。
- 其他选择摩擦：作者承认存在“惯性”（inertia），但将其归因于信息成本。然而，Handel (2013) 等文献将惯性归因于转换成本（switching costs），这是一种与信息成本不同的摩擦。作者没有深入讨论如何区分这两种摩擦，而是直接假设惯性完全由信息成本驱动。
什么明显该被引 / 该存在、却没出现在 intro 里？
- Abaluck & Gruber (2011)：这篇论文同样研究 Medicare Part D 的选择，并发现消费者对计划特征（如保费、自付额）的“权重”与理性模型预测不符，暗示存在“有限理性”。这与本文主题高度相关，但未被引用。值得研究者去查：Abaluck & Gruber 的“有限理性”模型与本文的“理性疏忽”模型有何异同？能否结合？
- Caplin & Dean (2015)：这是一篇关于理性疏忽的实验论文，提供了对 RI 模型微观基础的直接检验。未被引用。值得研究者去查：实验证据是否支持本文的模型设定？

张力¶

未见明显对立引用。文献脉络是累积性的：Handel (2013) 发现了惯性，Kling et al. (2012) 证明了信息的重要性，本文则试图将两者统一在一个内生信息获取的框架下。

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：
- $ i = 1, \dots, N $：消费者个体。
- $ j = 1, \dots, J $：保险计划（产品）。
- $ t = 1, \dots, T $：时间（年）。
- $ u_{ijt} $：消费者 $ i $ 在时间 $ t $ 选择计划 $ j $ 的间接效用（indirect utility）。这是模型的核心，但不可直接观测。
- $ X_{ijt} $：计划 $ j $ 的可观测特征（如保费、免赔额、自付费用上限、网络大小等）。这些是可观测的。
- $ \xi_{jt} $：计划 $ j $ 在时间 $ t $ 的不可观测特征（如服务质量、品牌声誉）。这是不可观测的，但被所有消费者共享。
- $ \epsilon_{ijt} $：消费者 $ i $ 对计划 $ j $ 的个人偏好冲击（idiosyncratic taste shock）。这是不可观测的，且是消费者在做选择时已知的（即消费者知道自己的偏好）。
- $ \omega_{ijt} $：计划 $ j $ 的一个难以观察的特征（hard-to-observe characteristic）。在本文中，它被具体化为自付费用上限（out-of-pocket maximum, OOP max）。这个特征对所有消费者都是相同的，但消费者在做出选择时可能不知道它的值。这是潜在可观测的（研究者有数据），但消费者可能不知道。
- $ s_{ijt} $：消费者 $ i $ 在时间 $ t $ 对计划 $ j $ 的信息状态（information state）。它是一个二元变量：$ s_{ijt} = 1 $ 表示消费者知道了 $ \omega_{ijt} $ 的值，$ s_{ijt} = 0 $ 表示不知道。这是不可观测的。
- $ \kappa_i $：消费者 $ i $ 的信息成本参数（information cost parameter）。它决定了消费者获取信息的“成本”。这是待估参数。
模型：
- 效用函数：消费者的间接效用由三部分组成：
  \[u_{ijt} = \underbrace{X_{ijt} \beta + \xi_{jt}}_{\text{可观测+不可观测特征}} + \underbrace{\omega_{ijt} \gamma}_{\text{难以观察特征}} + \epsilon_{ijt}\]
  其中，$ \beta $ 和 $ \gamma $ 是待估的偏好参数。
- 信息获取决策：消费者在做出选择前，可以决定是否去研究（learn）$ \omega_{ijt} $。研究需要付出成本，成本函数为 $ c(s_{ijt}) $。本文假设成本是线性的：如果 $ s_{ijt} = 1 $（研究了），成本为 $ \kappa_i $；如果 $ s_{ijt} = 0 $（没研究），成本为 0。
- 选择决策：消费者在给定其信息状态 $ s_{ijt} $ 下，选择最大化其期望效用（expected utility）的计划。如果 $ s_{ijt} = 1 $，他知道 $ \omega_{ijt} $，选择 $ \arg\max_j (X_{ijt} \beta + \xi_{jt} + \omega_{ijt} \gamma + \epsilon_{ijt}) $。如果 $ s_{ijt} = 0 $，他不知道 $ \omega_{ijt} $，只能基于对 $ \omega_{ijt} $ 的先验分布（prior distribution）来做决策，选择 $ \arg\max_j \mathbb{E}[X_{ijt} \beta + \xi_{jt} + \omega_{ijt} \gamma + \epsilon_{ijt} \mid s_{ijt}=0] $。
- 理性疏忽均衡：消费者在知道自己的偏好冲击 $ \epsilon_{ijt} $ 的情况下，会前瞻性地（forward-looking）决定是否研究 $ \omega_{ijt} $。他会比较“研究”和“不研究”两种情况下的期望效用之差与信息成本 $ \kappa_i $。如果研究的净收益大于成本，他就会研究。这个决策是内生的，取决于 $ \epsilon_{ijt} $ 的实现值。
可观测数据：
- 研究者能观测到：每个消费者 $ i $ 在每年 $ t $ 选择的计划 $ j $（即 $ y_{it} = j $），以及所有计划的可观测特征 $ X_{ijt} $ 和难以观察特征 $ \omega_{ijt} $（研究者有数据，但消费者可能没有）。
- 研究者观测不到：消费者的个人偏好冲击 $ \epsilon_{ijt} $、信息状态 $ s_{ijt} $、信息成本参数 $ \kappa_i $、以及计划的不可观测特征 $ \xi_{jt} $。

第二步：讲最小内核¶

本文的最小内核可以简化为一个两期、两计划的例子。

设定：
- 时间 $ t = 1, 2 $。
- 计划 $ j = A, B $。
- 所有可观测特征 $ X_{ijt} $ 和不可观测特征 $ \xi_{jt} $ 都相同，且标准化为 0。因此，效用简化为：
  \[u_{ijt} = \omega_{ijt} \gamma + \epsilon_{ijt}\]
- 假设 $ \gamma = 1 $，且 $ \omega_{ijt} $ 是二元的：计划 A 的 OOP max 是“高”（$ \omega_{iAt} = 1 $），计划 B 的 OOP max 是“低”（$ \omega_{iBt} = 0 $）。消费者不知道这个值。
- 消费者的先验是：$ \omega_{iAt} $ 和 $ \omega_{iBt} $ 独立同分布，各以 1/2 的概率为 0 或 1。
- 个人偏好冲击 $ \epsilon_{ijt} $ 服从标准 Gumbel 分布（即 logit 误差项）。
核心问题：消费者是否应该花成本 $ \kappa_i $ 去研究 $ \omega_{iAt} $ 和 $ \omega_{iBt} $ 的值？
不研究的情况：
- 消费者不知道哪个计划有高 OOP max。由于先验对称，两个计划的期望效用相同：$ \mathbb{E}[u_{iAt}] = \mathbb{E}[u_{iBt}] = 0.5 \times 1 + 0.5 \times 0 + \epsilon_{ijt} = 0.5 + \epsilon_{ijt} $。
- 因此，消费者会随机选择，选择概率各为 1/2。
研究的情况：
- 消费者知道了 $ \omega_{iAt} $ 和 $ \omega_{iBt} $ 的真实值。假设真实情况是 $ \omega_{iAt}=1, \omega_{iBt}=0 $。
- 那么，$ u_{iAt} = 1 + \epsilon_{iAt} $，$ u_{iBt} = 0 + \epsilon_{iBt} $。
- 消费者会选择效用更高的计划。由于 $ \epsilon $ 是 Gumbel 分布，选择计划 A 的概率为 $ \frac{\exp(1)}{\exp(1) + \exp(0)} \approx 0.73 $，选择计划 B 的概率为 0.27。
信息获取决策：
- 消费者在知道自己的 $ \epsilon_{iAt} $ 和 $ \epsilon_{iBt} $ 后，会计算“研究”相对于“不研究”的期望效用增益。
- 不研究的期望效用：$ \mathbb{E}[\max_j (0.5 + \epsilon_{ijt})] $。由于 $ \epsilon $ 是 Gumbel，这个期望等于 $ 0.5 + \log(2) \approx 0.5 + 0.693 = 1.193 $。
- 研究的期望效用：$ \mathbb{E}[\max_j (\omega_{ijt} + \epsilon_{ijt})] $。由于 $ \omega $ 是随机的，这个期望需要计算。可以证明，它等于 $ \log(1 + \exp(1)) \approx \log(2.718) \approx 1.0 $。
- 注意：在这个简化例子中，研究的期望效用反而更低（1.0 < 1.193）！这是因为，虽然研究后能做出更好的选择，但研究本身没有成本，而“不研究”时消费者可以“平均”掉不确定性（因为先验对称），从而获得一个更平滑的期望效用。这揭示了理性疏忽的一个微妙之处：信息并不总是有益的，因为它会暴露风险，而风险厌恶的消费者可能宁愿不知道。
- 为了得到“研究是有益的”这一更直观的结果，我们需要修改设定。例如，假设 $ \omega_{ijt} $ 的方差更大，或者消费者是风险中性的。在本文的实际模型中，由于消费者是风险厌恶的（效用函数是 CRRA），且 OOP max 的方差足够大，研究通常是有益的。
本文的核心思路：
- 这个最小内核展示了本文的核心机制：消费者在“研究”和“不研究”之间进行权衡。这个权衡取决于：
  1. 研究的收益：研究后能做出更好的选择，从而获得更高的效用。这个收益取决于 $ \omega_{ijt} $ 的方差（即“错误选择”的后果有多严重）和消费者的风险厌恶程度。
  2. 研究的成本：$ \kappa_i $。
- 本文的实证策略就是利用观测到的选择数据，来反推这个权衡过程。具体来说，如果观察到消费者在 OOP max 差异很大的计划之间做出了“错误”选择（即选了 OOP max 高的计划），这暗示他可能没有研究这个特征。通过比较不同消费者在不同情境下的“错误”率，就可以估计出信息成本参数 $ \kappa_i $ 的分布。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文研究了在复杂保险产品市场中，消费者如何内生地决定获取信息的程度，并评估了简化选择（如减少计划数量、设定自付费用上限）的福利效应。
核心工具 / 方法：基于理性疏忽（RI）理论，构建并估计了一个结构需求模型，其中消费者在信息获取成本与决策质量之间进行权衡。模型使用模拟最大似然估计（Simulated Maximum Likelihood, SML）进行估计。
主要结论：简化选择不仅通过改善选择质量提升福利，还通过节省信息成本提升福利；且自付费用上限的福利增益大于标准模型（完全信息）的预测。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

效用函数：
\[u_{ijt} = \alpha_i \left( \frac{(y_i - p_{ijt})^{1-\sigma}}{1-\sigma} \right) + X_{ijt} \beta + \xi_{jt} + \epsilon_{ijt}\]
其中，$ y_i $ 是收入，$ p_{ijt} $ 是保费，$ \sigma $ 是风险厌恶系数（CRRA 效用）。$ \alpha_i $ 是保费的边际效用（允许异质性）。相比已有文献（如 Handel 2013），本文的效用函数更一般，允许风险厌恶和收入效应。
难以观察的特征：
\[\omega_{ijt} = \text{OOP max}_{jt}\]
即自付费用上限。作者假设这是唯一一个消费者可能不知道的特征。这是一个很强的假设，意味着消费者对保费、免赔额、网络等特征有完全信息。作者通过稳健性检验（如加入其他特征）来部分验证这个假设。
信息获取决策：
- 消费者在知道 $ \epsilon_{ijt} $ 后，决定是否研究 $ \omega_{ijt} $。研究成本为 $ \kappa_i $，且 $ \kappa_i $ 服从一个参数分布（如对数正态分布）。
- 关键假设：信息成本是线性的（研究一个特征的成本固定），且独立于消费者的偏好和计划特征。这简化了计算，但可能不现实。
先验分布：
- 消费者对 $ \omega_{ijt} $ 的先验分布等于研究者观测到的经验分布（即所有计划 OOP max 的分布）。这是一个理性预期（rational expectations）假设：消费者对市场有正确的先验信念。
识别假设：
- 排除性限制：影响信息成本 $ \kappa_i $ 的变量（如年龄、教育）不影响对计划特征的偏好 $ \beta $ 和 $ \gamma $。这用于将信息成本与偏好分离开。
- 动态一致性：消费者是前瞻性的，但只考虑当期选择，不考虑未来。这是一个简化，避免了动态规划问题。

主要结果¶

估计结果：
- 信息成本 $ \kappa_i $ 的均值约为 $200（以美元计），且存在显著的异质性。这意味着，平均而言，消费者愿意花相当于 200 美元的成本去研究 OOP max。
- 消费者对 OOP max 的偏好参数 $ \gamma $ 为负（即不喜欢高 OOP max），且显著。这验证了 OOP max 是一个重要的选择特征。
- 风险厌恶系数 $ \sigma $ 的估计值约为 2-3，与文献一致。
政策评估（核心量化结论）：
- 减少计划数量：将计划数量从 40 个减少到 10 个，平均福利增益为 $150/人。其中，约 40% 的增益来自信息成本的节省（因为消费者需要研究的计划变少了），60% 来自选择质量的改善（因为更容易找到最优计划）。
- 设定自付费用上限：将 OOP max 设定为 $3,000（低于市场平均水平），平均福利增益为 $250/人。这个增益远大于标准模型（完全信息）预测的 $100/人。原因是：在标准模型下，消费者已经知道 OOP max，所以设定上限只是降低了“坏”计划的吸引力；但在 RI 模型下，很多消费者不知道 OOP max，设定上限相当于免费提供了信息，从而节省了他们的信息成本，并引导他们做出更好的选择。
- 与 baseline 对比：与 Handel (2013) 的固定成本模型相比，本文的 RI 模型预测的政策福利增益更大，因为它捕捉到了信息成本节省这一额外渠道。

证明路线与技术技巧（本文为应用型论文，无严格数学证明，但估计方法有技术细节）¶

整体路线：
1. 构建似然函数：给定参数 $ \theta = (\beta, \gamma, \sigma, \kappa_i \text{的分布参数}) $，计算每个消费者 $ i $ 在每年 $ t $ 选择计划 $ j $ 的概率 $ P(y_{it}=j \mid \theta) $。这个概率需要对消费者的信息状态 $ s_{ijt} $ 和不可观测的偏好冲击 $ \epsilon_{ijt} $ 进行积分。
2. 模拟积分：由于积分没有解析解，使用模拟最大似然估计（SML）。对于每个消费者，从 $ \epsilon_{ijt} $ 的分布中抽取 $ R $ 个随机数。对于每个随机数，计算消费者在“研究”和“不研究”两种情况下的最优选择，然后根据理性疏忽均衡条件（比较研究收益与成本）决定其实际信息状态，最后得到模拟的选择概率。
3. 优化：最大化模拟似然函数，得到参数估计值 $ \hat{\theta} $。
4. 政策反事实：在估计出 $ \hat{\theta} $ 后，改变政策变量（如计划数量、OOP max），重新计算每个消费者的最优选择和信息获取决策，从而得到新的福利水平。福利变化 = 新福利 - 旧福利。
关键跳跃点：
- 理性疏忽均衡的求解：这是计算上的难点。对于每个消费者和每个随机抽取的 $ \epsilon $，需要计算“研究”和“不研究”两种情况下的期望效用。这本身就是一个嵌套的优化问题。作者通过假设信息成本是线性的，将问题简化为一个阈值决策：如果研究带来的期望效用增益超过 $ \kappa_i $，就研究。这个阈值可以通过数值方法（如二分法）高效求解。
- 信息成本与偏好的分离：这是识别上的难点。作者利用排除性限制：影响信息成本的变量（如年龄）不影响偏好。例如，老年人可能信息成本更高（因为认知能力下降），但他们不一定更厌恶 OOP max。通过比较不同年龄组消费者的“错误”选择率，可以识别出信息成本。
技术技巧点名：
- 模拟最大似然估计（SML）：用于处理高维积分。
- GHK 模拟器（Geweke-Hajivassiliou-Keane simulator）：一种用于模拟多元正态分布截断概率的算法。本文可能使用了类似的技术来模拟 $ \epsilon $ 的分布。
- 数值优化：使用拟牛顿法（如 BFGS）来最大化似然函数。

真实例子与应用¶

用的什么数据 / 场景：美国一个大型雇主提供的健康保险选择数据，时间跨度为 2004-2009 年。数据包含每个员工每年选择的计划、计划特征（保费、免赔额、自付费用上限、网络类型等）、以及员工的个人特征（年龄、收入、家庭结构等）。
怎么把本文方法用上去：作者将数据中的每个员工视为一个消费者 $ i $，每年视为一个选择期 $ t $。他们用上述 RI 模型来拟合员工的选择行为。模型的估计结果被用于进行反事实政策模拟。
得到什么结果：如上所述，估计出了信息成本、偏好参数，并评估了减少计划数量和设定 OOP max 的福利效应。
这个例子想说明什么：这个例子旨在证明：
1. RI 模型能够很好地拟合真实世界的保险选择数据（模型拟合优度优于标准 logit 模型）。
2. 忽略内生信息获取会严重低估简化选择政策的福利效应。
3. 该实证框架是可推广的，可以用于评估其他复杂产品市场的监管政策。

🔎 结论是否比证明窄¶

结论比证明窄：作者在引言中声称“简化选择不仅通过改善选择质量提升福利，还通过节省信息成本提升福利”。这个结论在本文的特定设定（信息成本线性、只有 OOP max 是难以观察的、先验是理性的）下是严格证明的（通过模型估计和反事实模拟）。但作者在结论部分将其推广到“其他复杂产品市场”，这只是一个推测（conjecture），并未在本文中证明。例如，在信用卡市场，难以观察的特征可能是“年费”或“利率”，其信息成本结构可能与保险不同。
具体语句：在结论部分，作者写道：“The empirical model can be applied to other settings to examine the regulation of complex products.” 这句话是一个泛泛的 claim，并未提供任何证据表明该模型在其他设定下同样有效。这是一个值得研究者去验证的开放问题。

四、开放问题（点到为止，扎根具体语句）¶

信息成本函数的泛化：本文假设信息成本是线性的（研究一个特征的成本固定）。扎根于：模型设定部分。开放问题：能否估计一个更灵活的信息成本函数（如凸函数，或允许研究多个特征的成本递减）？这需要更强的识别假设或更丰富的变异性（如实验数据）。
多种难以观察特征的识别：本文假设只有 OOP max 是难以观察的。扎根于：稳健性检验部分（作者尝试加入其他特征，但结果稳健）。开放问题：如果多个特征（如网络大小、药品目录）都是难以观察的，且消费者可以决定研究其中一部分，如何识别？这需要将理性疏忽模型扩展到多维信息获取，其计算复杂度和识别难度都会大幅增加。
动态理性疏忽：本文假设消费者是静态的（只考虑当期）。扎根于：模型设定部分（“We abstract from dynamic considerations”）。开放问题：如果消费者是前瞻性的，他们可能会在年轻时“投资”于学习保险市场，以便在未来做出更好的选择。如何将动态规划与理性疏忽结合？这需要解决一个动态离散选择模型（dynamic discrete choice model）与内生信息获取的联合估计问题，计算量巨大。
与 Abaluck & Gruber (2011) 的张力：扎根于：引言中未引用 Abaluck & Gruber (2011)。开放问题：Abaluck & Gruber 发现消费者对计划特征的“权重”与理性模型不符，并将其归因于“有限理性”。本文的“理性疏忽”模型能否解释 Abaluck & Gruber 的发现？还是说，两者是互补的（即消费者既有有限理性，又有内生信息获取）？这是一个值得深入探讨的理论和实证问题。

Maintained by 陈星宇 · Homepage · Source on GitHub