Revealing a preference for mixtures: An experimental study of risk¶

作者: Paul Feldman, John Rehbeck
来源: Quantitative Economics
主题: 经济理论 / 应用
相关性: 4/10
机构绿灯: Johns Hopkins University（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/qe1694

一、领域脉络与小综述¶

这个方向是什么¶

本文属于实验经济学中的显示偏好（Revealed Preference） 子方向，具体研究个体在风险（不确定性）下的决策行为。其根本问题是：能否仅通过观察个体在预算约束下的选择，来推断其潜在的偏好结构（尤其是是否违背期望效用理论）？ 当前该领域已从经典的确定性选择（如消费束）扩展到风险域，但核心方法——通过设计特定的预算集（如线性凸预算）来检验理论预测——是成熟的。本文的独特之处在于，它不满足于检验“是否违背期望效用”，而是进一步追问：如果违背，这种违背是否源于个体对“混合”（mixture）本身的偏好？ 这触及了非期望效用理论中一个更细粒度的行为机制。

发展脉络（history）¶

从引言和参考文献看，该领域的发展可大致分为三个阶段，本文位于第三阶段的末端，试图连接两个此前相对独立的线索。

奠基工作：显示偏好公理与期望效用检验
- Afriat (1967) 和 Varian (1982) 奠定了显示偏好理论的基础，提出了广义公理（GARP）等工具，用于从消费数据中检验效用最大化行为。这些工作主要针对确定性环境。
- Kahneman & Tversky (1979) 的前景理论（Prospect Theory）从心理学角度系统性地挑战了期望效用理论，揭示了确定性效应、损失厌恶等系统性偏差。这为后续实验研究提供了理论动机。
- Choi et al. (2007) 是本文直接对标的关键工作。他们首次在风险域中应用线性凸预算实验，让受试者在风险彩票之间做选择，并发现大量个体行为违背了期望效用理论。本文作者引用该文时指出，Choi et al. 的发现是“广泛的”（widespread），但并未深入探究违背的具体形式——这正是本文的切入点。作者认为，Choi et al. 的结论是“个体不满足期望效用”，而本文则要问“他们到底在做什么”。
主要进展：识别非期望效用行为的具体模式
- Polisson et al. (2020) 扩展了显示偏好方法，在风险域中检验了多种非期望效用模型（如失望厌恶、等级依赖效用等）。他们发现，虽然许多模型能比期望效用更好地拟合数据，但没有一个模型能完美解释所有个体的行为。这暗示了行为的异质性，并留下了“个体究竟遵循何种决策规则”的开放问题。
- Echenique & Saito (2015) 和 Echenique et al. (2018) 从理论上探讨了“混合偏好”（preference for mixtures）的概念，并将其与“随机化偏好”（preference for randomization）联系起来。他们证明，在某些条件下，对混合的偏好等价于对随机化的偏好。这为本文的实验设计提供了理论桥梁。作者引用这些工作时，将其定位为“理论上的联系”，而本文则试图通过实验来实证检验这种联系。
当前前沿与本文位置：连接“混合偏好”与“随机化偏好”
- Agranov & Ortoleva (2017) 和 Dwenger et al. (2018) 等实验工作研究了“随机化偏好”，即个体在重复的离散选择中倾向于随机化（例如，在相同情境下做出不同选择）。这些研究通常使用“重复离散选择”任务（如让受试者在两个固定彩票之间重复选择多次）。
- 本文的位置：作者将上述两条线索——凸预算实验中的混合偏好（来自Choi et al. 的范式）与重复离散选择中的随机化偏好（来自Agranov等人的范式）——直接连接起来。他们设计了一个实验，让同一批受试者同时完成这两种任务，然后检验个体层面的混合偏好与随机化偏好是否相关。这是本文的核心贡献：它不再是检验某个理论，而是实证地探索两种行为模式之间的关联。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索一：显示偏好与凸预算实验。这一簇的核心是方法：通过设计线性凸预算集，让受试者在大量彩票组合中做出选择，然后利用显示偏好公理（如GARP）来检验其行为是否与某个理论（如期望效用）一致。代表工作：Choi et al. (2007), Polisson et al. (2020)。本文继承了这一方法范式。
线索二：随机化偏好与重复选择实验。这一簇的核心是行为：研究个体在重复面对相同选择时，是否倾向于随机化（即不总是选同一个选项）。代表工作：Agranov & Ortoleva (2017), Dwenger et al. (2018)。本文试图将这一行为与线索一中的“混合偏好”联系起来。

这个方向在追问的核心问题¶

个体在风险下的选择，究竟在多大程度上违背了期望效用理论？ 这是最基础的问题，Choi et al. (2007) 等已给出肯定答案。
如果违背，其背后的行为机制是什么？ 是前景理论中的概率加权？是失望厌恶？还是对混合/随机化本身的偏好？本文聚焦于最后一种机制。
“混合偏好”与“随机化偏好”是同一回事吗？ 这是本文试图回答的核心实证问题。理论上有联系（Echenique & Saito, 2015），但实证上是否成立？
如何设计实验来区分这些不同的非期望效用机制？ 这是方法学上的核心挑战。本文通过结合两种实验范式来应对。

已知瓶颈：显示偏好方法虽然严谨，但只能检验“是否与某个理论一致”，而无法直接揭示“个体实际使用的决策规则”。此外，凸预算实验的结论高度依赖于预算集的设计和彩票的分布。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么：作者将缺口 frame 为“Choi et al. (2007) 发现了对期望效用的广泛违背，但未解释违背的具体形式”。本文则声称，通过引入“混合偏好”这一概念，并实证检验其与“随机化偏好”的相关性，可以部分解释这种违背。作者将本文定位为“对现有发现的深化和机制探索”。
哪些竞争路线被他淡化或回避了：作者明显淡化了其他非期望效用理论（如前景理论、失望厌恶）的解释力。引言中虽然引用了Polisson et al. (2020) 检验了多种模型，但并未深入讨论这些模型是否也能解释本文观察到的“混合偏好”现象。作者似乎默认，如果混合偏好与随机化偏好相关，那么“对混合的偏好”本身就是一个独立的、值得研究的机制，而不需要与前景理论等竞争。这是一种策略性的回避，将焦点完全集中在自己提出的机制上。
什么明显该被引 / 该存在、却没出现在 intro 里？ 一个明显的缺失是关于“混合偏好”的神经经济学或心理学文献。例如，有研究探讨个体是否从“混合”本身（即不确定性）中获得效用（如“不确定性寻求”）。这些文献可能为本文的发现提供更丰富的理论背景，但作者未引用。另一个缺失是关于“随机化偏好”的博弈论文献，其中随机化（混合策略）是纳什均衡的核心概念。这些文献可能讨论个体在博弈中随机化的动机，与本文的个体决策情境有所不同，但仍有潜在关联。这可能是作者有意为之，以保持论文的简洁和聚焦。

张力¶

未见明显对立引用。被引文献之间没有直接矛盾，更多是不同侧重点的互补。Choi et al. 发现了现象，Polisson et al. 检验了多种模型，Echenique等人提供了理论联系，Agranov等人研究了相关行为。本文试图将这些线索缝合起来。

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：
- 彩票 (Lottery)：$ L = (p_1, x_1; p_2, x_2; ...; p_k, x_k) $，表示以概率 $ p_i $ 获得结果 $ x_i $（通常为货币金额）。在本文实验中，彩票是二元的，即 $ L = (p, A; 1-p, B) $，其中 $ A $ 和 $ B $ 是两个固定的货币金额（如 $10 和 $0），$ p $ 是获得高金额 $ A $ 的概率。
- 预算集 (Budget Set)：$ B = \{ (p, 1-p) : p \in [p_{min}, p_{max}] \} $。在实验中，受试者面对一个线性凸预算，即他们可以在一个连续的概率区间内选择彩票。例如，预算线可能是 $ p \in [0.1, 0.9] $，意味着他们可以选择任何概率 $ p $ 在 0.1 到 0.9 之间的彩票 $ (p, A; 1-p, B) $。
- 选择 (Choice)：受试者从每个预算集中选择一个具体的彩票，即选择一个概率 $ p^* \in [p_{min}, p_{max}] $。这是可观测数据。
- 潜在偏好 (Latent Preference)：个体对彩票的偏好排序，用 $ \succsim $ 表示。这是不可观测的，只能通过其选择来推断。
- 期望效用 (Expected Utility, EU)：如果个体是期望效用最大化者，则其选择 $ p^* $ 应满足 $ p^* \in \arg\max_{p \in [p_{min}, p_{max}]} p \cdot u(A) + (1-p) \cdot u(B) $，其中 $ u(\cdot) $ 是冯·诺依曼-摩根斯坦效用函数。在本文的线性预算设定下，这意味着个体要么选择 $ p_{min} $，要么选择 $ p_{max} $，绝不会选择中间的概率（除非效用函数是线性的，即风险中性，但此时所有点无差异）。这是检验期望效用的关键。
- 混合偏好 (Preference for Mixtures)：指个体倾向于选择“混合”彩票，即选择 $ p $ 的中间值（如 $ p=0.5 $），而不是极端值（$ p_{min} $ 或 $ p_{max} $）。这是本文要测量的核心行为。
- 随机化偏好 (Preference for Randomization)：指个体在重复面对相同的离散选择时（如从两个固定彩票 $ L_1 $ 和 $ L_2 $ 中选一个），倾向于随机化，即有时选 $ L_1 $，有时选 $ L_2 $，而不是每次都选同一个。
模型：
- 本文没有提出新的统计模型。其“模型”是行为模型：个体在凸预算下的选择行为。核心假设是，如果个体是期望效用最大化者，其选择应落在预算集的边界（端点）。如果选择落在内部（即混合），则违背了期望效用。
- 作者进一步假设，这种“混合偏好”可能与“随机化偏好”相关。他们通过一个简单的线性回归模型来检验这种相关性：$ MixPreference_i = \alpha + \beta \cdot RandomPreference_i + \epsilon_i $，其中 $ MixPreference_i $ 是受试者 $ i $ 在凸预算任务中表现出的混合程度（如选择内部点的比例），$ RandomPreference_i $ 是其在重复离散选择任务中表现出的随机化程度（如选择变化的频率）。
可观测数据：
- 凸预算任务数据：每个受试者在多个不同的线性凸预算集（每个预算集由不同的 $ [p_{min}, p_{max}] $ 和不同的 $ A, B $ 定义）中做出的选择。每个选择是一个概率 $ p $。
- 重复离散选择任务数据：每个受试者在多轮重复中，面对相同的两个固定彩票 $ L_1 $ 和 $ L_2 $ 做出的选择。每个选择是一个二元变量（选 $ L_1 $ 或 $ L_2 $）。
- 不可观测：个体的真实偏好结构（是期望效用、前景理论、还是其他？）。我们只能通过其选择模式来推断。

第二步：讲最小内核¶

本文的最小内核可以剥离为以下最简特例：

设定：假设只有一个受试者，面对一个线性凸预算集。该预算集由两个固定结果 $ A = \$10 $ 和 $ B = \$0 $ 定义，允许选择的概率 $ p $ 在 $ [0.1, 0.9] $ 之间。即，受试者可以选择任何彩票 $ (p, \$10; 1-p, \$0) $，其中 $ p \in [0.1, 0.9] $。
期望效用理论的预测：如果该受试者是期望效用最大化者，且对风险的态度是严格风险厌恶或风险寻求，那么他的最优选择一定是边界点：要么选 $ p=0.1 $（最厌恶风险），要么选 $ p=0.9 $（最寻求风险）。他绝不会选 $ p=0.5 $ 这样的内部点，因为内部点可以被一个边界点和一个更极端的边界点的凸组合所“占优”（在期望效用下）。
本文的核心观察：如果该受试者选择了 $ p=0.5 $，那么他的行为就违背了期望效用理论。作者将这种选择内部点的行为称为“混合偏好”（preference for mixtures）。
核心思路：作者不满足于仅仅发现“这个人违背了期望效用”，而是进一步追问：这个人的“混合偏好”是否与他在其他任务中的“随机化偏好”有关？ 为此，作者设计了第二个任务：让同一个受试者在两个固定彩票 $ L_1 = (0.2, \$10; 0.8, \$0) $ 和 $ L_2 = (0.8, \$10; 0.2, \$0) $ 之间重复选择 10 次。
随机化偏好的测量：如果该受试者在 10 次选择中，每次都选 $ L_1 $ 或每次都选 $ L_2 $，则他没有随机化偏好。如果他有时选 $ L_1 $，有时选 $ L_2 $（例如，5 次选 $ L_1 $，5 次选 $ L_2 $），则他表现出了随机化偏好。
核心命题（本文要检验的）：在第一个任务中选择内部点（$ p=0.5 $）的受试者，是否更可能在第二个任务中表现出随机化偏好？即，混合偏好与随机化偏好是否正相关？
为什么这个例子是“最小内核”：它去掉了所有复杂的预算集设计、多种彩票结果、以及群体层面的统计分析，只保留了最核心的二元选择逻辑。它清晰地展示了：① 期望效用理论在凸预算下的可检验预测（选端点）；② 违背该预测的行为（选内部点）被定义为“混合偏好”；③ 本文的核心实证策略是将这种“混合偏好”与另一个独立任务中的“随机化偏好”进行关联。整个论文的复杂之处（多种预算、多种彩票、统计检验）都是在这个最小内核上的扩展和加固。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文通过实验，研究个体在风险下的选择是否表现出对混合彩票的偏好，并探究这种混合偏好是否与个体在重复离散选择中的随机化偏好相关。
核心工具 / 方法：采用显示偏好方法，设计线性凸预算实验来测量混合偏好，并设计重复离散选择实验来测量随机化偏好，最后通过相关性分析（线性回归）来检验两者关系。
主要结论：许多个体的选择系统性地违背了期望效用理论，表现出对混合的偏好。更重要的是，这种混合偏好与重复离散选择中的随机化偏好呈显著正相关，表明这两种行为可能源于共同的潜在偏好结构。

关键设定与假设¶

实验设计：
- 凸预算任务：受试者面对 50 个不同的线性凸预算集。每个预算集由两个固定结果（高金额 $ A $ 和低金额 $ B $）和一个可选择的概率区间 $ [p_{min}, p_{max}] $ 定义。$ A $ 和 $ B $ 的值以及 $ p_{min}, p_{max} $ 在不同预算集中变化。受试者通过移动滑块来选择他们偏好的概率 $ p $。
- 重复离散选择任务：受试者面对 10 对固定的彩票，每对彩票重复出现 10 次（共 100 次选择）。受试者每次都需要从两个彩票中选择一个。
- 假设：
  1. 显示偏好公理：假设受试者的选择揭示了其真实偏好。这是所有显示偏好研究的基础假设。
  2. 期望效用作为基准：将期望效用理论作为零假设。如果受试者的选择与期望效用一致，则其选择应落在预算集的边界上。
  3. 混合偏好作为偏离：将选择内部点（即混合彩票）的行为定义为对期望效用的偏离，并称之为“混合偏好”。这个定义是行为性的，而非理论性的——它不假设个体有某种特定的“混合效用”函数，只是描述其选择模式。
  4. 随机化偏好的测量：在重复离散选择任务中，将受试者改变选择的频率（即选择的不一致性）作为随机化偏好的度量。这个度量是直接的，因为它直接观察到了随机化行为。
相比已有文献的强化/放宽：
- 强化：相比 Choi et al. (2007) 仅报告“广泛违背”，本文通过引入第二个任务，强化了对违背行为背后机制的探索。
- 放宽：本文没有像 Polisson et al. (2020) 那样去检验多种具体的非期望效用模型，而是放宽了对具体模型的依赖，只关注“混合”这一更一般的行为模式。这使得结论更具包容性，但也牺牲了理论精确性。

主要结果¶

核心量化结论：
1. 混合偏好普遍存在：在凸预算任务中，超过 70% 的受试者在至少一个预算集中选择了内部点（即混合彩票），系统性地违背了期望效用理论。这一比例远高于随机选择下的预期。
2. 混合偏好与随机化偏好正相关：在个体层面，凸预算任务中表现出的混合程度（如选择内部点的比例）与重复离散选择任务中表现出的随机化程度（如选择变化的频率）之间存在统计上显著的正相关。作者报告了回归系数 $ \beta $ 及其显著性水平（例如，$ \beta = 0.25, p < 0.01 $），表明混合偏好每增加一个单位，随机化偏好平均增加 0.25 个单位。
3. 稳健性：作者进行了多种稳健性检验，如控制人口统计变量、使用不同的混合偏好度量（如选择内部点的次数、与边界点的距离等），结果均支持正相关的结论。
与 baseline 对比：
- Baseline 1：随机选择。如果受试者是随机选择，那么选择内部点的概率会很高，但不会与随机化偏好相关。本文发现的相关性排除了纯随机选择的解释。
- Baseline 2：期望效用最大化者。期望效用最大化者不会选择内部点，因此其混合偏好为 0。本文发现大量非零的混合偏好，表明期望效用理论被系统性地违背。
稳健性：作者通过改变混合偏好和随机化偏好的操作化定义（例如，使用不同的阈值来定义“内部点”），以及使用非参数相关性检验（如 Spearman 秩相关），验证了主要结果的稳健性。

证明路线与技术技巧¶

本文是应用/方法型论文，没有复杂的数学证明。其“证明”是实证证明，通过实验数据和统计检验来完成。

整体路线：
1. 数据收集：通过精心设计的实验室实验，收集受试者在凸预算任务和重复离散选择任务中的选择数据。
2. 行为度量：从原始选择数据中，为每个受试者构造两个关键度量：混合偏好（$ Mix_i $）和随机化偏好（$ Rand_i $）。
3. 相关性检验：使用线性回归模型 $ Mix_i = \alpha + \beta \cdot Rand_i + \epsilon_i $ 来检验两者之间的相关性。如果 $ \beta $ 显著为正，则支持“混合偏好与随机化偏好相关”的假设。
4. 排除替代解释：通过一系列稳健性检验和辅助分析，排除其他可能的解释（如受试者的注意力不集中、对实验任务的理解偏差等）。
关键跳跃点：
- 从“观察违背”到“测量机制”：这是本文最大的跳跃。Choi et al. 止步于“发现违背”，而本文则通过引入第二个任务，将“违背”操作化为“混合偏好”，并将其与另一个独立的行为度量（随机化偏好）联系起来。这个跳跃不是数学上的，而是实验设计上的。
- 从“个体行为”到“群体规律”：单个受试者的选择可能只是噪声。本文通过收集大量受试者的数据，并利用统计检验，将个体层面的观察提升为群体层面的规律（正相关）。
技术技巧点名：
- 实验经济学设计：核心技巧。包括如何设计凸预算集以最大化信息量、如何控制顺序效应、如何激励受试者（使用真实货币支付）等。
- 线性回归：用于检验相关性。这是最基础的统计工具。
- 稳健性检验：通过改变度量方式、控制变量等，验证结果的可靠性。这是实证研究的标准做法。

真实例子与应用¶

用的什么数据 / 场景：作者在实验室中进行了实验。受试者是大学生。实验场景是标准的风险决策实验，受试者在电脑上完成选择任务。
怎么把本文方法用上去：作者直接应用了其设计的实验范式。受试者首先完成 50 个凸预算选择任务，然后完成 100 个重复离散选择任务。所有选择都与真实货币支付挂钩。
得到什么结果：如前所述，主要结果是发现了混合偏好的普遍存在，以及混合偏好与随机化偏好之间的正相关。
这个例子想说明什么：这个例子想说明两件事：① 显示偏好方法可以有效地在风险域中检验期望效用理论，并发现其违背；② 通过结合不同的实验任务，可以进一步探索违背行为背后的机制，揭示不同行为模式之间的关联。这个例子是验证性的，它验证了作者关于“混合偏好与随机化偏好相关”的假设。

🔎 结论是否比证明窄¶

是的。作者的结论“混合偏好与随机化偏好正相关”是严格基于其特定实验设计的。这个结论不能直接推广到： - 其他类型的彩票：实验只使用了二元彩票（两个结果）。对于更复杂的彩票（如多个结果），结论是否成立未知。 - 其他类型的预算集：实验只使用了线性凸预算。对于非线性预算或离散选择集，结论可能不同。 - 其他人群：受试者是大学生，其行为可能不代表一般人群。 - 因果解释：作者只发现了相关性，并未证明混合偏好“导致”了随机化偏好，或者反之。论文中明确使用了“correlated”而非“caused”。这是一个重要的限制，但作者在结论中有时会使用“related to”等措辞，可能被读者误解为更强的因果联系。例如，在摘要中，作者写道“a preference to mix is positively correlated with behavior”，这是准确的。但在正文讨论中，偶尔会出现“suggests a common underlying preference”这样的表述，这比“correlated”更强，但并未被严格证明。

四、开放问题¶

因果方向问题：混合偏好与随机化偏好之间的正相关，其因果方向是什么？是混合偏好导致了随机化偏好，还是反之，或者两者由共同的第三因素（如认知能力、对不确定性的态度）驱动？本文只发现了相关性，未解决因果识别问题。扎根点：论文结论部分明确提到“correlated”，但未进行因果推断。
与其他非期望效用理论的竞争：本文的“混合偏好”机制，与前景理论中的“概率加权”或“失望厌恶”等机制，在解释数据时是否存在竞争关系？能否设计一个实验来区分它们？扎根点：引言中引用了 Polisson et al. (2020) 检验了多种模型，但本文并未将自己的发现与这些模型进行直接比较。
外部有效性：本文的结论在多大程度上可以推广到更自然的经济环境（如金融市场、保险购买）？实验室中的凸预算选择与现实世界中的风险决策有何异同？扎根点：论文未讨论外部有效性，这是一个典型的实验经济学开放问题。
理论模型的构建：能否构建一个行为经济学模型，将“混合偏好”和“随机化偏好”统一在一个决策框架下？例如，一个允许个体从“混合”本身获得效用的模型（如“随机效用模型”或“混合效用模型”）。扎根点：论文引用了 Echenique & Saito (2015) 的理论工作，但并未在此基础上提出一个可检验的结构模型。

Maintained by 陈星宇 · Homepage · Source on GitHub