本文构建偏好驱动扭曲下的竞争模型学习框架,并通过实验比较贝叶斯平均更新者与最佳拟合模型更新者。结果显示,非对称收益会使信念向偏好状态移动,最佳拟合型参与者的偏移约为8.4个百分点,显著高于贝叶斯型参与者的0.5个百分点;研究还发现,最佳拟合型参与者通常表现出更极端的信念,并更可能持有极端经济叙事观点。
标题: Biased Agents, Extreme Beliefs: Motivated Reasoning Under Competing Models(《偏误代理人与极端信念:竞争模型下的动机性推理》)
作者: Zhongheng Qiao
版本日期: 2026年9月17日
主题: 行为经济学、信念更新、模型不确定性、动机性推理与叙事选择。报告并非传统意义上的公司或行业研究报告,因此没有股票评级、目标价、DCF估值或投资建议;其研究对象是人在多种解释模型并存、且不同状态对应不同收益时如何形成和调整概率信念。
研究类型: 理论模型加实验经济学研究。实验于2025年3月在普渡大学Vernon Smith实验经济学实验室开展,样本为193名学生。
报告的核心问题是:当同一条信息可以被多个相互竞争的模型解释时,个人的偏好是否会影响其选择模型以及更新后的信念?作者特别区分两种行为规则:
论文的主要实证结论是:不对称收益会使参与者向偏好的状态调整信念,但这种动机性推理主要集中在Best-fit参与者身上。总体而言,不对称收益使参与者认为偏好状态“Urn X”被选中的概率提高约1.7个百分点;Bayesian参与者的提升仅约0.5个百分点且统计上不显著,而Best-fit参与者的提升达到8.4个百分点。 这一差异支持作者的核心观点:动机性偏差并非只取决于偏好强弱,也取决于个人如何使用竞争模型。
现实中的许多信息都不是“明确的好消息”或“明确的坏消息”。选民可以用不同叙事解释经济数据,投资者可以用不同商业模型解释公司业绩,陪审员也可能用相互冲突的故事解释同一组证据。由于同一信号在不同模型下可能暗示完全不同的状态概率,因此信息本身的“利好”或“利空”属性并不固定,而取决于人们赋予哪一个模型更高权重,或者是否直接选择其中一个模型。
这构成了本文区别于许多传统动机性推理研究的地方。传统研究通常假设信息结构已知,信息对目标状态的方向较为明确;本文则允许偏好同时影响两件事:第一,人在每个模型内部如何解释信号;第二,哪一个模型看起来更能解释该信号。
作者将研究置于三条文献脉络中:
这意味着论文的理论贡献并不是简单证明“人会有偏见”,而是进一步回答:偏见通过哪一个行为环节发生,以及为什么不同人会产生幅度不同的偏见。
理论环境包含:
模型本质上是一个数据生成过程,即规定“如果真实状态是某个状态,观察到某种信号的概率是多少”。在实验中,参与者知道状态先验、模型先验以及各个模型中不同 urn 的球色组成。
作者设定每个状态都有一个收益 (U(\omega)),并用严格递增函数 (f(U(\omega))) 表示偏好扭曲。收益越高的状态,其在主观信息结构中获得的相对权重越大。
如果Urn X是偏好状态,那么动机性推理会提高“Urn X与所观察信号相容”的主观程度。对于任意两个状态,扭曲后的后验赔率等于原始后验赔率乘以偏好权重之比。因此,只要X的收益更高,扭曲后的X相对于Y的后验赔率就会上升。
这里有一个重要的理论细节:偏好扭曲不仅改变模型内部的后验概率,还改变模型整体的“主观拟合度”。主观拟合度等于客观拟合度乘以该模型下偏好函数的后验期望。换言之,一个模型即使客观上并不是最能解释信号的模型,只要它更倾向于把信号解释为偏好状态的证据,也可能在主观上显得更有解释力。
对于Bayesian参与者,偏好扭曲有两个连续作用:
因此,Bayesian后验信念会随着偏好强度连续上升。
对于Best-fit参与者,偏好扭曲同样会提高每个模型内部偏好状态的后验概率,但还可能改变模型选择。如果原本客观拟合最好的模型给出较低的Urn X后验,而另一个模型给出较高的Urn X后验,那么足够强的偏好可能使参与者切换到后一个模型。
这形成了论文最有解释力的机制:Bayesian参与者是“在多个解释之间重新加权”,因此信念通常平滑移动;Best-fit参与者则可能是“换了一套解释”,因此信念可能发生跳跃。
在两个信号、两个模型的实验环境中,如果两个模型的客观拟合度不相等,Best-fit参与者的模型选择只有两种可能:对所有信号都切换,或对所有信号都不切换,不会只对一个信号切换,除非存在拟合度平局及特定的平局处理规则。
作者进一步定义了切换阈值。设两个模型在某个信号下的客观拟合差异由两部分抵消,若模型之间的客观拟合差距较小,则较弱的偏好扭曲就足以改变主观拟合排序;若客观拟合差距较大,则需要更强偏好才能切换模型。 这直接产生了第三个实验假设:模型客观拟合差距越小,Best-fit参与者的动机性推理效应应越大。
实验使用“2×2×2”环境:两个状态、两个信号、两个模型。参与者看到Cart A和Cart B,每辆车有Urn X与Urn Y,每个 urn 中含有紫色球和橙色球。电脑先按照状态先验概率选择X或Y,再以50%的概率选择Cart A或Cart B,最后从被选中的 urn 抽取一个球,参与者只观察球的颜色,并报告“Urn X被选中”的概率。
图1解读: 图1展示了一个典型场景。例如Cart A中的Urn X含15个紫球、5个橙球,Urn Y含5个紫球、15个橙球;Cart B中的Urn X含7个紫球、13个橙球,Urn Y含17个紫球、3个橙球。相同的紫色信号在两个模型下对Urn X的含义相反:在Cart A中紫色更支持X,而在Cart B中紫色更支持Y。这正是“同一信息由竞争模型给出相反解释”的实验核心。
每位参与者完成两个区块,每个区块包含相同的9个决策问题,每个问题重复3次,共27个场景。SP区块中,无论X还是Y被选中,参与者都获得相同的状态支付;AP区块中,若X被选中则获得25 tokens,若Y被选中则获得5 tokens。代币兑换比例为150 tokens兑1美元。
该设计的识别逻辑是:先用SP区块识别参与者的基准行为规则,再比较同一个参与者在AP和SP区块、同一决策问题和同一球色下的报告差异。由于状态先验和球 urn 组成不变,区块间变化主要来自状态收益差异。
作者强调,在风险中性且正确理解评分规则的情况下,状态支付不应改变纯粹的Bayesian后验,因为支付改变的是收益,不是信息结构。因此,AP相对于SP的信念变化可被解释为偏好驱动的动机性推理,而不是客观信息变化。
实验还测量了风险态度、概率推理能力、过度自信以及对经济叙事的极端程度。风险态度通过Bomb Risk任务衡量;概率推理能力由8道认知题组成;过度自信定义为预测得分高于实际得分;经济叙事极端程度则是六组叙事评价距离中点的平均绝对距离。
实验共193人,性别大致均衡,女性占49.7%;实验约70分钟,平均总收入为22.15美元,并在正式任务前进行理解测验。
表1概括了9个决策问题的状态先验、两个模型中的球色概率、各模型在不同信号下的客观拟合度,以及Best-fit后验基准。
其设计具有三层功能:
因此,作者不是把所有场景简单混合,而是通过不同问题结构区分“模型内部信念变化”和“模型选择变化”。
表2显示,在SP区块,约29%的报告落在Bayesian基准上下2个百分点内,而接近Best-fit基准的只有5.5%;放宽到5个百分点后,两个比例分别升至47.7%和12.2%。
这说明Bayesian基准是总体上更常见的近似,但Best-fit行为并非少量随机异常,而是存在一批稳定参与者。由于报告还可能受到计算错误和滑动条误差影响,作者没有把“未精确等于某一基准”直接视为不符合该规则,而是采用包含误差的混合模型。
图3解读: 图3把SP和AP两个区块的全部10,422次报告放在一起。报告在0.3、0.5和0.7附近出现明显集中,这些位置对应表1中的状态先验;0和1附近也有明显质量点,说明部分参与者报告极端概率。AP分布相较SP略向右移动,符合AP提高Urn X收益、使参与者更多报告X的预测,但两个分布高度重叠,表明总体平均偏差并不巨大,主要效应可能集中在特定类型参与者身上。
图4横轴是观察紫球后的Urn X信念,纵轴是观察橙球后的Urn X信念。左图中,黄色菱形为Bayesian基准,绿色菱形为Best-fit基准。大量SP报告集中在Bayesian基准附近,但另有一组报告接近Best-fit基准并位于Bayes不一致区域。
右图选取SP中接近Best-fit基准的7名参与者,再画出其AP报告。7人中有6人出现较大的离散移动,并靠近“偏好模型”基准,即每个信号下都选择更支持Urn X的模型;没有人移动到Bayesian基准附近。 这是一项非常直观的机制证据:AP支付并非只造成小幅概率修正,而可能使Best-fit参与者整体采用另一种解释框架。
作者用包含两层正态误差的有限混合模型进行分类。第一层是模型拟合计算误差,第二层是最终报告误差。表3报告总体类型比例和误差标准差估计,表4报告个体分类结果。
主规格将193人分为:
这支持“约三分之二是Bayesian、约六分之一是Best-fit”的结论。
但这里存在一个重要敏感性问题:主规格假设不同类型共享相同的误差标准差。放宽该假设后,Bayesian为123人,Best-fit为63人,Non-mover为7人;Best-fit比例上升到约三分之一。 作者解释,Best-fit类型在允许更大的拟合计算误差后,可以吸收更多分散在Bayesian基准周围的报告,因此分类结果对误差结构较敏感。
图5解读: 图5把每个报告表示为两个模型特定后验的加权平均,并观察其对“较高模型后验”的隐含权重。Bayesian参与者的权重主要集中在0和1之间的中间区域,说明他们倾向于平均两个模型;Best-fit参与者在0和1处有更大质量,表示他们更经常接近完全选择某一模型。这一图形证据与结构分类结果一致。
图6报告AP虚拟变量的估计系数。总体效应为0.017,即Urn X报告概率增加1.7个百分点,且在1%水平显著;Bayesian组为0.005,p=0.245;Best-fit组为0.084,p=0.001;Best-fit与Bayesian之间的差异在统计上显著。 图中95%置信区间也显示,Bayesian估计区间跨过零,而Best-fit区间明显位于正值区域。
表5使用参与者属于某一类型的后验概率,而不是硬分类。AP与Best-fit概率的交互项为0.082,且p<0.001,说明一个参与者越可能是Best-fit类型,其收益不对称引起的信念上移越明显。
这一结果支持两个层面的解释:一方面,Bayesian平均模型会稀释单一偏好模型的影响;另一方面,Best-fit选择机制允许偏好改变“哪一个故事是最好的故事”,从而放大信念移动。
图7按模型切换阈值排列决策问题。灰色柱表示阈值,绿色方块表示Best-fit参与者的动机性推理效应。理论上,阈值越低,偏好越容易触发模型切换,因而效应应越大。
图中若干Best-fit点估计为正,但置信区间较宽,且没有随阈值上升而稳定下降。表6中,动机性推理与客观拟合差距、以及与切换阈值的交互项均为理论预期方向,但都不显著。 因此Hypothesis 3没有得到统计支持。作者认为原因可能包括样本中只有33名Best-fit参与者、每个决策问题的观测有限、个体偏好强度不同,以及显著性、复杂度和模型特定后验等因素也会影响切换。
图8比较SP区块的信念极端程度,即报告值距离0.5的绝对距离。在决策问题1—4中,Best-fit基准比Bayesian基准更极端,Best-fit参与者的平均极端程度为0.263,Bayesian参与者为0.079;在所有九个问题中,两个类型的平均值分别为0.292和0.162。
值得注意的是,在决策问题5中两个模型相同、两种规则预测也相同,但Best-fit参与者仍然报告出更极端的信念,说明Best-fit组的极端性不能完全由模型选择基准机械决定,可能还反映更广泛的信念表达风格。
表7的Logit结果显示,经济叙事极端程度与被分类为Best-fit显著正相关,与Bayesian分类显著负相关;风险容忍度与Bayesian分类正相关。认知得分、测验得分和过度自信没有显著解释力。 不过,由于叙事问卷没有激励,且在实验之后进行,这些只是相关关系,不能证明实验中的模型选择规则直接导致现实中的政治或经济观点。
作者进行了一系列替代设定检验。整体AP效应在不同回归规格中约为1.3—1.7个百分点,说明总体结果并不完全依赖于协变量选择或固定效应设定。
加入参与者固定效应后,Best-fit效应为7.9个百分点,Bayesian效应仍约0.5个百分点,和主结果接近。 使用“报告更接近Best-fit还是Bayesian基准”的连续指标时,该指标与AP的交互项为0.544且显著,进一步支持类型差异并非完全由有限混合模型造成。
在允许不同类型拥有不同误差标准差的规格中,Best-fit效应为4.9个百分点,Bayesian效应为0.1个百分点,差异仍显著。 在二类型、四类型和多个五类型混合模型中,Best-fit与Bayesian的动机性推理差异也保持显著,差异幅度大致在8.5—11.6个百分点之间。
附录图B-2显示,在类型特定误差规格下,Best-fit效应仍明显高于Bayesian效应,尽管Best-fit估计从8.4个百分点下降到约4.9个百分点。
附录图B-7比较重复报告的一致性。SP和AP曲线整体相近,说明不对称收益没有明显破坏参与者在相同信息下的报告一致性;因此AP效应不太可能完全由随机噪音导致。
附录图B-8显示AP区块中Bayesian组的隐含模型权重仍集中于中间区域,而Best-fit组在0和1处存在更大质量,说明类型差异在不对称收益环境下仍然存在。
后续研究包含85人,并在每个场景直接展示两个模型的正确后验。结果仍然同时出现接近Bayesian和Best-fit基准的报告,表明行为模式不完全源于参与者不会计算模型特定后验;不过后续样本与主实验样本不同,因此只能说明模式具有一定跨样本延续性,不能当作严格的个体内复现。
该报告不是股票或债券研究报告,没有公司收入、EBITDA、自由现金流、P/E、EV/EBITDA、DCF、折现率、永续增长率或目标价。因此不存在传统金融研究中的估值区间、评级上调下调或投资回报预测。报告对金融投资的讨论只出现在研究动机层面:投资者可能面对相互冲突的公司叙事,而个人选择模型的方式可能决定其如何受到偏好的影响。
主要风险和局限包括:
第一,论文的理论机制非常清晰,但实验上“偏好导致模型切换”的直接证据仍然有限。图4提供了与模型切换一致的离散跳跃,但参与者没有明确报告所采用的模型,单凭信念变化无法排除他们在同一模型内部进行了极端调整。
第二,主规格将Best-fit参与者估计为约六分之一,但替代误差规格将其提高至约三分之一。这并不推翻“Best-fit更受偏好影响”的方向性结论,却说明“有多少人属于Best-fit”这一数量级判断并不稳固。
第三,整体1.7个百分点的效应相对有限,而Best-fit组8.4个百分点的效应较大,说明平均效应掩盖了显著的行为异质性。对现实金融市场而言,这意味着不能只观察总体平均偏差,还需要识别哪些投资者倾向于单一叙事或单一模型。
第四,作者理论上预测模型拟合差距越窄,动机性推理越强,但实证结果仅方向一致、没有显著性。这一不一致是重要的审慎信号:模型切换阈值可能不是唯一决定因素,复杂度、注意力、模型解释的可得性和个人偏好强度都可能共同作用。
这篇论文的最重要贡献,是把动机性推理从“人们是否偏向自己喜欢的结果”推进到“人们是否会选择更支持自己偏好的解释模型”。理论上,Bayesian参与者通过连续调整模型权重形成偏差信念;Best-fit参与者则可能直接切换模型,因此产生更大、更极端、甚至离散跳跃式的信念变化。
实验结果总体支持前两个假设:不对称收益使参与者更多报告偏好状态,且Best-fit参与者的效应显著大于Bayesian参与者。主规格下,Bayesian、Best-fit和Non-mover分别为132、33和28人;AP带来的报告变化分别约为0.5、8.4和0个百分点。 图3显示整体分布只略向右移动,而图4、图5和图6揭示了这种平均变化背后存在明显类型差异:Bayesian报告集中在模型后验之间,Best-fit报告更接近单一模型并更容易向偏好模型跳跃。
论文没有为“拟合差距越小则动机性推理越强”的第三个假设提供显著统计证据;因此,模型切换机制是一个有理论支持、也有描述性证据,但尚未被完全识别的解释。 总体而言,作者的立场不是认为所有人都同样容易被偏好影响,而是认为人们采用何种模型更新规则,会系统性地决定其偏见的幅度和形式。这对理解政治极化、经济叙事以及金融投资中的过度自信和叙事依赖具有启发意义,但从实验室结果外推到现实决策时,应充分考虑样本、激励机制、模型复杂度和直接模型选择证据不足等限制。
2609.22446.pdf