复杂性厌恶的行为模型检验：基于启发式决策的认知工具箱分析

本研究针对经济决策中复杂性厌恶现象，通过贝叶斯推断技术重新分析彩票选择实验数据，定量评估了适应性认知工具箱模型与改进的期望效用模型（如CPT理论）的预测效能。结果表明多数受试者在极端复杂性下更依赖启发式策略，为理解高认知负荷下的决策机制提供了新视角，对行为经济学模型构建具有重要方法论意义。

　　

在当今高速发展的数字经济时代，人们面临的决策环境正变得前所未有的复杂。从琳琅满目的金融产品到令人眼花缭乱的加密货币市场，消费者不得不处理包含多重属性的选择任务，这种复杂性显著增加了认知负荷。传统经济学假设人们会理性计算每个选项的期望效用，但越来越多的证据表明，当面对复杂决策时，个体往往会表现出"复杂性厌恶"——即对选项数量的本能排斥。这种现象在彩票选择实验中表现得尤为明显：即使保持期望值不变，人们仍会系统性偏好结果数量更少的彩票，哪怕这意味着接受更高的风险。

这一现象引发了行为经济学界的持续争论。早期研究如Huck和Weizs?cker（1999）发现约50%的受试者表现出复杂性厌恶特征，而Wakker（2023）则指出文献中同时存在复杂性寻求的相反证据。更耐人寻味的是，Moffatt等（2015）观察到随着实验推进，受试者会逐渐趋向"复杂性中立"，这可能暗示着策略转换而非偏好的根本改变。理论建模方面，学者们尝试通过改进期望效用理论（如Fudenberg和Puri提出的CPT-C模型）或发展全新框架（如Puri的Simplicity Theory）来解释这种现象，但始终缺乏对潜在认知机制的深入探讨。

发表在《Journal of Behavioral and Experimental Economics》的这项研究另辟蹊径，将焦点转向启发式决策理论与复杂性厌恶的关联。研究团队重新分析了Moffatt等（2015）的经典数据集，该实验包含80名受试者在两阶段完成的54个彩票选择任务（保持期望值恒定但变化结果数量）。通过创新性地应用Scheibehenne等（2013）提出的贝叶斯层次建模框架，研究者首次实现了对"认知工具箱"理论的定量检验——该理论认为决策者会从多种启发式策略中动态选择应对方案。

研究方法的核心在于采用分层贝叶斯技术同步估计个体参数与群体分布超参数，这种方法能有效处理行为数据的异质性。模型比较既包含传统的样本内拟合优度检验，也强调样本外预测能力的评估。研究者构建了三类竞争模型：改进的期望效用类（如MV、EU、CPT）、包含复杂性成本的衍生模型，以及基于规则选择的认知工具箱模型。特别值得注意的是对启发式策略的操作化定义，包括"结果数量最小化"、"概率最大化"等可计算的决策规则。

【Theoretical framework】部分揭示，当定义复杂性为彩票结果数量时，工具箱模型展现出独特优势。与需要全局计算的期望效用模型不同，启发式策略仅依赖有限信息维度，如Payne（2005）提出的"属性筛选"机制。这种特性使其在认知资源受限时更具适应性。

【Data】章节详细描述了实验设计的精巧之处：通过固定期望值但系统变化结果数量（2-5个）和方差，研究者成功分离了复杂性效应与风险偏好的混淆。随机激励支付机制确保选择行为反映真实偏好，而任务顺序的随机化则控制了学习效应。

【Econometric analysis and results】部分呈现的实证结果令人信服：对于65%的受试者，工具箱模型的样本外预测准确率显著高于传统模型（ΔDIC>10）。即使在改进的CPT-C模型中引入复杂性惩罚项，其表现仍逊于启发式模型。这一发现与Enke和Graeber（2023）的"认知不确定性"理论形成呼应——当决策环境复杂度超过阈值时，个体会产生自我评估的不确定性，从而转向更简单的决策规则。

【Conclusion】部分的讨论深刻指出，该研究为行为经济学提供了新的建模思路。传统上认为的"非理性"选择可能实质上是适应性的策略转换，这解释了为何复杂金融产品的消费者常表现出"默认选项依赖"。Georgalos和Nabil（2023）进一步强调，认知疲劳会动态改变决策模式，这为设计"助推"干预提供了理论依据。

这项研究的创新价值体现在三个方面：方法学上，首次实现认知工具箱理论的定量估计；理论上，弥合了复杂性厌恶与启发式决策的关联；应用层面，为复杂金融环境下的消费者保护政策提供洞见。正如作者在CRediT声明中强调的，该研究开辟了理解"行为异质性"的新途径——个体差异可能不仅源于偏好参数不同，更源于策略选择机制的差异。未来研究可延伸至医疗决策等更高风险的领域，验证启发式策略的普适性规律。