风险聚合任务中个体宽/窄括号化行为的识别：分离潜在风险偏好的状态占优与个体回归框架

《Journal of Behavioral and Experimental Finance》：Analyzing individual bracketing behavior in risk aggregation tasks

　　

研究人员开发了一个理论框架，用于在风险聚合任务中识别个体括号化行为，并将其与潜在风险偏好分离。该方法应用于具有真实财务激励的行为实验，使用成对独立二项赌博。结果揭示受试者括号化行为存在显著变异。在相对同质的学生样本中，该变异与问卷收集的人口学变量无系统关联，但似乎与赌博风险特征相联系。仅少数受试者系统应用宽括号化（Broad Bracketing, BB）或窄括号化（Narrow Bracketing, NB）。相反，大多数受试者表现出高变异性的部分括号化（Partial Bracketing, PB），这与选择不一致相一致，尽管不能排除系统性的情境依赖括号化。

一、研究背景与问题
规范决策模型通常假设决策者面对多个相关选择问题时，会依据组合结果评估备选方案，即宽括号化（Broad Bracketing, BB；将多个相关选择按组合结果评估）。但实验与经验证据表明，许多决策者将单个决策孤立评估，即窄括号化（Narrow Bracketing, NB；将单个决策孤立评估）。括号化行为影响健康经济学和金融等领域的choice architecture设计；简化括号化规则可能导致次优决策，如患者误判多治疗方案风险、投资者未优化重复投资。核心难题是潜在风险偏好混淆：风险选择同时受括号化规则和不可直接观察的风险偏好影响，偏好可能符合期望效用理论（Expected Utility Theory, EUT）或累积前景理论（Cumulative Prospect Theory, CPT），且风险厌恶、损失厌恶及风险寻求程度差异很大，激励结构还可能扭曲偏好。既有基于第一阶随机占优（First-degree Stochastic Dominance, FSD）的设计可检测NB，但无支配选择并不等于BB，且常需偏好同质性假设；总体概率估计也难以支持个体层面推断。因此，研究人员开展个体层面框架研究，以在控制潜在风险偏好的同时识别BB、NB与部分括号化（Partial Bracketing, PB；兼有BB与NB元素或交替使用）。

二、研究开展、结论与意义
研究人员构建了以状态占优（state-wise dominance；逐状态收益不低于且至少一状态严格更高）为基础的理论框架，引入宽括号等价物（Broad-Bracketing Equivalent, BBE）、窄括号等价物（Narrow-Bracketing Equivalent, NBE）、编辑溢价（editing premium；BBE与原始聚合之间的确定性等价差）和风险聚合指数；在实验中对同一赌博以Partial、Narrow、Broad三种框架呈现，利用多项价格表（multiple price list, MPL；通过接受/拒绝切换点推断阈值）获得每个赌博的三元组选择，进而用主体级回归估计风险聚合指数及标准误，并用总体似然分析联合考察点估计与标准误。研究结论是：个体括号化行为异质性显著；系统BB或NB仅属少数；多数受试者表现为高变异PB，且中间估计常伴随较高标准误，提示PB更可能反映选择不一致而非稳定规则；括号化行为与学生样本中的人口学变量无系统关联，而与赌博风险特征及主观吸引力、感知聚合收益有关。其意义在于提供可分离潜在风险偏好的个体层面测量框架，揭示BB收益利用不足及改善决策质量的潜在空间。

三、关键技术方法（≤250字）
关键方法包括：以成对独立二项赌博构造主体特定BBE与NBE；利用状态占优关系控制潜在风险偏好；设置Partial、Narrow、Broad三种框架，各12个任务，共36项；采用MPL滑块界面（20档）推断接受/拒绝阈值；对每个受试者12个三元组进行通过原点的OLS回归，估计风险聚合指数τ^{^}及其标准误s_τ^{^}；对总体点估计与标准误采用混合分布最大似然估计（Maximum Likelihood Estimation, MLE）和似然比检验（Likelihood Ratio Test, LRT）。样本队列来源为瑞士圣加仑大学（HSG）学生：407人报名，最终388名唯一参与者进入分析，其中Balanced治疗184人、Skewed治疗204人；实验含真实财务激励，经伦理审查并预注册。

四、研究结果
6.1 Preliminary analysis（初步分析）：通过统计所有受试者三元组排序频率，发现Balanced中l_BB≤l_PB≤l_NB最常见，但约三分之一出现l_NBBB的“不一致”排序；Skewed中g_BB≤g_PB≤g_NB最常见，也约三分之一出现g_NBBB；部分框架选择常落在BB–NB范围之外。跨12个彩票排序模式高度稳定，提示不是单一赌博类型特异现象，而更可能与非系统启发误差、注意力或理解不足有关，从而支持主体层面分析。

6.2 Regression analysis（回归分析）：对每名受试者12个三元组估计PB模型，得到τ^{^}、s_τ^{^}、t统计量和R²。结果显示点估计和标准误离散度很大；Balanced全样本τ^{^}四分位距为0.962?0.289=0.673，远高于中位标准误0.184。排除不一致排序后，点估计升高、标准误降低，两个治疗中τ^{^}四分位距约0.5至1。人口学变量、认知反思测试（Cognitive Reflection Test, CRT）、注意力检查和理解测验均无显著解释力；Balanced中情境交互联合检验边际显著（p=0.086），Skewed不显著（p=0.307），故不能排除系统情境依赖括号化。

6.3 Joint analysis of point estimates and standard errors（点估计与标准误联合分析）：通过热图、核密度和混合MLE分析联合分布，发现高精度估计集中在τ^{^}≈0（NB）和更常见地τ^{^}≈1（BB）；中间τ^{^}通常伴随高标准误。Balanced全样本选择5组分；系统NB小群占5.4%（τ=0.002，σ=0.002），排除不一致后出现约12.0%的系统BB群（τ=1.000，σ=0.003）。Skewed中NB较少，系统BB群占8.3%（τ=0.999，σ=0.029），排除不一致后升至21.2%（τ=1.000，σ=0.030）。这支持PB多由选择不一致而非稳定PB规则驱动的解释。

6.4 Discussion: Noisy estimates and design improvements（讨论：噪声估计与设计改进）：该部分总结异质性可能部分来自真实规则差异，部分来自启发噪声；任务认知负担、在线实施对注意力和动机监控较弱、切换点附近误差的局部激励后果有限等均可能增加噪声。这些噪声主要影响主体级估计与分类解释，不否定基于占优的识别逻辑；未来可通过实验室实施、更强精确实施激励、较粗网格、增加重复观察及块内理解/注意检查改进设计。

五、讨论总结与研究结论翻译
讨论部分总结：研究观察到括号化行为显著异质，部分离散可能反映真实括号化规则差异，部分可能反映启发噪声而非稳定规则；不一致和范围外选择频繁难以由稳定规则解释，提示注意力、疲劳、参与不足及平坦最大值问题。未来设计应加强注意力监控、精确实施激励、调整网格、增加重复观察和块内检查，以区分稳定PB、BB/NB随机切换与噪声启发。

研究结论（翻译/浓缩）：为分析主体层面括号化行为，研究人员引入新概念、实验设计和估计方法，先评估个体选择，再评估总体池。框架关键是利用所选赌博与其主体特定BBE、NBE之间的稳健占优关系控制潜在风险偏好混淆；回归分析基于多个赌博及其BBE/NBE生成主体级点估计和标准误；似然分析考察这些估计在总体中的联合分布，从而检测个体间括号化规则差异（点估计）及规则应用一致性（标准误）。行为选择实验发现个体括号化行为异质性的强证据；系统BB或NB均罕见；多数主体点估计处于中间范围，广泛存在PB，且中位风险聚合指数为Balanced 0.663、Skewed 0.763，表明未充分利用BB收益；由于相关标准误常较高，PB一般反映选择不一致而非系统应用可降低认知负担或提升享乐价值的独立括号化规则。样本为相对同质大学生，限制人口学与认知相关分析及外推；变异更与赌博客观特征、主观吸引力及感知风险聚合收益相关。研究人员已开展后续实验研究抽样数n=3,4,…；由于认知复杂性递增而分散化收益递减，预期n>2时偏离BB更明显。