编辑推荐：
实验室和实地证据揭示了对新信息的反应不足（underreaction）和反应过度（overreaction）。研究人员通过比较人们在相同信息环境中进行推断和修订预测的方式，提供了关于反应不足和反应过度潜在机制的新实验证据。参与者在推断潜在状态时对信号反应不足，
实验室和实地证据揭示了对新信息的反应不足（underreaction）和反应过度（overreaction）。研究人员通过比较人们在相同信息环境中进行推断和修订预测的方式，提供了关于反应不足和反应过度潜在机制的新实验证据。参与者在推断潜在状态时对信号反应不足，但在修订关于未来结果的预测时对相同信号反应过度——研究人员将这一现象称为“推断-预测差距”（inference-forecast gap）。研究人员表明，这一差距主要由两个任务中使用的不同简化启发式（simplifying heuristics）驱动。额外的实验处理表明，启发式的选择受到信息环境中的统计量与信念更新问题所引发的统计量之间相似性的影响。
在信念更新领域，实验室和实地研究已广泛揭示个体对新信息既存在反应不足（underreaction）亦存在反应过度（overreaction），但两种偏差的方向因实验环境而异。经典的“书袋与扑克筹码”范式显示，个体在推断潜在状态时普遍对信号反应不足；相反，在预测未来结果时，个体却对相同信号反应过度。这种方向上的不一致长期困扰着经济学与金融学领域，成为解释市场异常（如过度波动、繁荣-萧条周期）的核心障碍。然而，现有研究未能系统阐明为何同一信息环境下的推断与预测会引发截然不同的信念更新模式。为此，研究人员开展了一系列在线实验，旨在揭示这一“推断-预测差距”（inference-forecast gap, 下文简称“差距”）的潜在机制，并探索其背后的心理过程。
研究人员通过被试内设计，在完全相同的信号生成过程（DGP）下，比较了参与者在推断任务（更新对潜在状态的信念）与预测修订任务（更新对未来结果的预期）中的行为。实验发现，参与者在推断中平均反应不足，而在预测修订中平均反应过度，形成了显著的“差距”。进一步分析表明，这一差距主要由两种任务中使用的不同简化启发式（simplifying heuristics）驱动，包括“非更新”（Nonupdate）、“精确代表性”（Exact Representativeness）和“天真外推”（Naive Extrapolation）。基于属性替代理论（attribute substitution theory, Kahneman & Frederick, 2002），研究人员提出了一个基于相似性（similarity）的概念框架，并通过额外实验操纵统计量之间的相似性，验证了该框架的预测。该论文发表于《ECONOMETRICA》，为理解信念更新偏差的异质性提供了关键机制解释。
研究人员采用的主要技术方法包括：通过在线平台Prolific招募279名美国参与者（已完成超过100个任务且批准率≥99%），使用oTree编程实施实验。实验采用被试内设计，包含5个部分：推断先验（Inference Prior）、推断（Inference）、预测先验（Forecast Prior）、预测修订（Forecast Revision）和期望形成（Expectation Formation）。每个部分包含8个不同的DGP，信号为连续正态分布（均值为0或100，标准差在50-100间变化）或二元分布。额外处理包括确定性结果（Deterministic Outcome）、二元信号（Binary Signal）、提示（Nudge）、更相似（More Similar）和更不相似（Less Similar）。分析基于贝叶斯基准（Bayes' rule）和迭代期望定律（LoIE），将答案分类为近理性、反应不足或反应过度，并计算平均更新量（belief movement）。通过检测模态行为（modal behaviors）和构建基于相似性的logit模型，定量预测了启发式的使用频率。
研究结果如下：
**3.1 聚合模式（Aggregate Patterns）**：通过分类和更新量分析，发现推断中60.8%的答案表现为反应不足，24.1%为反应过度，平均更新量为14.3（理性基准为23.3）；预测修订中53.9%的答案表现为反应过度，39.7%为反应不足，平均更新量为32.7。这一差距在多种子样本和DGP下稳健存在。
**3.2 确定性结果处理（Deterministic Outcome Treatment）**：当预测结果变量由状态完全决定（状态好为100，坏为0）时，推断-预测差距依然显著（推断更新13.4，预测更新34.1），排除了信号自相关误判（如热手偏差）的解释。
**3.3 二元信号处理（Binary Signal Treatment）**：当信号为二元分布（上行/下行）时，差距依然存在但幅度减小（推断更新11.0，预测更新14.2），表明差距对信号分布具有稳健性，但计算复杂性可能影响其大小。
**4.2 替代决策程序（Alternative Decision Procedures）**：通过散点图检测模态行为，发现非更新（非更新，答案等于先验）在推断中占29.7%，预测修订中占21.9%；精确代表性（答案等于代表性状态下的期望，即信号>50时答100，<50时答0）在推断中仅占2.6%，在预测修订中占20.3%；天真外推（答案等于信号值）在推断中占3.2%，在预测修订中占11.9%。排除这些模态行为后，差距缩小36%，表明它们是差距的主要驱动因素。
**5.2 基于相似性框架的额外证据（Additional Evidence for the Similarity-Based Framework）**：在“更相似”处理中，通过将推断问题中的目标统计量（期望利润）与过度反应启发式（精确代表性和天真外推）的统计量在语义上更相似，发现推断中这两种启发式的出现频率显著增加（精确代表性15.3%，天真外推18.3%），推断的平均更新量升至31.0，差距显著缩小。在“更不相似”处理中，差距几乎消失。
讨论部分总结指出，基于相似性的属性替代框架能够解释推断-预测差距，并与现有文献（如Ba, Bohren, & Imas, 2025; Augenblick, Lazarus, & Thaler, 2025）中的注意力与复杂性解释互补。该框架可推广至其他统计问题（如中位数预测），并具有外部有效性：在实地环境中，由于基本面与结果的关联更模糊，差距可能更大。研究结论翻译如下：总的来说，本实验中记录的推断-预测差距可能有助于解释实地环境中反应不足和反应过度的共存。一方面，如盈余公告后漂移和房主对住房市场条件的反应不足等现象表明，关于资产价值的信念往往对新闻反应不足。另一方面，股票回报和宏观经济指标的预测经常对近期信息反应过度，这一模式被用来解释金融市场中的过度波动和宏观经济繁荣-萧条周期等主要异常现象。研究发现表明，这种差异之所以出现，是因为人们在心理上将某些问题表征为推断任务，而将其他问题表征为预测修订任务，从而以根本不同的方式处理这两类问题。这意味着，要理解实地中对信息的有偏差反应，首先必须理解人们在心理上如何表征他们所面临的信念更新问题。
