货币激励对社会偏好测量的影响：来自美国普通人群样本的预先注册在线实验证据

《Experimental Economics》：How do monetary incentives affect the measurement of social preferences?

　　

在这项注册报告（registered report）中，研究人员考察了：（i）激励是否影响被试为增加他人收益和减少他人收益而支付的意愿；（ii）激励是否影响社会偏好类型的分布；（iii）激励是否影响个体结构估计的社会偏好参数的强度与精度。通过一项针对普通人群样本的在线实验，研究人员发现，货币激励的使用以及激励金额的大小对被试的众数选择（描述性分析）以及人群中性质不同的偏好类型的分布（聚类分析）几乎没有影响。然而，货币激励确实影响社会偏好的强度与精度的定量测量。事实上，结构分析揭示，仅采用假设性激励进行偏好测度会导致社会偏好被高估，且测量精度较低。综上，这些结果强调，当研究者关注定量估计时，对社会偏好测度进行激励最为有用；而对于仅希望识别性质性偏好类型的研究者而言，假设性激励或许已经足够。

社会偏好（social preferences）在劳动市场、谈判、政治经济和契约设计等领域具有重要影响，因此准确测量社会偏好对理论与实证研究都至关重要。实验经济学通常依靠货币激励来揭示真实偏好，但货币激励是否会改变社会偏好的测量结果、激励金额大小是否重要，仍缺乏大规模系统性证据。已有相关研究多基于学生样本、样本量有限，且主要关注独裁者博弈中的给予行为，较少同时考察激励对增加他人收益的意愿、减少他人收益的意愿、偏好类型分布、参数强度与估计精度的影响。为弥补这一缺口，研究人员开展了一项预先注册（pre-registered）的在线实验，使用具有美国人口代表性的普通人群样本来检验货币激励对社会偏好测量的作用。

研究人员在Prolific平台招募了3032名普通人群被试，并额外收集495名学生样本。实验采用12条预算线的资源分配任务，要求被试在自己与匿名他人之间分配实验币（ECU）。通过被试间设计，被试被随机分配到低激励、高激励和假设性三种处理：低激励和高激励条件下随机抽取一个选择决定真实报酬，且高激励的报酬规模为低激励的5倍；假设性条件下决策不产生真实报酬，但要求被试“仿佛”决策有激励地作答。关键技术方法包括：描述性众数选择分析、DP均值（DP-means）贝叶斯非参数聚类算法、基于Fehr-Schmidt模型的层次贝叶斯结构估计，以及个体参数后验标准差比较。该研究预先注册于AEA RCT registry，并遵循预分析计划进行统计推断。

研究结果如下：

4.1 描述性分析：研究人员分别针对负斜率预算线（增加他人收益）和正斜率预算线（减少他人收益）考察被试的众数选择。结果显示，三种处理下众数选择分布高度相似：负斜率线上多数被试选择收益均等化（z=0.5）或自利最大化（z=1），正斜率线上多数被试选择自利最大化；Kolmogorov-Smirnov（KS）检验的结果总体支持处理间分布相似的结论。这说明货币激励及其规模对被试增加或减少他人收益的支付意愿几乎没有影响。

4.2 聚类分析：研究人员采用DP-means算法对每个处理的12维选择数据进行无监督聚类，发现三种处理均出现相同三类行为类型：不平等厌恶型、利他型和主要自利型，且每类约占总人数三分之一；χ²检验不能拒绝类型分配与处理相互独立（p=0.255）。这说明货币激励不影响性质上不同的社会偏好类型的识别及其人口分布。

4.3 结构分析：研究人员用层次贝叶斯模型估计Fehr-Schmidt模型中的α参数（劣势不平等厌恶）和β参数（优势不平等厌恶）。低激励与高激励处理之间的α和β差异总体不显著，但假设性处理下α和β显著更高：α从低激励的0.219升至假设性的0.368，β从0.613升至0.744。这说明假设性激励导致社会偏好强度被高估。处理差异主要由聚类分析识别出的不平等厌恶型被试驱动。在估计精度方面，假设性处理下个体参数的后验标准差明显更大（α中位数0.310，低激励0.238，高激励0.224；β中位数0.290，低激励0.221，高激励0.196），说明货币激励能够显著提高结构估计的精度，而激励金额大小的进一步增大并未带来明显改善。

4.4 学生样本：对学生样本的补充分析显示，描述层面激励处理对众数选择影响很小；聚类分析在低激励与假设性条件下识别出三类，但在高激励条件下未识别出稳定的三类结构；结构估计的激励效应不如普通人群清晰，