随机考虑是否解释了难以做出选择时的行为？根据

nandehutu2022

941

收藏 2022-06-11

英文标题：
《Does Random Consideration Explain Behavior when Choice is Hard? Evidence
from a Large-scale Experiment》
---
作者：
Victor H. Aguiar, Maria Jose Boccardi, Nail Kashaev, Jeongbin Kim
---
最新提交年份：
2019
---
英文摘要：
We study population behavior when choice is hard because considering alternatives is costly. To simplify their choice problem, individuals may pay attention to only a subset of available alternatives. We design and implement a novel online experiment that exogenously varies choice sets and consideration costs for a large sample of individuals. We provide a theoretical and statistical framework that allows us to test random consideration at the population level. Within this framework, we compare competing models of random consideration. We find that the standard random utility model fails to explain the population behavior. However, our results suggest that a model of random consideration with logit attention and heterogeneous preferences provides a good explanation for the population behavior. Finally, we find that the random consideration rule that subjects use is different for different consideration costs while preferences are not. We observe that the higher the consideration cost the further behavior is from the full-consideration benchmark, which supports the hypothesis that hard choices have a substantial negative impact on welfare via limited consideration.
---
中文摘要：
我们研究当选择困难时的人口行为，因为考虑替代品的成本很高。为了简化他们的选择问题，个人可能只关注可用备选方案的子集。我们设计并实现了一个新颖的在线实验，该实验在很大程度上改变了大量个体的选择集和考虑成本。我们提供了一个理论和统计框架，允许我们在总体水平上测试随机考虑。在此框架内，我们比较了随机考虑的竞争模型。我们发现，标准随机效用模型无法解释人口行为。然而，我们的结果表明，带有逻辑注意和异质偏好的随机考虑模型可以很好地解释人口行为。最后，我们发现，对于不同的对价成本，受试者使用的随机对价规则不同，而偏好则不同。我们观察到，对价成本越高，充分对价基准的行为就越深入，这支持了艰难选择通过有限对价对福利产生重大负面影响的假设。
---
分类信息：

一级分类：Economics 经济学
二级分类：General Economics 一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Quantitative Finance 数量金融学
二级分类：Economics 经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
-->

Does_Random_Consideration_Explain_Behavior_when_Choice_is_Hard?_Evidence_from_a_.pdf
大小:(2.25 MB)

马上下载

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

全部回复

何人来此

2022-6-11 07:55:25

随机的考虑是否解释了在困难时的行为？大规模实验的证据*+Victor H.AguiarMaria Jose Boccardi§Nail KashaevPJeongbin Kimkt本版本：2019年6月/第一版：2018年11月摘要替代品成本高昂。为了简化他们的选择问题，个人可能只关注可用备选方案的子集。我们设计并实现了一个新颖的在线个体样本。我们提供了一个理论和统计框架，允许我们比较随机考虑的竞争模型。我们发现，标准随机效用模型无法解释人口行为。然而，我们的研究结果表明，一个具有逻辑注意和异质性的随机考虑模型支持这样一个假设，即艰难选择通过有限的考虑对福利产生重大的负面影响。JEL分类号：C90、C12、D81、D12。关键词：随机效用，实验离散选择，随机考虑集。*Manzini、Marco Mariotti、John Rehbeck和J"org Stoye提供有用的评论和建议。Aguiar和Kashaev感谢西方社会科学学院助学金（FRDF R5533A02）的财政支持。+该研究已获得加州理工学院IRB编号18-0812的批准西安大略大学经济系，vaguiar@uwo.ca§纽约大学社会科学系，阿布扎比，玛丽亚。何塞。boccardi@nyu.eduP西安大略大学经济系，nkashaev@uwo.cakDivision加州理工学院人文社会科学系，jbkim@caltech.eduarXiv：1812.09619v2[经济GN]1991年6月17日。简介决策者（DMs）。这个问题与确定偏好的分布密切相关。将他们的偏好最大化，而不是选择集。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-6-11 07:55:28

然而，如果决策支持系统在难以做出选择的情况下不考虑所有可用的替代方案，则Rum可能无法描述行为和识别偏好。决策支持系统可以使用两个阶段的程序：第一阶段通过使用对价集简化选择，第二阶段仅在面临对价成本时使用备选方案。由Masatlioglu et al.（2012）和Manzini and Mariotti（2014）开创的大量文献提出了考虑中介选择的理论。这些理论适应了由于注意力不集中、可行性、分类和搜索而导致的对谣言的偏离。与托伦相反，人们对这些模型的经验有效性及其识别偏好分布的能力知之甚少。通过关注注意力不集中的渠道，我们的工作旨在填补文献中的这一重要空白。恢复偏好分布和对价规则。我们的框架扩展了许多考虑中介选择的理论，以考虑偏好的异质性。这使我们能够将这些个人行为理论带到总体水平，从而允许使用横截面数据集对其进行测试。继McFadden和Richter（1990年）以及Kitamura和Stoye（2018年）之后，我们认真考虑到这样一个事实，即所有随机选择理论都以不可观测的可变性作为其原始理论。在经验上，我们设计了一个具有两个独立外源变异源的新实验：在选择集中意味着研究者观察到了所有可能的选择集。Block和Marschak（1960年）以及Falmagne（1978年）在与我们相似的环境中首次提出了全面变化。菜单变化。和Ulku（2017）、Lleras等人（2017）、Cattaneo等人（2017）和Horan（2018）。RUMsee McCausland等人。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-6-11 07:55:31

(2018).选择集使我们能够检验考虑中介的选择理论，并在亚马逊机械土耳其人（MTurk）的在线中确定偏好，从RUM有效性中收集12297个独立选择观察结果，但未能拒绝DMs考虑有限的假设。考虑过的。因此，观察到的选择是未观察到的偏好组合的结果。在有限的考虑下，偏好的可恢复性与在RUMIF中一样好。除了选择集的完全变化之外，还有大量考虑完整选择集的决策者。充分考虑确定的偏好分布产生的选择分布。遗传偏好相当于测试这种假设的充分考虑分配或选择是否与RUM一致。因此，我们利用这一结果，利用北村和斯托耶（2018）的框架对这些模型进行了测试。如inDe Clippel和Rozen（2018）所述，观察非穷尽菜单中的选择时出现误报。尽管如此，选择集中的完全外生变异对于个体面对每一个可能的选择集来说都是非常重要的。RUMstudies选择集变化可能不是外生的，因为DM面临的约束可能主要集中在不满足我们目标的二元选择集上，也不会测试有限的考虑。此外，我们专注于统计检验，而不是拟合优度度量或贝叶斯因子的计算（他们使用的两种方法）。Cattaneo et al.（2017）表明，许多随机考虑规则等同于确定性偏好和考虑中的异质性。与她的喜好相关。对价成本的外部变化使我们能够研究每个选择集的三种不同成本处理的条件。每个DM都面临所有这三个成本。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-6-11 07:55:34

这些处理方法要求我们在保持（偏好分布）固定的同时，了解不断变化的对价成本可能会如何影响选择。Aguiar的MML分类模型（2017）（RCG）。在离散选择中加入有限对价的兴趣越来越大。特别是，流动和可处理的MMModel已成为（2019），Dardanoni等人（2019），Kashaev和Lazzati（2019））。然而，MMI具有高度的风格化考虑）。我们从实验的角度研究了这一强有力的假设是否符合MLARCGMM（2018））。我们利用这些模型之间的丰富关系来了解我们实验的真实数据生成背景，全选择集变异允许我们测试考虑中的独立性假设。RUMwhile允许对价规则随成本变化。我们的主要发现是：（i）我们以中低成本拒绝了RumlarumLammr）。RCG（嵌套MM）也是如此。实验说明中没有明确说明选择保持不变的事实。注意，我们的方法可以应用于其他随机对价规则。例如，见Goeree（2008）、Abaluck和Adams（2017）、Barseghyan等人（2018）、Barseghyan等人（2019）和Dardanoni等人（2019）。这表明，快速而节俭的考虑规则，如分类或独立考虑，可能会在考虑成本较高的情况下发挥良好的作用。与备选方案的呈现方式无关。在我们的三种成本处理中，无论对价成本如何，偏好的分布必须保持不变。利用rumiwhen可以很好地描述行为。我们提供的证据表明，在不同的费用处理之间，人口行为是不同的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-6-11 07:55:37

与此形成鲜明对比的是，我们未能拒绝零假设，即LA各成本处理中偏好的潜在分布是相同的。一些现有项目的风险增加。吸引力效应不能仅为中间对价成本而合理化；考虑到这一点，成本很低，但在95%的置信度水平上，我们不能拒绝LA。选择过载指的是不选择的倾向（或概率发现实验证据表明，具有异质偏好的随机考虑可以解释选择困难时的行为，而随机效用则不能解释选择困难时的行为）。当偏好固定时（有无默认值）测试不同随机考虑模型的一般框架。因此，他们的工作更适合于单个随机选择数据。我们的贡献是为了在（大）横截面层面上工作，每个人、许多这些违规行为以及为使其合理化而提出的理论。Chernev等人（2015年）对选择过载的决定因素进行了元数据分析，回顾了之前两种影响的可能性。其他非有限考虑模型的随机选择模型通常可以容纳选择（2018）。据我们所知，Allen和Rehbeck（2018）是唯一提出原则上只能面对一个选择集（非统计）的论文。此外，我们的数据集允许我们进行渐进推断，当选择规则时，可以识别偏好。我们表明，即使在偏好的异质性下，默认备选方案也是实现随机对价规则点识别的关键。我们还对侧重于确定偏好分布的实证文献做出了贡献。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

kedemingshi

2022-6-11 07:55:40

此外，我们还表明，即使在偏好同质化的情况下，在充分考虑的情况下，偏好识别的新水平也与Doesrum相同。为此，我们引入了一种合理的零代价备选方案，该备选方案能够捕获考虑选择集中任何项目的机会成本。我们的方法不同于以往使用增强数据集测试考虑因素存在性的研究，因为我们只使用标准随机广告影响考虑因素集的形成，而不影响消费者偏好。最近，尝试使用他们的方法来恢复它）。我们与这项工作不同，因为我们专注于统计推断），我们不观察属性（例如价格）。La期望效用限制（独立公理），并表现出恒定的相对风险厌恶（CRRA）。我们之所以能够做到这一点，是因为，当我们使用我们的测试程序时，我们不能拒绝这些唯一恢复我们人群中偏好类型分布的方法（Apesteguia et al.（2017））。。从非参数显示偏好的角度对随机选择进行检验。我们的方法与他们的方法不同的另一种方式是，他们关注具有属性的随机选择的情况。确定有限的考虑因素。为了确定考虑因素集模型，Kawaguchi et al.（2016）和Conlon考虑了一个特定的替代方案。考虑因素集模型。由于缺乏充分考虑，人口可能是次优的。中等和低成本的次优个体比例分别为17.34%和3.76%。这些发现揭示了艰难选择对福利的重大影响。我们对优先权分布的估计意味着，如果我们的条件支持Gul等人的模型，那么我们的人群中有两种主要的偏好类型。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-11 07:55:43

（2014），只要该模型增加了有限的考虑。论文的主要内容如下。第2节介绍了我们的模型，该模型扩展了对价集理论，同时考虑了偏好异质性。本节描述了外部改变选择集和对价成本的欠设计限制，从而允许我们识别影响。第5节介绍了随机对价规则的结构估计，以及第6节的结论。2、环境–ModelXo/∈ XA{A∈X \\{}}XXpX∪ {o} ×A 7→,给定选择集的选择规则加起来为1，Pa∈Ap（a，a）+p（o，a）=1。此外，p（a，a）=0 ifa/∈ A、我们确定p（o，) = 一个完整的随机选择规则是向量P=（P（A，A））A∈A、 A∈A.∪{o} 。在人口水平上普遍存在。AA：选择集DD：考虑集MA（·）π（·）首选项：∈ R（X）考虑集：D∈ 2Aai，A：-Dai中的最大值，A：选项图1–考虑中介的选择是两个阶段过程的结果，第一个选择和菜单（A）。我们没有观察到，我们的目标是确定理论对象：群体偏好分布（π）和随机选择规则（mA）。2.1. 随机考虑集与偏好异质性a∈ 公元 ADπ∈ X×XR（X）X上所有严格线性阶的集合。概率测度π，它是简单函数r（X）的一个元素，表示为（R（X）），完全捕获偏好异质性。分配MAA→,PD公司阿马德马阿∈ Amis，m=（mA（D））A∈A、 D∈2A。正式定义1。（异质偏好随机考虑集规则，HRC规则）如果存在一对（m，π）使得P（A，A）=X，则完全随机选择规则P是HRC规则∈R（X）π()除息的AmA（D）1（a b b∈ D），对于所有a∈ X和A∈ A、其中1（·）表示指示器功能。此选择规则如图1所示。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-6-11 07:55:46

我们可以通过将定义1中的所有线性顺序Sr（X）替换为C（X），将HRC规则专门化为对偏好异质性的不同限制 R（X）如果陈述B为真，则满足属性c.1（B）等于1，否则等于零。在下面的内容中，我们将考虑对c的几个限制：（i）线性序必须满足彩票的独立性公理。我们称这种限制为预期效用（EU）（c=EU）。简而言之，这些受限模型的符号为isc-L-HRC。（ii）我们确定单一线性顺序或同质偏好（c=HM）。受限制的优先顺序集REU（X）仅包含可由预期实用程序表示的线性顺序，即存在一个集合{uz}z∈Z、它表示prizesZ集合上的实用程序，因此每个lotteryl∈（Z）可靠性EU（l）=Pz∈Zl（z）uz。见附录B。定义1隐含地假设随机对价集规则和异质Mπ决策分两个阶段，其中决策支持系统通过独立于偏好的快速和frugalheuristics（对价）简化艰难选择任务，然后从HRCNO中理性选择，即使在独立假设下，也没有经验内容。这意味着假设具有普遍性。引理1。每个完全随机选择规则P都是HRC规则。如果没有对π和mt的额外限制，该模型是不可靠的。我们将限制偏好的异质性。2.2. 注意指数考虑集规则注意指数是幂集η上的概率度量∈（2倍）。η（D）捕获值D∈Xattention指数衡量考虑因素集的吸引力以及理解的复杂性。ηC>ηdcdin在此介绍注意力指数考虑因素集规则系列。定义2。存在一个连接函数ψ（·）=（ψa，D（·））a∈A、 DAsuch thatmA（D）=ψA，D（η），对于allA∈ A和D A.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-6-11 07:55:49

由给定链接函数ψL（以L为索引）导出的所有考虑规则的集合用ML表示。ψ·注意指数形成给定选择集或菜单的考虑的特殊方式。换句话说，link函数将无条件注意转换为有条件（在选择集上）注意。我们关注允许注意力指数表征的随机对价规则，因为：（i）它们作为特例涵盖了众所周知的对价模型（见下文）。（ii）他们的行为兴趣，因为他们为任何一部分候补者提供了有用的（无条件的）注意力指数。（iv）它们允许显著降低考虑集规则的维度，使其易于处理。以下模型采用注意力指数表示法：全注意力模型（FC），LAMMRCGAguiar（2017）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-11 07:55:52

两种不同的考虑因素集规则只允许注意指数表示，它们如何使用注意指数在给定的选择集中形成考虑因素集。定义3。logit注意（LA）、选择集独立（MM）、随机考虑（RCG）和充分考虑（FC）模型允许通过链接函数ψL，L表示注意指数∈ {LA，MM，RCG，FC}这样om∈ MLAif且仅当存在η时∈ （2X）使得ma（D）=ψLAA，D（η）=η（D）PCAη（C）>0，对于所有A∈ A和D∈ 2A；om级∈ MMMif且仅当m∈ MLAwithη（A）=Ya∈X\\A（1- γ（a））Yb∈Aγ（b），对于给定的γ：X→ （0，1）和∈ 2X；om级∈ MRCGif且仅当存在η时∈ （2X）使得ma（D）=ψRCGA，D（η）=XC:C∩A=Dη（C），对于所有A∈ A和D∈ 2A；om级∈ MFCif且仅当m∈ mrcg，η（A）=1（A=X）。这个注意力指数考虑规则的列表不是详尽的，但是我们使用这些模型，因为它们将允许我们以系统的方式了解支配我们的实验应用程序的真实数据生成过程。特别是，众所周知的NMM规则正是LaandRCGModels的交叉点（Suleymanov（2018））。因此，LAandRCGare完全具有信息性。（Tversky（1972））。我们的一般结果涵盖了这种情况，到目前为止，文献中尚未完全描述这种情况。该规则规定了各项目之间的独立性。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-6-11 07:55:55

这一限制使得拉氏消耗（Lackgassumption）成为可能，以允许不同的特拉达ηDRCG之间注意力的替代和互补，考虑到一个子集给定的选择集的概率正好是选择集的交集。在我们的框架中，由于考虑有限而产生的随机性可能有两个原因：（i）考虑在个体层面上是确定的，但在群体层面上是异质的；（ii）个人层面的考虑是随机的，独立且分布相同的人权委员会规则。示例1。遵循一条经验法则：他们完全关注选项B如果它存在于给定的选择集中，否则考虑集为空。DMs根据（异构）π选择最佳替代方案∈RXRCGη（X）=和η（{b}）=。然后RCG HRC规则可以描述这种群体行为。存在代表性DM时的代表性。示例2。A注意力，由MA测量∈（2A），在所有可能的考虑因素集inA（包括排空）。我们假设DM具有注意指数η∈（2倍）。选择难度由认知成本函数k：[0,1]→ R∪ {+∞}它独立于菜单。固定的 A、 K（mA（D））使用considerationmAK·mA度量分配注意D的成本∈A处理它的认知成本。从形式上讲，MAI是XM的解决方案∈（2A）XDA[米（D）η（D）- K（m（D））]。K优化问题意味着最优对价规则允许注意指数MηLAI解释（详见附录C.5）。鉴于注意力指数表示的定义，我们可以定义HRC规则的限制版本（L-HRC-rule）。定义4。L-HRCψLPL HRC规则，如果P是带m的HRC规则∈ ML.application我们专注于四种不同的模型（L∈ {LA，MM，RCG，FC}）。然而，我们的方法扩展到任何允许注意指数表示的考虑模型。2.3.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-11 07:55:58

L-HRC模型的表征和识别在本节中，我们回答了以下问题：（i）何时可以从数据中恢复不同的考虑规则？（ii）其可观察到的影响是什么？我们回答了偏好π的PMD分布。换句话说，我们从数据集P中恢复生成它的HRCRule的原语，并提供必要和有效的条件，以保证adataset P可以由L-HRC规则生成。我们的出发点是利用这样一个事实：如果对价规则限制了注意力指数表示，那么选择默认替代方案的概率完全由注意力指数η决定。特别地，考虑了选择外部选项的概率与选择集中的任何其他选项无关。如果我们表示po=（p（o，A））A∈Aandψ（η） =（ψA，（η））A∈Awe可以写出方程：po=ψ(η).ψ从所有不同的菜单中选择外部选项。由于我们的目标是确定对价规则，我们对注意力指数规则进行了自然限制，以保证ψ的可逆性。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-6-11 07:56:01

本文中感兴趣的模型（但不限于它们）满足了这一限制。定义5。Amnotone如果我们可以写∈ A：文学硕士() = ^1（XCAη（C），η()),式中：Д：[0，1]×[0，1]→ [0，1]是每个条目或坐标中的严格单调链接函数。假设在给定选择集的条件下，不考虑任何对象的概率是关注菜单中至少一些可选对象的累积概率（根据η）和不考虑任何对象的概率（无条件）的单调函数。此后，我们对已知的连接函数施加全单调性限制，并且是可变的。完全单调的注意力指数规则使得随机考虑是单调的，asin Cattaneo et al.（2017），namelymA()≤ mB() 国际单项体育联合会 A、在第十年，当И严格增加时。然而，在这种情况下，它们意味着更多。自，映射（·）() :A.→[0,1]是functionPC例如，对于CGIT而言，ηC将满足一种边际递减选择倾向（Aguiar（2017））。非正式地说，当一组新的备选方案添加到菜单中时，选择外部选项的边际概率呈弱递减（例如。，Cp（o，A）=p（o，A∪ C）- p（o，A）≤0，DCpo，A≤在这种情况下，它提供了与RAM相反的行为。从这个意义上讲，这种注意力限制既不弱也不强于Cattaneo等人（2017）中的单调性限制。ψψ在这项工作中所有感兴趣的例子中都适用。重要的是，这是一个可测试的限制。注意，由于ψ的倒数在相关模型下是已知的，因此我们可以从数据P计算候选η。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-6-11 07:56:04

如果计算的η不是单纯形的元素（2X）则ψ不可逆。代表性。引理2。∈ {LA，MM，RCG，FC}单调注意指数表示法：oДLA（t，ηo）=ηot；oνRCG（t，ηo）=1- t+ηo；oДMM（t，ηo）=ДLA（t，ηo）和ДMM（t，ηo）=ДRCG（t，ηo）；oДFC（t，ηo）=ДRCG（t，ηo）。由于该证明对于LA、RCGandFC的情况很简单，因此省略了该证明。对于MM的情况，以下是Brady和Rehbeck（2016）和Aguiar（2017）的声明。然而，请注意，这一限制并不意味着考虑集规则限制了与空集不同的其他菜单的单调性属性。v·PC·ηC（1989））。请注意，因为cemmandfcs分别是laandrcg的特例，所以它们共享相同的链接函数。然而，根据经验，我们将能够区分它们，因为它们对η构成了额外的限制。2.4. L-HRC模型的表征作为表征L-HRC模型的一个初步步骤，我们构建了一个候选校准ηLPД，并证明了累积注意指数xv（·）=PC的唯一Mobius逆的存在·η（C）（Chateauneuf和Ja ff ray（1989））。我们递归地这样做。对于给定的νL，让-1、土地和-1，Lbe分别是与第一个和第二个参数有关的νl的倒数。设| A |表示有限集A的基数。定义6。（校准注意力指数）对于givenP，让ηL：2X→ Ris使得（i）ηL() =φ-1，L（1，p（o，X）），和（ii）表示所有A∈ 2X\\XηL（A）=XBD(-1） | D\\B |Д-1，L（p（o，D），ηL()).PP正确的对价规则。换句话说，特定链接功能的可测试含义会对任何集合产生负面关注∈十、

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-6-11 07:56:07

这个可测试的含义类似于Block和Marschak（1960）不等式。M模型规格。定义7。PmLmLADA公司∈A、 D∈2AmLAA公司→ RA公司∈ A和D∈ 2A，mLA（D）=ψLA，D（ηL）。感兴趣的模型。定义8。∈ {LA，MM，RCG，FC}PmLmLADA∈A、 D∈2AmLA：2A→ R是这样的，对于所有A∈ A和D∈ 2A，omLAA（D）=ηLA（D）PCAηLA（C），其中ηLA（D）=PBD(-1） | D\\B | p（o，X）p（o，B）；omMMADηMM（D）PCAηMM（C）ηMMDQa∈X\\D1.- γMM（a）Qb级∈DγMMbγMMX→ R使得γMM（a）=1-p（o，A）p（o，A \\{A}）对于某些A∈ A包含；omRCGA（D）=PC:C∩A=DηRCG（C），其中ηRCG（D）=PAD： D∈A(-1） | D\\A |（p（o，X\\A））；omFCA（D）=1（A=D）。当模型规格错误时，校准指数ηl将不是一个定义良好的分布。通常情况下，Ml可能不是一个分布（某些成分可能为负或大于1）MlMlammMLPDAmLADA公司∈ AmLmL≥mL1，我们需要以下定义。定义9。（定义良好的ML）mLA（D）是指在考虑集上定义良好的分布集合∈ （2A）对于所有A∈ A和所有D∈ 2A。如果所有D的mLAA（D）>0，则设置mLsets∈ 2A；oγMM（a）∈ （0，1）对于所有a∈ 十、 omRCGA（D）≥ 0表示所有A∈ 2A；omFCA（D）=1（A=D）。通过明确MLI的要求进行总结。我们现在准备陈述我们的主要结果。定理1。对于每个连接函数L，以下是等效的：（i）P是L-HRC规则；（ii）由（m，π）描述的mLPHRC规则，m=mL。定理1提供了模型的可测试含义。如果PIS是人权委员会规则，则必须明确MLI。定理1暗示，为了测试给定模型，不需要考虑考虑考虑集上所有可能的分布。有必要根据定义7检查根据观察到的P校准的唯一分布。πover consideration setsm）使数据与模型一致。现在我们只需要找到π。换句话说，我们实现了降维。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-11 07:56:10

不幸的是，测试问题仍然无法处理，因为所有可能的分布都是基于偏好的（R（X））很大。为了解决这个问题，我们引入了另一个活动对象。定义10。对于给定的连接函数L和p，letPLπ=（pLπ（a，a））a∈A、 A∈十、式中，plπ：X×A→ 因此，对于所有∈ A和A∈ A、 pLπ（A，A）=p（A，A）-个人计算机AmLA（C）pLπ（a，C）mLA（a）。我们称PLπ为校准的充分考虑规则。PHRCPLπ考虑随机效用规则。事实上，我们可以将LHRC模型等效为：p（a，a）=XDAmA（D）pπ（a，D），pπa，AP∈R（X）π1（a bb∈ A）FCfault）由随机考虑规则加权的选择，以产生观察到的行为。当P由该LHRC规则生成时，则pLπ=Pπ。mLPLπL-HRCtheorem提供了测试前我们所缺少的最后一个特征。定理2。PML定义，（ii）所有A的mLA（A）>0∈ A、那么以下是等价的：（i）P是L-HRC规则；（ii）PLπ是FC HRC规则。毫升≥PLπPmLand是否校准PLπ是一个充分考虑的规则。我们没有观察到，但可以一致地用^PL HRC规则解释^P中的抽样可变性。Manzini和Mariotti（2014），Brady和Rehbeck（2016），Aguiar（2017）。此外，它为所有接受（完全单调）注意力指数表示的模型提供了唯一的结果。2.5. 识别规则，我们从PIF中唯一识别出考虑因素集规则，对于所有充分考虑的模型，它是aL HRC规则。定理3。对于ALA，PL-HRC（ii）mLA（A）>0∈ A、因此，ifpi由（m，π）和（m，π）描述，然后m=和pπ=pπ。模式和偏好组件以独特的方式。附录C.3表明，行为识别仅来自一个渠道（例如有限的考虑），该模型只允许考虑/注意，无需额外假设（例如。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-6-11 07:56:13

RAM）可能无法识别潜在的偏好可恢复性，与RAM形成鲜明对比的是，在RAM中，无法识别常规随机选择的偏好。我们可以在线性序集sr（X）上添加限制，以唯一地标识引用的分布。特别是，我们可以遵循Apesteguia et al.（2017）和replaceR（X）的定义1，即满足单交叉条件的线性顺序集。在我们的实验中，我们考虑彩票，因此对预期效用合理化施加限制是很自然的。如果我们限制偏好由风险参数完全异质性的常数绝对风险厌恶（CARA）或常数相对风险厌恶（CRRA）预期效用模型控制，那么我们将在第5.2.6节中研究一个重要的特例。不同注意指数模型与随机效用选择集的关系∪ {o} 。Rum将默认备选方案视为没有特殊状态的另一个项目。接收∪ {o} 扩展选择集上的线性序∪ {o} 。同样，让πo∈（R（X∪ {o} ）是R（X）上的概率度量∪ {o} ）。定义11。（随机效用模型，RUM）如果存在πo，则完全随机选择规则P与随机效用一致∈ （R（X∪ {o} ）这样p（a，a）=X∈R（X∪{o} ）πo()1（a bb∈ A），对于所有A∈ A和A∈ A、 RUMLAis不由nor nestsRUM嵌套。例如，正如Manzini和Mariotti（2014）以及Bradyand Rehbeck（2016）分别讨论的那样，La允许violatesRUMMMis与Rumandla一致的吸引力效应。此外，RCGis嵌套在非人类的nestsMM中，因此其lammlarcGordered，使得任何成对比较只切换一次（Apesteguia et al。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-6-11 07:56:16

(2017)).偏好分布。RUMMRCGLA图2–考虑因素集规则之间的关系：RUM、LA、MM和RCGTTable 1–LA、RCG、MM和RUMG无法合理化的行为：RUM MM LA RCGAttraction effect 7 X 7 choice overload 7 7他们。2.7. 测试程序有必要且有效地测试是否定义良好（满足一组线性不等式），PLπ是否与充分考虑模型一致。请注意，充分考虑模型等同于没有外部选项的随机实用模型。Rum测试是一个众所周知的问题，相当于解决了一个带有锥约束的二次优化问题（参见McFadden和Richter^pin，而不是未知P）。为了介绍测试程序，我们需要确定几个对象。请注意，标定的PLπdpP | X | k=1k|X | kkPLπ对应于某对（a，a），使得∈ A.∪ {o} 。文献及其经验含义见附录C。nk公司=nk（n）-k）哦！和n！=1·2·······n.设B为大小dp××X |的矩阵！使得它的（k，l）元素等于toBk，l=1（a∈ A）1（A信用证， c∈ A）、ka、Aa∈ A.llXGas大小为（dp+dm）×d的矩阵，其中d=| X |+dmanddm=PAX | A |是mL的尺寸，因此g=B 0dp×dmdm×| X |！Idm公司,其中0dp×dma表示sizedp×dm的零矩阵，而dma表示sizedm×dm的单位矩阵。下一个结果建立了L-HRC规则viamLandPLπ的等效特征。LetRd+表示D维欧氏间隔的分量方向的非负元素。定理4。以下是等效的。（i） PLπ是FC HRC规则，MLI定义良好；（二）infv∈研发部+德国劳埃德船级社- Gv公司 = 0，其中gL=（PL0π，mL0）。证据参见McFadden和Richter（1990）以及Kitamura和Stoye（2018）。定理4意味着我们可以检验∈研发部+德国劳埃德船级社- Gv公司= 0

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-11 07:56:19

幸运的是，这个测试问题可以直接转化为北村和斯托耶（2018）的测试问题。P^PA∈ Ana表示样本中面临选择集A的个体数量，letai，A，i=1，nAiA公司∪ {o} 观察每个选择集的横截面观察值。然后，我们将估计的随机选择规则定义为^P=（^P（a，a））a∈A、 A∈A.∪{o} 。^p（a，a）=n-1APnAi=11（ai=a）对于任何a∈ A.∪ {o} 。给定感兴趣的L模型和P的估计量，我们可以计算LPLπ^mL^PLπ统计量的估计量isTn=n min[v-τnι/天]∈Rd+（^gL- Gv）^Ohm-（德国劳埃德船级社- Gv），nPAnA^gL^PLπ，^mL0^Ohm-矩阵^Ohm使第i对角线元素^Ohmi、 iis^gL第i分量渐近方差的一致估计；τnis是一个调谐参数；ι是维度d的向量。在我们的实证应用中，我们对τn的不同值进行了测试（例如，τn=rlog（minAnA）、minAnAfollowingKitamura和Stoye（2018），以及τn=0）。结果在质量上是相同的。^gL，*ll，L^gln遵循Kitamura和Stoye（2018）提出的引导程序：（i）计算^ητn=Gvτn，其中vτnsolvesn min[v-τnι/天]∈Rd+（^gL- Gv）^Ohm-（德国劳埃德船级社- Gv）；（ii）计算^gL，*l=^gL，*l- ^gL+^ητn，对于每l=1，L和Ohm*;（iii）计算bootstrap测试统计量*n、 l=n最小值[v-τnι/天]∈Rd+（^gL，*l- Gv）^Ohm*-（德国），*l- Gv），l=1，L（iv）使用bootstrap统计量的经验分布来计算给定置信水平α的Tn临界值∈（0，/2），测试的决策规则是“拒绝无效假设HRCn>^c1-α^c1-α- α——自举统计。请注意，如果赫尔假设是错误的，且^gLis的渐近方差从上方有界且远离零，则检验统计量偏离到整体，概率接近1。离散化）协变量只需对人口的一个子组进行测试。3.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-6-11 07:56:23

实验我们的测试方法需要全选择集变化，但在随机考虑集的不同理论的性能方面没有要求，每个人的观察很少。每个人最多有两个（不相交的）选择集（见第3.1节）。所有课程均于2018年8月25日至2018年9月17日在MTurk平台上进行，调查采用Qualtrics设计。我们调查了2135人。他们平均获得1.09美元的报酬，而参与费和随机选择的任务的结果为0.25美元。秒（略超过4分钟）。这意味着我们每小时的平均工资大约是15美元。我们实验的费用与年进行的其他著名实验相当。。在实验室里的行为，游戏的赌注要大十倍。他们还估计了最低。。。。。范围在0.90美元到1.50美元之间，包括0.50.3.1美元的演出费。考虑成本的实验设计。此外，我们的设计产生了一个具有不同期望值和方差的完全随机选择数据集。表2显示了如果DM是具有CRRA伯努利效用函数U（x）的预期效用最大化者，则备选方案和隐含参考排名=x1-σ1-σ、 σ6=1，ln（x），σ=1。以中等程度的风险规避为主导（例如，Holt和Laury（2002））。LetX={l，l，l，l，l}是所有非默认选项的集合，letobe是默认/超理想选项。所有选项设置A∈ A在样品中观察到。外部选项始终存在并首先显示，而其他选项的顺序是随机的。可将选择集视为不同的处理方法。事实上，随机选择模型的许多行为含义都是人口统计信息。受试者不得多次参与实验。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-6-11 07:56:26

只招募了在美国的受试者。所有付款均以美元支付。每个任务的平均持续时间为23秒，它与选项集的长度显著相关（相关=0.1677，p值<10-4）成本（相关性=0.2581，p值<10-4).由所有其他替代品主导。此外，可以认为，不考虑对价治疗的成本，point（Suleymanov（2018））。如果没有这种随机化，菜单中的选择顺序可能会影响代理的决策。表2——以代币、期望值和方差衡量的彩票。彩票期望方差偏好等级u（x）=x1-σ1-σ与σ-2 0 0.25 0.30 0.50 0.75 1（1）50+0 25.000 625.00 1 1 2 5 5 6（2）30+10 20.000 100.00 5 5 5 5 5 2 1 1（3）50+30+10+0 22.500 368.75 3 3 4 4 4 3 4 4 4（4）50+48+14+0 24.125 511.73 2 2 1 3 4 5（5）48+30+14+10+0 21.625 251.11 4 4 3 1 2 3（o）12概率为1 2 2 000 0.00 6 6 6我们的原始测试HRCis^P=（^P（a，a））a∈A.∪{o} ，A∈A、因此，我们继续进行分层λ| A |λ≥宾夕法尼亚州∈A | A |任务。KK随机生成。示例如图3所示。默认的备选方案是asis，不需要解决算术问题就可以跨不同的成本水平来理解它。十、∪ {o} XAj公司∪ {o} ，Ak∪ {o} Aj公司∪ Ak=X和Aj∩ Ak=. 图4总结了我们的实验设计。默认备选方案对于任何选择集/治疗成本，外部选项始终存在跳过任务，她会被告知将为她选择。这种设计允许我们使用OAS作为选择集。由于简单，我们使用退化彩票作为默认彩票。从这个意义上说，我们相信我们设计中的备选方案o实际上没有考虑成本。彩票的结构。由于我们实验中的备选方案是彩票，因此，在充分考虑下描述行为的自然理论是预期效用。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-6-11 07:56:29

在这里，我们展示了特殊的结构，考虑到参与费的固定成本，它可以增加观察次数。在参考点的上下文中应用。在这种情况下，解释略有不同，但结构相同，没有外部替代方案，而是有一个参考点。通过设计，我们实验中的外部替代方案可以被视为参考点。（a）高成本（b）中成本（c）低成本图3-考虑成本处理-选择集{o，l，l}DM的不同诱导成本-MTurkstricationProb（Aj）=qj∝ （| Aj |+1）A∪ Aj=X和A∩ Aj=（H） a+b+c+d+EPRIES每种治疗考虑成本治疗时间菜单/随机付款a∪ {o} {o，l}{o，l}{o，l}A∪ {o} {o，l，l}{o，l，l}{o，l，l}A∪ {o} {o，l，l，l}{o，l，l，l}{o，l，l，l}Aj∪ {o} {o，l，l，l}{o，l，l，l}{o，l，l，l}A∪ {o} {o，l，l，l，l，l}{o，l，l，l，l}{o，l，l，l，l}（M）f+g+h（l）K图4–实验设计：DMidraws with probabilityp（Aj）menuAjwith | Aj |∈ {,,}.在图中，Aj={l，l，l}。因此，她被要求从menusAj中进行选择∪ {o} 安达∪ {o} A∪ AjXA公司∩ Aj公司（随机选择）并要求选择H、M和L的费用。然后，她面对三种费用治疗的其他菜单。对线性顺序集的限制（即，我们在定义1中使用Rc（X）和c=EU）。ZZZ（50、48、30、14、12、10、0）。独立性意味着，对于任何a、b、c∈ （Z），和任何α∈ （0，1）a b<==> αa+（1- α） c类 αb+（1- α） c。要理解独立性施加的其他限制，请注意，我们实验中的彩票可以写成L=（1/2，0，0，0，0，0，1/2）和L=（0，0，1/2，0，0，1/2，0）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-6-11 07:56:32

通过定义辅助彩票a=（0，2/5，0，3/10，0，0，3/10），可以建立以下关系：l=l+l，l=l+a，l=l+a。l 陆上通信线陆上通信线陆上通信线陆上通信线陆上通信线陆上通信线陆上通信线 lπ∈RXForL HRCwe不要求确定相对于外部选项的偏好，但我们也考虑了将o视为一个或多个备选方案的情况，因此我们相应地定义了Z。问题因此，通过实施独立性，我们减少了可以生成数据的偏好集。然而，之前的限制只是预期效用假设的影响。必要且有效的条件是存在伯努利效用向量u=（uz）z∈Z∈ R | Z|∈ 鲁克斯 l<==>Pz公司∈Zl1，zuz>Pz∈Zl2，zuz）。决定线性序是否与U相容的必要和充分条件（即，它可以扩展到单纯形（Z）作为预期效用顺序），附录B中提供了一系列奖品和彩票（作为线性规划问题）。因此，X与120至10.3.2的预期效用一致。样本该样本由2135名个体组成，他们从一个或两个选择集中选择了所有注意力成本的备选方案，如图4所示，共进行了12297次观察。^pa，Aa的数量∈A、 A∈A^pa，Adata汇集了注意力成本。治疗）。3.3. 描述性分析：代价考虑的证据观察到代价成本处理：（i）对外部选项的选择频率有显著影响；（ii）对所有其他备选方案的选择频率有不同的影响；（iii）影响菜单大小的选择动态；（iv）对每项任务的投入时间有显著影响。此外，所有这些影响都单调地取决于每种治疗诱导的选择困难程度。选择外部选项的频率应保持不变。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-6-11 07:56:35

原因是，成本处理的选项菜单保持不变，付款是随机的。然而，outsideWe在此使用线性概率回归框架，提供简单的相关性分析。图5–样本中的人口分布图6–外部选项的估计频率：按菜单大小平均。选项随着菜单大小的增加而减少，这为防止选项过载提供了证据。我们提醒读者，L-HRC不能产生选择过载。顺便提一下，我们强调了外部期权频率之间的显著线性关系，但将其进一步分析留给未来的工作。对中高成本有利；当计算彩票的成本非常高时，DMs很可能决定不考虑任何替代方案而选择外部选项。附录D显示了选项之间的相关性、考虑成本处理、菜单的大小以及菜单中备选方案的顺序。治疗。图7还显示，成本处理的效果并不均匀，对选择彩票4的概率没有显著影响；虽然这对其他备选方案有负面影响。如图8所示，这表明我们的大多数样本都满足了规律性。然而，对于集合数据的经验选择频率，这种关系是非单调的，尤其是在简单性方面，计算期望值的容易程度（算术运算的数量）取决于彩票的支持与否。图7–选择和考虑成本分析选择过载和吸引效应的证据。选择集和考虑成本。这些相关性如表15所示。个体决策时间对我们治疗的敏感性是其有效性的证据。4.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-6-11 07:56:38

测试随机对价模型UML HRCEUREUXour模型（对价集随机规则/成本处理），存在（m，π）表示行为。我们报告了检验统计量的值以及检验统计量的bootstrap分布中相应的p值（对everytest统计量进行了500次bootstrap复制）。p值被解释为观察到实现的概率。我们使用正式的测试程序发现，规律性仅在中等情况下失效。我们还发现，在汇集的数据中，规律性是失败的。考虑一下她在菜单中看到的前几个备选方案。当阈值是随机的时，搜索和满足可以被视为随机考虑的特例（Aguiar等人（2016））。有序效应的研究留给了未来的工作。图8——作为菜单大小函数的集合数据中的选择频率假设确实是正确的。那么，p值越小，研究人员就越有证据拒绝L-HRC表示有效性的假设。4.1. 结果每种考虑成本治疗的有效性为UM、EU-RUM、EU-LA、EU-RCG和EU-MM。我们测试了随机约束的特例，这是Gul et al.（2014）在充分考虑的情况下对随机期望效用模型的测试。在本节的其余部分中，我们将参考THL HRC模型withoutEUfor short。我们使用不同模型之间的关系（见图2）来了解它们的经验性，以描述我们实验人群的行为。首先，我们使用了一个事实，即Rumandla是最大的模型，没有任何其他感兴趣的模型嵌套。我们的第一个发现（First FindingLarumrum）描述了所有成本下人群的行为，但Lai成功完成了这项任务。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-6-11 07:56:41

我们强调了这样一个事实，即充分考虑（和任意分配偏好）的决策者群体将不惜一切代价被鲁姆描述。事实并非如此。因此，这表明在人口水平上存在有限的考虑。此外，当我们将注意力限制在乌鲁木齐时，Gul等人（2014）提出的模型无法描述所有三种考虑成本。尽管如此，我们还发现，无论是人还是人，都无法解释表3-L-HRC中的L∈ {LA，MM，RCG}当DM被假定为其考虑集内的预期效用最大化者时。考虑因素集规则A MM RCG示例N Test-Stat.p-value Test-Stat.p-value Test-Stat.p-value低成本4099 105305 0.4117 63302 0.0220 45412 0.0235中等成本4099 301213 0.4813----高成本4099 78699 0.7006 59175 0.2740 24090 0.4186表4–RUM结果：RUM和EU-RUM EU RUM测试结果摘要样本N测试统计p-VALUME测试统计p-value低成本4099271.07 0.5326 2211.95<0.002Medium Cost 4099 401.74 0.0919 1292.72<0.002High Cost 4099 225.97 0.8966 1567.60<0.002B因考虑成本的高低而被拒绝。RCGMMRCGMMRUM的结果截然不同。然而，CG和MMM模型在所有标准的MMM假设中都被拒绝，即MMM是唯一的考虑规则，它描述了不考虑高成本和低成本的人口行为。LA和RCG模型的交叉点。这意味着，如果该种群行为的真实数据生成过程与MM一致，则没有其他LAORRCG模型可以描述相同的数据。对于低成本案例，bothLAandRUM很好地描述了群体的行为，但RCG（以及MM）未能做到这一点。充分考虑。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-11 07:56:43

此外，我们发现，偏好分布的这种不稳定性与有限的LA规范考虑是不相容的。我们的结果首次提供了有限考虑的不同模型如何解释不同考虑成本水平下的人口行为的实证描述。图9总结了这些结果。对成本考虑有限的证据）RUMfail无法描述总体行为表明，DM可能是次优的RummRumWords，如果没有固定的选择集和支付方式的不同对价成本，就不可能区分RUM和L-HRC。其次，我们测试theLA、MM和rcgmodels的theurestriction。表3给出了正常结果。我们发现，具有不同类型偏好的法律为每种对价成本处理提供了一个良好的描述，因为我们不能拒绝所有成本案例都强烈拒绝的假设，如表4所示。在这个意义上，我们发现，一旦我们考虑到有限的考虑因素，EU就是对行为的合理描述。这一发现对有兴趣在选择彩票的背景下违反独立性公理的文献有启示。在此，我们已经表明，从经验上支持对观察到的偏离欧盟最大化基准的有限考虑解释。选择过载和吸引力效应在AggregateLARCGMMis中表明，它们与选择过载不兼容。即使是最普遍的有限理性模型也很简单，即有限对价规则允许决策者简化大型选择集，因此，他们对选择过载现象免疫。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-6-11 07:56:47

由于我们不能拒绝Lamodel，这一发现表明，有一个特殊的考虑规则，它也是或不是另一个模型看起来像的规则。RUMMRCGLA（a）高成本RUMMRCGLA（b）中成本RUMMRCGLA（c）低成本图9–L HRC测试结果摘要。浅色阴影区域对应于指示与两个或多个模型一致的行为集。任何关于选择过载对于单个数据集的重要性的说法。然而，这一发现透视了人口水平上选择过载的相关性。RumlarummRCGrumlaconsistent with regulatory。在我们的设置中，这是有利于吸引效应和反对考虑的证据。这一结果在文献中是新的，留下了一个悬而未决的问题，即对价成本在产生行为异常中的作用是什么。揭示对价集规则和对价成本表明决策者根据对价中的对价成本主动改变对价规则。例如，我们不能拒绝thatMM（thereforeRCG）在和节俭启发式中描述行为，但仍然不能充分考虑其选择集中的所有备选方案。相反，他们可能会遵循我们的HRC模型可以捕捉到的更具反思性的考虑规则。实际上，RCGMM当DM能够更好地理解选择时，他们就不再使用简单的考虑规则，如车削低成本案例。面对另一种选择，考虑成本可能仍然很高。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-6-11 07:56:50

根据我们的实验设计，预计任何彩票都会随着菜单的大小而增加（表13-14）。有关选择过载和吸引力效应的更多详细信息，请参见附录E.1。表5——偏好识别一致性检验——对已识别的对价成本偏好分布π稳定性的联合检验。模型假设p值πRUMLow=πrummidium=πRUMHigh<0.002LAπLALow=πLAMedium=πLAHigh0.6623即在低成本下，种群表现为与RUM一致。在这种情况下，我们不能放松∪ {o} ）。Lamodel和Rumdo在描述低成本行为方面都做得很好。选择外部选项。谣言对设置为其偏好顺序的偏好类型施加正概率。相比之下，拉普拉斯·索拉斯特（LAplacesolast）在解释外部选项的正质量时，认为DMs没有考虑任何其他因素。考虑成本的环境实际上可能与inManzini和Mariotti（2014）的i独立条件兼容。这种情况要求考虑任何给定条件的可能性，在这种条件下，最好使用高度可处理的MM模型。4.2. 对于三种考虑成本的处理方法，L-HRC-规则-优先权的稳定性L-HRC主题的有效性是完全相同的。考虑到我们的随机薪酬激励计划，每个选择集中的选择都可以被视为i.i.d.从潜在的独立性假设以及我们的实验设计中得出，如果其中一个HRCπ拒绝。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

栏目导航

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

分享

扫码加好友，拉您进群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群