我们在本节中检验了这一假设的有效性。鉴于LAI是唯一一个我们不能拒绝的模型，在我们的实验设计的未来扩展中，我们可以通过研究一阶随机意义上由所有其他彩票主导的外部选项来解决这个问题。πLALowπLAMediumπLAHighπLAcostmLAcost∈ {低、中、高}这一偏好联合稳定性的假设是从特征及其描述群体行为的能力推断出来的。接下来，我们检验一个类似的假设。与托拉形成鲜明对比的是，即使是思想也不存在明显的偏好分布。福鲁姆认为，由于高成本行为与MMS一致，但低成本行为与MMS不一致，因此我们拒绝了同样的分布是直觉结果的假设。综上所述，LAI在任何对价成本处理中均未被拒绝。此外，我们不能否认偏好的基本分布在参考文献中是相同的假设，并支持我们的识别结果的经验有效性。4.3. 来自汇总数据的证据：如果我们对成本处理进行汇总，结果是否有效？作为一项重要的稳健性检查，我们分析了我们的主要发现是否在聚合所有HRcrumrumfortion of Lamay之后仍然有效，而不是在聚合所有成本处理的行为之后。毕竟，在许多应用中，我们不能以对价成本为条件。（ii）对于我们的样本量，LAMAY的无反应性可能是一个偶数。我们提醒读者，我们的实验是迄今为止同类实验中最大的。合并数据中的测试直接解决了第一个问题，部分解决了样本量的问题（合并数据后，样本量从4099个观察值增加到2297个观察值）。鲁姆不能拒绝。表6总结了这些发现。

这证实了我们之前的结果，并为上述担忧提供了证据。请注意，对于LA HRC，模型对每种对价成本的合理化并不意味着Yrumapesteguia等人（2016年）和Aguiar等人（2016年）。从这个意义上说，合并检验具有较高的统计^PLAπcostmlacostbbbmatrix Idmof维度dmis乘以3。表6——汇总数据的结果——12297次观测充分考虑有限考虑模型检验统计p值模型检验统计p值468.06 0.0037 LA 681260 0.2590EU-RUM 4170.17<0.002 MM 322469 0.0087RCG 202249 0.0084Larumrumlochoices有证据反对随机理性的标准模型，支持有限考虑。4.4. 讨论偏好分布将取决于认知成本。然而，我们发现，我们不能否认LAA在对价成本处理中具有稳定的偏好分布的完整假设。因此，我们没有发现系统性误解的证据。有证据表明，有限的考虑可能是选择外部选项背后的机制。Thepoint（参见Suleymanov（2018）的工作）。Freeman et al.（2018）提供了一种替代机制，用于从成对比较中选择无风险彩票，而非显性风险选择，当二进制选择集呈现为作者是效用最大化的特例时。回想一下，我们发现的证据与我们的反刍动物实验相反，从而排除了Freeman et al.（2018）对costlynor环境的机制仅限于成对比较，他们每次面临一组选择。在本节结束时，我们讨论了我们的模型和我们在数据中支持的理性疏忽方面的发现。关于异质理性不注意型DM群体的情况以及群体中此类行为的聚集情况，留待将来研究。5.

偏好和注意力的结构估计：对福利考虑成本的影响，对选择的影响，因此对福利的影响。我们还确定偏好。我们首先考虑对随机对价的限制，因为这是唯一一种不会在所有对价成本中被拒绝的模型。我们发现，大集合X上的估计分布随着考虑成本的降低而减少。功能。也就是说，我们考虑一个参数效用函数u（x）=x1-σ1-σ, -1.≤ σ<1，ln（x），σ=1。REUXdistribution over preference ordersπ（Apesteguia et al.（2017）），文献中对此进行了广泛研究（如Holt and Laury（2002））。我们发现，CRRA限制没有改变（与CRRA限制一致）和随机对价（与THLA规则一致）；而随机对价规则随着对价成本的变化而变化。图10–成本处理的估计随机对价规则5.1。估计随机对价规则^mLA^po，AA∈AXA公司 样本中的XX菜单。X交叉成本处理的估计随机规则是^mLAX，HighX的函数。成本降低考虑转移到更大的子集。特别是，当没有额外的接近1（^mLAX，低（X）=0.9092）时。表7总结了这些结果。Xrational或全考虑DMs随着考虑成本的降低而增长。图10还显示，注意力并不是均匀分布在X的（严格的）子集上。例如，对于高成本，大小为4的子集的注意力分布为^mLAX，高（X \\{l}）=^mLAX，高（X \\{l}）=^mLAX，高（X \\{l}）=0.0001，^mLAX，高（X \\{l}）=0.0303，特别是，我们不能拒绝考虑成本处理的偏好稳定性。πCRRA LALow=πCRRA LAMedium=πCRRA LAHIGH假设的p值为0.49。将其转换为单工。

当LA是真实模型时，第二步估计量是一致的，这是我们不能拒绝的。请注意，forLAit必须是Mlax（D）=ηLA（D）表示所有D∈十、 因此，ηlai是2X上的随机考虑规则。表7–每个对价处理的估计随机对价规则汇总表显示SPD∈2X：| D |=k^mLAX（D），带D∈ 2倍。考虑因素集sizeCost | D |=0 | D |=1 | D |=2 | D |=3 | D |=4 | D |=5高成本0.0133 0.2125 0.1376 0.0855 0.3464 0.2061中等成本0.0001 0.2047 0.0006 0.1743 0.0003 0.6218低成本0.0001 0.0003 0.0006 0.0913 0.90923 0为了更好地确定所有菜单的关注度，估计值以零为界，因此minA^mX（A）=0.0001。^mLAX，高（X{l}）=0.3159。计算每个彩票的以下平均注意力指数：IA（a）=XD∈2A：a∈D、 | D | mA（D）。X中的备选方案a。表8显示了每个对价成本处理的IX（a）。如果DM在所有优先顺序上具有反事实均匀分布，则平均对价指数也可以理解为选择频率的加权概率。在这一假设下，充分考虑意味着每一个备选方案都将以1/5的概率进行总体选择。表8显示，当没有对价成本（即低成本处理）时，每次彩票的隐含指数与全面对价相差不大。中高成本并非如此。对于中高成本彩票，2号彩票的平均关注度最高。

另一方面，当考虑其他选择的成本时，彩票5似乎获得的关注相对较少。计算（回想一下，理解彩票所需的概率是1/5、1/4、3/20，//自然有一个合理的想法，即当选择困难时，简单的彩票会被平均考虑，而复杂的彩票则会被更多地考虑。子集；例如，计算任何给定的两个彩票如何竞争注意力。表8–每次彩票/对价处理的平均对价指数，IX（a）对价成本——数据理论上，高-中-低FCT彩票1 0.1966 0.1247 0.1822 0.2000彩票2 0.3607 0.3870 0.2125 0.2000彩票3 0.1475 0.1826 0.2125 0.2000彩票4 0.1486 0.1814 0.1822 0.2000彩票5 0.1346 0.1260.2125 0.20005.2。估计偏好分布我们提醒读者，我们不能拒绝这样的假设，即随机选择是由CRRAADM生成的，其偏好在对价成本处理中是稳定的（p值=0.49）。施加限制，期望效用最大化者可以用CRRA贝努利π集表示，以估计隐含的CRRA参数。我们的结果表明，^π对六个偏好中的两个偏好Laσ有很大的正概率∈.,大约20%的DM最喜欢彩票4或5。特别是，只有在不考虑彩票的情况下，才会选择thisDMs首选项。这意味着，与外部选择相比，观察到的选择概率是福利损失的一个公开度量。请注意，我们不能否认我们的大多数DM都是风险规避型的。此外，我们不能否认，对于两种主要的偏好类型，默认的备选OIS根据σ排在最后∈-,-4σ值。由于单交叉特性，这些括号实际上是连接的间隔。单交叉σσ ∈-,.σ ∈.,安德利斯倾向于从4号订单到6号订单。

对于不同的断点，所有对都满足此属性。这一结果与霍尔特和劳里（2002）对风险规避的估计非常一致。无法直接进行比较，因为由于数据集的结构，σ的区间无法直接映射到我们的区间。例如，在我们的设计中，Holt和Laury（2002）估计，34%的人口可以用σ<来表示低和实际支付——可比支付。15，而40%对应σ>。41、对于较大的实际和假设付款，他们发现了类似的结果。表9-LA规则前缀。阶^π隐含σl l l l l0.30500[-1,0.2287）升 l l l l0.04905（0.2287,0.2606）升 l l l l0.04905（0.2606,0.2728）升 l l l l0.04905（0.2728,0.2832）升 l l l l0.04905（0.2832,0.3001）升 l l l l0.49880（0.3001,1）CRRA参数隐含秩覆盖∪ {o} 。我们强调，对于所有三种考虑成本，这种偏好分布是相同的。此外，我们提醒读者，我们强烈反对乌鲁木齐模型，但在对该模型的有限考虑下，我们可以在CRRA限制下恢复稳定的偏好分布。5.3. 有限考虑偏好的福利后果。我们的识别结果还允许我们检查有限考虑对我们人口的福利影响。

福利损失的结构估计是次优的DM的分数。通过CRRA偏好对LAHRC进行评估，确保偏好分布和随机对价规则得到了很好的定义（这在测试中不需要）。^mLAA{}A.∈A引用类型。只考虑了默认选项以外的任何内容。除了那些因为不关注任何事情而处于次优状态的个人之外，还有一些DM关注违约之外的一些备选方案，如果他们考虑所有可用的备选方案，效果也会更好。我们对福利损失的衡量也考虑了这些DM。grand choice setXare的结果是：（i）在高成本案例中，24.07%的个体。。这些发现支持了无效假设，即艰难选择通过对决策者福利的有限影响对福利产生负面影响。我们还观察到，对价成本对福利的影响正在严格增加。结论从统计学上区分人口行为的竞争模型。通过外部变量选择集和考虑备选方案的成本，我们可以理清随机性的两个来源。我们将此扩展称为L-HRC。对所有HRCCA的测试可纳入北村和斯托耶（2018）的测试框架。这些观察到的选择是由一群符合L-HRC的个体产生的。RUMLALALAchange和对价成本。在假设DMs具有CRRA偏好和useLA规则的情况下，我们唯一地恢复了对价成本和偏好分布的分布。我们的发现表明：（i）对价成本的分布是异质的；（ii）有两种主要的优先权，不同的对价成本。这一比例可能高达25%。参考Sabaluck，J.和Adams，A.（2017）。

消费者在选择之前会考虑什么？从不对称需求响应中识别。国家经济研究局技术报告。52、Aguiar，V.H.、Boccardi，M.J.和Dean，M.（2016）。满意度和随机选择。《经济理论杂志》，166:445–482。Allen，R.和Rehbeck，J.（2018）。具有可观察特征的随机选择。Apesteguia，J.，Ballester，M.A.，等人（2016年）。随机代表代理。技术报告。技术报告。Apesteguia，J.、Ballester，M.A.和Lu，J.（2017）。单交叉随机实用新型。《计量经济学》，85（2）：661–674。Barseghyan，L.、Coughlin，M.、Molinari，F.和Teitelbaum，J.（2018）。异构选择集和首选项。2018年牛津大学，SARP 2。考虑arXiv预印本arXiv:1902.06629。《概率统计贡献》，2:97–132.84（3）：1203–1223。Caplin，A.、Dean，M.和Leahy，J.（2016）。理性疏忽、最优考虑集和随机选择。技术报告、工作文件。arXiv预印本arXiv:1712.03448.17（3）：263–283。Chernev，A.、B"ockenholt，U.和Goodman，J.（2015）。选择过载：概念回顾和元分析。《消费者心理学杂志》，25（2）：333–358。Conlon，C.T.和Mortimer，J.H.（2013）。不完全产品可用性下的需求估计。《美国经济杂志》：微观经济学，5（4）：1–30。来自聚合选项。萨塞克斯大学经济系技术报告。De Clippel，G.和Rozen，K.（2018年）。有限理性和有限数据集。102(6):2955–80.分析技术报告，工作报告，布朗大学经济系。SSRN提供。Draganska，M.和Klapper，D.（2011年）。选择集异质性与广告的作用：微观和宏观数据分析。

《营销研究杂志》，48（4）：653–669。数学社会科学，93:67–76。数学心理学，18（1）：52–72。Fosgerau，M.、Melo，E.、Palma，A.d.和Shum，M.（2017）。离散选择和理性疏忽：一般等价结果。Freeman，D.、Halevy，Y.、Kneeland，T.等人（2018年）。使用选择列表引出风险偏好。温哥华经济学院技术报告。公用事业《计量经济学》，83（6）：2371–2409。有界理性模型的实验分析。《美国经济评论》，96（4）：1043–1068。戈里，M.S.（2008）。美国个人电脑行业的信息和广告有限。《计量经济学》，76（5）：1017–1074。《计量经济学》，82（5）：1873-1912年。经济研究。医疗保险d部分计划中的定价。兰德经济学杂志，48（4）：877–905。Holt，C.A.和Laury，S.K.（2002年）。风险规避和激励效应。《美国经济评论》，92（5）：1644–1655。兰德经济杂志，45（4）：847–884。Honka，E.、Hortacsu，A.和Vitorino，M.A.（2017）。广告、消费者意识和选择：来自美国银行业的证据。兰德经济学杂志，48（3）：611-646。汇报居民用电市场中的消费者惯性。《美国经济杂志》：EconomicPolicy，9（4）：192–226。在真实的劳动力市场上进行实验。实验经济学，14（3）：399–425。Huang，Y.和Bronnenberg，B.J.（2018）。你的想法：昂贵的产品考虑和购买数量阈值。营销科学。arXiv:1904.06742。可用性方法。Kim，J.（2016）。在完全重复的游戏实验中，折扣、动态一致性和合作。技术报告、工作文件。Kitamura，Y.和Stoye，J.（2018年）。随机效用模型的非参数分析。《计量经济学》，86（6）：1883-1909年。Kovach，M.和Tserenjigmid，G.（2018年）。不平衡luce模型。Kovach，M.和Ulku，L.（2017）。

满足可变阈值。交易员。《美国国家科学院院刊》，102（3）：945-948。Lleras，J.S.，Masatlioglu，Y.，Nakajima，D.，和Ozbay，E.Y.（2017）。多即少：有限的考虑。《经济理论杂志》，170:70–85.82（3）：1153–1176。Masatlioglu，Y.，Nakajima，D.，和Ozbay，E.Y.（2012）。显示出注意力。《美国经济评论》，102（5）：2183-2205。随机效用假说。《经济杂志》。McFadden，D.和Richter，M.K.（1990）。随机理性和揭示的随机偏好。科罗拉多州博尔德，第161-186页。Natenzon，P.（2018）。随机选择和学习。兰德·D·G.、格林·J·D.和诺瓦克·M·A.（2012）。自发的给予和刻意的贪婪。《自然》，489（7416）：427。时间压力下的选择：一项眼球追踪研究。《美国经济评论》，101（2）：900–926。Rieskamp，J.、Busemeyer，J.R.和Mellers，B.A.（2006）。扩展理性的界限：优先选择的证据和理论。《经济文献杂志》，44（3）：631-661。Roberts，J.H.和Lattin，J.M.（1997）。考虑：研究回顾和未来见解展望。《营销研究杂志》，第406-410页。Shafer，G.（1976）。《数学证据理论》，第42卷。普林斯顿大学出版社。Suleymanov，E.（2018）。随机关注和搜索。Tversky，A.（1972年）。按方面消除：一种选择理论。《心理学评论》，79（4）：281.47（1）：63–74。A、 ProofsA。引理1的证明。我们定义（{a}）=p（a，a），对于所有D，MA（D）=0 A、 D 6={A}。Letπ∈（R（X））mAA∈M、 πHRCdata P。

根据定义，如果P可以由HRC生成，则P（a，a）=XDAmA（D）X∈R（X）π()1（a bb∈ D），p（a，a）∈ P重新排列并替换上述等式中π的选择，我们得到：XDAmA（D）X∈Rπ()1（a bb∈ D \\{a}）=R（X）| X∈R（X）[XDAmA（D）1（a bb∈ D）]。对于给定 mA（{a}）=p（a，a），我们有xdAmA（D）1（a bb∈ D \\{a}）=p（a，a）1（a a）=p（a，a），因为 包括对角线a a代表所有人a∈ 十、 这意味着| R（X）| X∈R（X）[XDAmA（D）1（a bb∈ D）]=p（a，a），假设| R（X）| X∈R（X）[XDAmA（D）1（a bb∈ D）]=| R（X）| X∈R（X）p（a，a）=p（a，a）。A、 2。定理1的证明。PHRC（m，π），使得p（a，a）=XDAmA（D）X∈R（X）π()1（a b b∈ D），a∈ XA公司∈ 考虑集和利用独立性的线性序。采购订单，A-帕∈Apa，AThis暗示1- p（o，A）=XDAmA（D）[Xa∈AX∈R（X）π()1（a b b∈ D）]，a∈ A对考虑因素集的总结。这是可能的，因为后一个总和不依赖于项目a∈ A、 宾夕法尼亚州∈AP公司∈R（X）π1（a b b∈ D）D 考虑集分布的累积分布的Ain项：p（o，A）=1-除息的A、 D6级=文学硕士（D）。我们让容量*: 2倍→ [0，1]定义如下*（A） =p（o，A）。ηηLv·PC·ηCeach是本文中感兴趣的模型，将其与现有文献联系起来，但它们直接来自一般ηl公式。对于给定的L∈ {LA，MM，RCG，FC}和P：o如果m∈ MLA，则mA（D）=η（D）PCAη（C）表示某些η∈ （2倍）∩ R++。这意味着*（十） ^1*（A） =PDAη（D）。根据Shafer（1976），η（D）=XBD(-1） | D\\B |Д*（十） ^1*（B） =XBD(-1） | D\\B | p（o，X）p（o，B）；o如果m∈ MMM，则mA（D）=η（D）PCAη（C）表示某些η∈ （2倍）∩ R+，η（D）=Ya∈X\\D（1- γ（a））Yb∈Dγ（b）和γ：X→ (0, 1). 通过简单计算，这意味着γ（a）=1-φ*（A） ^1*（A \\{A}）=1-p（o，A）p（o，A \\{A}）对于某些A∈ A包含；o如果m∈ MRCG，然后mA（D）=PC:C∩对于某些η，A=Dη（C）∈ （2倍）。

然后^1*（A） =XD∩A6级=η（D）。利用Shafer（1976）和Chateauneuf及Jaffray（1989），我们得出η（D）=XA的结论D： D∈A(-1） | D\\A |（1- φ*（X\\A））=XAD： D∈A(-1） | D\\A |（p（o，X\\A））；o如果m是FC，那么显然mA（D）=1（A=D）。确定给定L的thatm=Ml∈ {LA，MM，RCG，FC}和p，我们利用了uniquenesspm，πm，πPmm∈ {LA，MM，RCG，FC}PL HRCm，π-PD公司A、 D6级=mAD^1*a偏好中的同质性，因此存在线性顺序∈ R（X）使得π() = 1、由于这种等价性不取决于偏好的分布，并且由于完全符合m的唯一性。现在，根据Mobius Reverse Shafer（1976），可以得出ηLA（D）=XBD(-1） | D\\B | p（o，X）p（o，B），对于所有D∈ 2倍。特别是，根据Brady和Rehbeck（2016）的定理3.1，m必须由ma（D）=η（D）PC唯一识别Dη（D），η∈十、∩ R++PBD-|D\\B | p（o，X）p（o，B）>D∈ 2倍o给定γMM（a）=1-p（o，a）∈（0,1）对于ALA∈ X（由p的完整性很好地定义）和ηMM（D）=Qa∈X\\D1.- γMM（a）Qb级∈DγMM（b），则由ma（D）=Ya唯一识别∈DγMM（a）Yb∈A\\D（1- γMM（b）），A DQb公司∈γmmb。M洛杉矶限制的情况。o给定ηRCG（D）=PAD： D∈A(-1） | D\\A |（1- p（o，X\\A））≥0根据Aguiar（2017）中的定理1，m由MRCGA（D）=XC:C唯一识别∩A=DηRCG（C），对于所有D A、 其中，D 6= 和mA() = 1.-PD公司A、 D6级=文学硕士（D）。oFC的情况很简单。A、 3。定理2Proof的证明。PL HRC必须为PLπ（a，a）=pm，π（a，a）-个人计算机AmLA（C）pLπ（a，C）mLA（a），其中pm，π（a，a）=PDAmLA（D）[P∈R（X）π()1（a bb∈ D）]。按照递归公式，我们可以证明plπ（a，a）=mLA（a）[P∈R（X）π()1（a bb∈ A）]mLA（A）=X∈R（X）π()1（a bb∈ A）。这意味着物价指数是一项FC HRC规则。（ii）暗示（i）。

在条件（i）和（ii）下，plπ（a，a）=pm，π（a，a）-个人计算机AmLA（C）pLπ（a，C）mLA（a）意味着∈ A和所有A∈ A、 p（A，A）=XDAmLA（D）pLπ（a，D）。如果PLI是FC HRC规则，则意味着存在π∈ （R（X））使得plπ（a，a）=X∈R（X）π()1（a bb∈ A）。PL-HRCA∈ Aa公司∈ AmL，π生成数据集P:P（a，a）=XDAmLA（D）X∈R（X）π()1（a bb∈ A）。A、 4。定理3Proof的证明。我们首先证明，如果由（m，π）和（m，π）描述，那么必须是m=m。显示L=LA的识别结果，而Aguiar（2017）提供L=RCG的识别结果。对于L=MM，结果基本成立。固定m，如果P由（m，π）和（m，π）描述，则plπ（a，a）=P（a，a）-个人计算机AmLA（C）pLπ（a，C）mLA（a），and pLπ（a，a）=p（a，a）-个人计算机AmLA（C）pLπ（a，C）mLA（a），用于ALA∈ A和nonemptyA 十、 定义10如下。根据条件（ii），mLA（A）>并使用上述二元集的递归定义，我们可以看到，对于任何A，b，pLπ（A，{A，b}）=pLπ（A，{A，b}）∈ 十、 对于固定的m，递归公式得出了等效pLπ=pLπ。B、 用有限选择集和FinitePrizesZX检验随机期望效用z我们推导了检验零假设的必要和充分条件，即人口pπ∈重新定义了限制。即，必要且有效的条件是存在aBernoulli效用向量u=（uz）z∈X对于任何一对彩票X，y∈ X表示首选项∈ REU（X）在受限支撑中（即π()>0），x yif，只有ifxu>yu。显然，theorder定义的overx可以扩展到整个单纯形（Z） ，预期如下W∈XUwwuPz公司∈Zuzwzuutility vector与之前一样（因为奖品没有改变）。在实践中，这意味着我们必须验证线性序sr（X）的整个集合中的哪些元素与预期效用限制兼容。

我们通过提出一种简单的线性规划方法来解决这个问题。按照给定的候选线性顺序，枚举x中的彩票，如x={x，x，···，xn}, 这样的话 x个 x···· xn。定义行向量aixi- xi+1 I，n-Aain公司-1i=1（n-1） ×| Z |）。然后当且仅当存在矢量时，才与限制兼容∈ R | Z |使得：Au>0，∈ 注册护士-1受制于Au>0。线性规划算法确定问题是否可行，并在且仅当顺序与EU兼容。否则，它宣布该计划不可行，我们取消 从我们的候选人名单中。C、 与随机选择参考或考虑中的模型进行比较。C、 1。与前一节中解释的随机效用模型相比，在随机效用的保护伞下，因有限考虑而产生的随机性可以合理化。然而，La允许与规则性不一致的行为。因此，不嵌套在rum中。通过构造我们的模型HRCG，由于考虑范围有限，允许选择中的独立变化，从而使FCF通用化。L-HRCRUMXFCchoice规则是这样的：mA（D）=1（D=A）。我们称之为FC型。此外，L-HRCI比RUM更普遍。这是根据前一节中的分析得出的结论。πi1（我= )我∈ RXL-HRCLALARUM。C、 2。与随机注意力模型（RAM）的比较。作者在有限考虑一类非参数随机注意规则的情况下考虑了随机考虑映射。

作者承认，当RAMis的选择被反复观察时，她最适合获得关于单个决策单元偏好排序的信息，这证明了在他们的环境中偏好同质性假设的正确性。文献中提出的许多有限关注的规范模型满足Cattaneo等人（2017）的单调性。例如，RAM nestsLA、MMandRCGwithoutpreference异构性以及其他重要的考虑因素模型。此外，RAM isRUML HRC（2017）对其与文献的关系进行了完整描述。HRC可以解释的行为。首先，我们正式定义了拜伦施加的限制。考虑因素集减少。形式上，定义12（单调注意）。对于任何a∈ A\\D，mA（D）≤ mA{a}（D）揭示了从数据推断出的偏好信息。正式定义13（显示偏好（RAM））。放一只公羊。定义如果存在，则尽快定义P的传递闭包∈ A带A，b∈ A使得p（A，A）>p（A，A \\{b}）。那么，只有当PRb为a时，a优先于b。PRL HRCm∈ MLAπ(i） =0.5，i=1，2，不能由RAM生成。示例3（RAM冲突）。设X={a，b，c}，考虑随机考虑集概率测度的LA模型，η（D）如表10所示。此外，考虑两种偏好一bccb语音规则由aLA HRCby构造生成。然而，由于aP b和bP a（即p（a，{a，b，c}）>p（a，{a，c}）和p（b，{a，b，c}）>p（b，{b，c}））。C、 3。识别事务的随机选择规则之间的比较。特别是，许多模型可以准确地描述行为，无法拒绝观察数据。但是，标识可能不是唯一的。

这在预测行为和设计政策干预时很重要。在我们的实验中，这种偏好异质性可以用风险厌恶的异质性来解释。例如，leta≡ l、 b类≡ l、 c类≡ l、 并假设DMs是具有CRRA伯努利效用的EU最大化器。Thena公司 b c对于风险中性的个体（σ=0），而c b a对于风险厌恶的个体（σ>0.5）。霍尔特和劳里（2002）发现，这些类型在他们的支付方案实验中很常见。表10–示例3随机选择规则和随机考虑集概率。PI与LA-HRC一致，但不能由RAM生成。{a，b，c}{a，b}{a，c}{b，c}{a}{b}{c}a 0.305 0.339 0.157 0.208b 0.250 0.339 0.227 0.208c 0.255 0.300 0.341 0.345 0.190 0.322 0.543 0.432 0.792 0.792 0.655 1η（D）0.20 0.30 0.01 0.10 0.05 0.05 0.10 0.19示例4mπ。最大化者，但可能不会考虑他们可用的所有备选方案。他们的行为可以描述为所有人都有相同的偏好（a b） 考虑anyX{a，b}a的概率∪ {o} A∈ A显示了生成的随机选择规则。A{A，b}{A}{b}在MM HRC定义7下，我们从观察数据中唯一地恢复M。给定m，我们将唯一地恢复此数据集的首选项。RUMRUMX下的标识∪ {o} π我/我∈ {，，，}带: bo一: 一ob: o一b和: 一bOidentification under RAM（Cattaneo et al.（2017））Cattaneo et al.（2017）提出的随机注意模型（RAM）确定偏好，并考虑随机注意规则，示例4与RAM一致。然而，偏好并不是唯一确定的。

特别是，b 一 o在RAM下描述p，注意规则mA（D）表示D A如下所述。对于任意x，随机对价规则满足单调注意∈ A\\D，mA（D）≤ mA \\{x}（D）。考虑集DMenu A{A，b，o}{A，o}{b，o}{A，b}{b}{o}{A，b，o}0{A，o}{b，o}C.4。考虑成本和不完美感知广泛适用于任何受试者有非平凡认知任务的实验设计。以下分析假设对价成本是固定的。首先，我们需要一些准备工作。对于给定π∈RXarray u=（ua）a∈A支持R | A |，因此对于给定的备选方案菜单A∈ A： P（ua>ub，b∈ A \\{A}）=π( : 一 bb∈ A \\{A}）。一∈ Awawwaa公司∈AalternativeA给出了她自己对该项目的看法。因此，wandumay可能有所不同（即使它们可能相互关联）。在不丧失一般性的情况下，我们可以将错过感知定义为：ea=wa- ua，所有a∈ A（和e=（ea）A∈A） 。π偏好分布πesuch:πe(: 一 bb∈ A \\{A}）=P（ua+ea>ub+ebb∈ A \\{A}）。换句话说，pw捕获的DMs行为的总体仍将用带（πe，m）的aL-HRCmodel表示，而不是用真（π，m）表示。这意味着我们的设计对任何任意性都是稳健的。注意，在我们的实验设计中，菜单是随机分配给DM的。此外，每个备选方案的呈现方式在菜单中保持不变，这取决于考虑的成本。那么，错过感知（通过设计）在菜单中的分布必须是相同的。其中πe(: 属性）表示具有特定属性的偏好的累积概率。就我们关于不同模型对人群的描述有多好的结论的有效性而言，存在感知失误。对备选方案的错误理解所导致的唯一可能的问题是，我们可能会失去框架。

特别是，如果存在误知觉，则必须取决于认知成本。因此，我们有三重（eH、eM、eL），分别代表高、中、低成本的误感知随机数组。然后，任何HRC模型的偏好分布不得为πeH、πeM、πeL（这在成本之间有所不同）。LAπeHπeMπeLπ证据表明，感知失误在我们的设计中很重要。C、 5。与理性注意力不集中模型的关系近年来，理性注意力不集中（RI）模型对难以产生兴趣的情况进行建模。然而，RI模型通常需要非常丰富的数据集来识别/测试。这是不同的。然而，我们可以为我们的数据集推导出RI行为的一些含义。RI是个人行为的模型。据我们所知，该模型的总体含义尚不清楚。因此，我们将重点将我们的方法与具有代表性的uVvkk案例进行比较∈十、∪{o} u∈（五） 。作为对信息结构的响应，RI DM选择她的最佳信息来请求和采取最佳行动。我们在这里关注的是具有附加感知成本的RI问题的子类。该问题的结果是真值或状态相关随机选择规则PV（·，a）∈ （A）∪ {o} ），定义为：pv（·，A）=arg maxpXa∈A.∪{o} pv（a，a）vau（va）- κ（pv（·，A），u）。对于κ的规格，我们关注Fosgerau等人（2017）提出的广义熵，该熵概括了广泛使用的熵成本。Fosgerau et al.（2017）表明，这种依赖于状态的随机选择在观察上等价于加性随机效用选择规则conditionalpv·，A∈A.∪ {o} pv·，AV通用性），由于信息获取成本高昂，因此选择存在随机性。该州的附属医院。因此，RI-DM与确定性考虑集兼容。

然而，X中所有备选方案的不可能性为6%∪ {o} 以及所有选择集。我们必须在各州之间进行汇总，以得出代表性的DMRI的可测试含义。重点是收集复制标准随机选择数据的数据集。利用随机效用规则之和也是随机效用规则的事实，我们注意到pp（a，a）=Xv∈Vpv（a，a）ρ（v），其中ρ∈ （V）是未观测状态的客观概率。引理3。pva，A>A∈ A.∪ {o} 五∈ VP代表RI DM然后，P也承认RUM代表。Fosgerau et al.（2017）和Aguiar et al.（2016）证明了这个引理，这表明了Rumis alsoRUM的加权和。由RI引起的允许离散考虑集异质性的情况很困难，有待于将来的研究。LALALAAmA的最优随机考虑∈AADαDαX→,αC>αFCFαπ∈rxim利用由maa捕获的随机考虑因素集和由π捕获的随机偏好之间的独立性。Kdepends在分配注意力上，以MA（D）衡量 A： K：[0,1]→ R∪ ∞.KmA公司∈A处理成本。形式：mA=arg maxm∈（2A）XDA[m（D）αA（D）- K（m（D））]，αAA→ 之前定义的Rα吸引力）。KmCαCDαDC 对于所有D，DαA>α（D） 我们得到mFCA（A）=1。也就是说，DM与FC一致。KmDθmDlog mD（2015）（αA（D）=α（D））我们得到：mLAA（D）=exp（θα（D））PCAexp（θα（C））。LAas：η（D）=exp（θα（D）），对于所有D∈ 2倍。结果表明，RCGCAN也来自一个二次成本k（m）=νm的不同优化问题，其中菜单的吸引力由依赖于菜单的累积吸引力给出：αa（D）=XC∈2X：C∩A=Dα（C）。有了这个，我们得到：mRCGA（D）=νXC∈2X：C∩A=Dα（C），ν是η=α。D、 进行试验。1.

实验设计（a）各级效用比较（b）风险偏好（c）中性至中度风险厌恶（d）高度风险厌恶图11–彩票之间风险厌恶的比较。EUmaximizers个体的模拟，CRRA效用函数u（x）=x1-σ1-σ.D、 2。样本^pa，A | kk{H，M，L，pooled}kwas计算为与选择集的基数成比例。最大化完整选项集合的数量∪ {o} 或者两个只有外部选项共同的选项集。因此，由于随机分配，在我们的实验中（i）171名受试者只面对整个选择集（目标数字为180）；表11–每个备选方案/选择集的平均观察数选择集N/| A |选择集N/| A | o12345 171 28.50 o12 131 43.67o2345 155 31.00 o13 118 39.33o1345 154 30.80 o14 125 41.67o1245 149 29.80 o15 116 38.67o1235 156 31.20 o23 112 37.33o1234 143 28.60 o24 123 41.00o345 32.75 o25 120 40.00o245 118 29.50 o34 121 40.33o235 31.25 o35 122 40.67o234 116 29.00 o45 11939.67o145 112 28.00 o1 155 77.50o135 123 30.75 o2 154 77.00o134 120 30.00 o3 149 74.50o125 121 30.25 o4 156 78.00o124 122 30.50 o5 143 71.50o123 119 29.75（ii）目标数量为750）；（iii）目标数量为1200）。（目标任务数为4080）。此外，表11中总结了人口统计数据和对二进制备选方案/选择集/成本的偏好。D、 3。比较统计图12–所有治疗的选择动态稳定12–选择外部选项的决定因素选择外部第一或第二菜单的可能性。