分类:风险态度的测量

来自Big Physics
Jinshanw讨论 | 贡献2018年4月15日 (日) 22:37的版本 →‎参考文献


研究背景和问题

著名的使用非常普遍的风险测量十项决定实验[1][2]用了十组二选一(被试从每一个A、B两个彩票选项中做出来选择A还是B)的彩票来度量被试的风险态度。每一对的均值和方差和下一对都不一样,但是,维持从上到下BA选项的均值的差在不断增加,同时B选项的波动性一直维持比A选项要大。详细见下表。

Option A Option B Expected payoff difference Variation difference estimated range of [math]\displaystyle{ r }[/math][3]
1/10 of $2.00, 9/10 of $1.60 1/10 of $3.85, 9/10 of $0.10 $1.17 -1.25 r<-1.71
2/10 of $2.00, 8/10 of $1.60 2/10 of $3.85, 8/10 of $0.10 $0.83 -2.22 -1.71<r<-0.95
3/10 of $2.00, 7/10 of $1.60 3/10 of $3.85, 7/10 of $0.10 $0.50 -2.92 -0.95<r<-0.49
4/10 of $2.00, 6/10 of $1.60 4/10 of $3.85, 6/10 of $0.10 $0.16 -3.34 -0.49<r<-0.14
5/10 of $2.00, 5/10 of $1.60 5/10 of $3.85, 5/10 of $0.10 -$0.18 -3.48 -0.14<r<0.15
6/10 of $2.00, 4/10 of $1.60 6/10 of $3.85, 4/10 of $0.10 -$0.51 -3.34 0.15<r<0.41
7/10 of $2.00, 3/10 of $1.60 7/10 of $3.85, 3/10 of $0.10 -$0.85 -2.92 0.41<r<0.68
8/10 of $2.00, 2/10 of $1.60 8/10 of $3.85, 2/10 of $0.10 -$1.18 -2.22 0.68<r<0.97
9/10 of $2.00, 1/10 of $1.60 9/10 of $3.85, 1/10 of $0.10 -$1.52 -1.25 0.97<r<1.37
10/10 of $2.00, 0/10 of $1.60 10/10 of $3.85, 0/10 of $0.10 -$1.85 0 1.37<r

对于风险中性的人来说,其只关心A、B两个选项均值的对比。这样的话,肯定是在前几次中选择A在后面几次中选择B。例如在第五次开始转变。对于风险厌恶的人来说,有可能就算在B选项可能获得更高的均值的情况下,由于可能方差也大,或者直接看可能获得的钱也可以B选项可能获得的收益的了解比A的更加弥散,于是倾向于选择更加保守的A选项。反过来,对于风险喜爱的人来说,就有可能更加追求弥散的分布来,于是更早的选择B。于是,从第几轮开始选择B就成了一个风险态度的度量。

但是,这个有一个问题。这样测量出来的风险态度是把对均值更大的追求和对方差更大或者更小(或者说分布函数更加集中还是弥散)的追求合在一起的。有没有一个办法把追求均值和追求方差更大还是更小区分开来呢?

这个时候,就可以考虑对比两个均值一样但是方差不相同的选项,被试选择哪一个来测量被试是纯粹风险厌恶或者纯粹风险喜爱。还可以考虑两个方差一样但是均值不相同的选项,被试选择哪一个来测量被试是理性的有计算和理解能力的或者是由于某些原因(例如计算能力、理解能力)而造成的非理性的。当然,这其中还牵涉到一个就算能够理解和计算,但是不一定能够用于问题解决的因素,见知道到运用的距离

前者这样的A、B选项很容易构造出来。后者实际上,概率匹配问题就是这样的A、B选项问题——方差一样,均值不同。

在这个研究中,我们就想看看,能不能在这个典型风险态度的测量实验的基础上,加上或者替换一些选项[4],能够把这样的纯风险厌恶或者喜爱程度、纯收益理性程度,也能够测量出来。

十项决定的理论基础

期望效用理论,或者修改以后得到的前景理论,是这个十项决定的测试的理论基础。[5]期望效用理论的意思就是如果有两个选择A、B,各自得到的效用是[math]\displaystyle{ U\left(A\right) }[/math][math]\displaystyle{ U\left(B\right) }[/math],则以一定的概率[math]\displaystyle{ P_{A} }[/math][math]\displaystyle{ P_{B} }[/math]实现这两个选项得到的合起来的收益就是[math]\displaystyle{ U=P_{A}U\left(A\right)+P_{B}U\left(B\right) }[/math]。在这个假设下,风险中性就可以这样来看,[math]\displaystyle{ U^{rn}\left(A\right)=\beta E\left(A\right) }[/math],其中[math]\displaystyle{ E\left(A\right) }[/math]就是选项[math]\displaystyle{ A }[/math]的货币形式的收益。也就是说,风险中性的决策者仅仅关注货币收益的平均值[math]\displaystyle{ U=\beta\left(P_{A}E\left(A\right)+P_{B}E\left(B\right)\right) }[/math]。如果是风险厌恶的决策者,则[math]\displaystyle{ U^{ra}\left(A\right) \lt U^{rn}\left(A\right)=\beta E\left(A\right) }[/math],也就是说具有不确定性的时候,A、B混合选项的平均收益要小于它们的货币形式的平均收益。对于风险爱好者,则正好相反,[math]\displaystyle{ U^{rs}\left(A\right) \gt \beta E\left(A\right) }[/math]。为了简化记号,以下采用[math]\displaystyle{ \beta=1 }[/math]

这样的效用函数有一个很好的推论。我们来考虑:如果我们拿一个确定性的能够获得一份收益[math]\displaystyle{ E\left(C\right) }[/math]的选择,来和一个随机性的能够获得一个平均收益相同[math]\displaystyle{ P_{A}E\left(A\right)+P_{B}E\left(B\right)=E\left(C\right) }[/math]的选项来换,我们选择哪一个?如果是风险中性的,则两个选择完全等价。如果是风险厌恶的,则[math]\displaystyle{ U^{ra}\left(A, B\right) \lt U^{rn}\left(A,B\right)=P_{A}E\left(A\right)+P_{B}E\left(B\right)=E\left(C\right)=U\left(C\right) }[/math]。因此,选择选项C。如果是风险爱好的,则[math]\displaystyle{ U^{ra}\left(A, B\right) \gt U^{rn}\left(A,B\right)=P_{A}E\left(A\right)+P_{B}E\left(B\right)=E\left(C\right)=U\left(C\right) }[/math]。因此,选择选项(A,B)混合。

因此,这个“期望效用”理论——混合选项的效用是各自效用之和,风险态度不同的人的纯选项的效用函数绝对值不同——看起来是有合理之处的。 或者更一般的前景理论,[math]\displaystyle{ U^{PT}\left(A,P_{A};B, P_{B}\right)=W\left(P_{A}\right)U\left(A\right)+W\left(P_{B}\right)U\left(B\right) }[/math],或者稍微狭窄一点的前景理论,[math]\displaystyle{ U^{PT}\left(A,P_{A};B, P_{B}\right)=W\left(P_{A}\right)E\left(A\right)+W\left(P_{B}\right)E\left(B\right) }[/math]。两者的区别是,前者在概率和货币收益上都允许主观评价的存在,而后者仅仅在概率上有主观感受的存在,在货币收益上,没有主观评价的存在。通常所说的前景理论指的是前者[6]

更深刻的动机

更进一步,为什么想度量出来纯风险厌恶或者喜爱程度、纯收益理性程度呢?

为了将来构建一个综合考虑了收益(均值)和风险(方差或者弥散程度的某种度量)的效用函数,以及一个基于这个效用函数的决策模型。另外,为了这个目的,我们还需要研究一下,风险用什么样的方式进入效用函数——是否用方差来代表是可以的。例如,我们可以让选项A、B的均值方差都一样,但是更高阶矩不同,然后做多次来看被试的选择是不是具有稳定的方向性——例如追求更高或者更低的高阶矩。

更一般地来说,对于一个混合决策[math]\displaystyle{ \rho }[/math],例如[math]\displaystyle{ \rho=P_{A}\left|A\right\rangle\left\langle A\right|+P_{B}\left|B\right\rangle\left\langle B\right| }[/math],我们可以算出开这个混合测略的均值、方差、高阶矩等等,或者至少,效用是这个混合测略的函数,[math]\displaystyle{ U=U\left(\rho\right) }[/math],也有可能是[math]\displaystyle{ U=U\left(E\left(\rho\right),\Delta\left(\rho\right),\eta\left(\rho\right),\cdots \right) }[/math]

两个理论基础的结合

现在如何把期望效用理论和分布函数的函数(其实是泛函)的数学形式相结合,以及从各阶矩的函数的角度来检验一下,到底函数形式如何,或者至少有哪些变量?这是一个有深远意义的问题。

广义地来看,如果我们允许分布函数的泛函包含货币收益的线性和非线性函数当作效用,则实际上,我们的框架包含了期望收益理论——期望收益相当于仅仅考虑一阶矩[math]\displaystyle{ E\left(\rho\right)=P_{A}U\left(A\right)+P_{B}U\left(B\right) }[/math]。因此,分布函数的泛函的讨论是更加基本的问题。

同时,许彬等人的预实验发现,风险态度——假设可以用一个参数[math]\displaystyle{ \theta }[/math]来描述的话,受到被试的认知负担的影响。因此,实际上,我们是在做关于[math]\displaystyle{ U=U\left(\left. E\left(\rho\right),\Delta\left(\rho\right),\eta\left(\rho\right),\cdots \right|\theta\right) }[/math],或者说[math]\displaystyle{ U=U\left(\left. \rho \right|\theta\right) }[/math]的函数形式的研究。

实验设计

这个实验研究的主要工作就是看看增加或者替换为什么样的选项,能够在测量出来风险态度的基础上,还能够测量出来纯风险厌恶或者喜爱程度、纯收益理性程度。

例如可以加入:

  1. 均值一样方差(分布函数弥散程度)不同的A、B选项,来看被试的选择
  2. 方差一样,均值不同的A、B选项,来看被试的选择

下一步的工作

  1. 文献调研,看看更多的风险态度测量的文章,以及风险态度在其他实验中对结果的影响的文献
  2. 预实验,尝试多种选项调整的设计
  3. 实验

不给定概率引起的风险态度

对于给定的概率,在期望效用理论的框架下,最一般的效用函数就是,前景理论:[math]\displaystyle{ U^{PT}\left(A,P_{A};B, P_{B}\right)=W\left(P_{A}\right)U\left(A\right)+W\left(P_{B}\right)U\left(B\right) }[/math]。当然,[math]\displaystyle{ W\left(P_{A}\right)+W\left(P_{B}\right) }[/math]可以等于、大于或者小于1。其中[math]\displaystyle{ W\left(P_{A}\right), W\left(P_{B}\right) }[/math]被称为主观感受概率。

前面,我们已经对这个带有主观感受概率的期望效用理论提出了挑战。现在,让我们来看另一个方面对这个理论的挑战或者说修正。

我们来考虑没有给出来概率[math]\displaystyle{ P_{A}, P_{B} }[/math],但是,假设有[math]\displaystyle{ P_{A}, P_{B} }[/math]存在的情境下的效用函数。比如说,我给你一个盒子红球和黑球,但是,我不告诉你各自多少个。然后,让你来做一个跟红球和黑球概率相关的决策问题。例如问,你来做一个猜测一个颜色,我来取一个球,如果颜色对上了你就赢钱。问你怎么猜。这个时候,实际上,你需要产生一个对这个已经存在但是未知的概率的一个估计。为了和上面的给定概率情况下,决策者感受到的概率区别开了,我称这个主观对已经存在但是未知的概率的估计为主观估计概率,或者简称估计概率。

问:一旦有了估计概率的参与,效用函数怎么写?

我们假设,还是这样写:[math]\displaystyle{ U^{TEP}\left(A,E\left(P_{A}\right);B,E\left(P_{B}\right)\right)=W\left(E\left(P_{A}\right)\right)U\left(A\right)+W\left(E\left(P_{B}\right)\right)U\left(B\right) }[/math],或者把主观感受和主观估计合在一起记为函数[math]\displaystyle{ \mathcal{E} }[/math],就是[math]\displaystyle{ U^{EP}\left(A,E\left(P_{A}\right);B,E\left(P_{B}\right)\right)=\mathcal{E}\left(P_{A}\right)U\left(A\right)+\mathcal{E}\left(P_{B}\right)U\left(B\right) }[/math]

为了对函数[math]\displaystyle{ W, U }[/math]了解更多,现在,我们来检验下面的事情,[math]\displaystyle{ W\left(E\left(P_{A}\right)\right)+W\left(E\left(P_{B}\right)\right){\overset{?}{=}}1 }[/math],以及,[math]\displaystyle{ E\left(P_{A}\right)+E\left(P_{B}\right){\overset{?}{=}}1 }[/math]

为了简单,我们可以先假设主观感受函数[math]\displaystyle{ W\left(x\right)=x }[/math]。记住这是假设,将来要回来处理的。在这个假设下,我们前面两个需要检验的事情就成了一个,也就是,[math]\displaystyle{ E\left(P_{A}\right)+E\left(P_{B}\right){\overset{?}{=}}1 }[/math]。这个时候,我们就必须从实际决策实验中把[math]\displaystyle{ E\left(P_{A}\right), E\left(P_{B}\right) }[/math]推断出来,然后,才能来检验。可是,这个推断依赖于[math]\displaystyle{ E\left(A\right), E\left(B\right) }[/math],而这些是确定性决策——不考虑概率——的时候的效用。因此,如果想真的把[math]\displaystyle{ E\left(P_{A}\right), E\left(P_{B}\right) }[/math]推断出来,必须先知道[math]\displaystyle{ U\left(A\right), U\left(B\right) }[/math]

估计概率是否归一和风险态度的关系

考虑前面红球黑球的例子,对于一个风险乐观的人来说,可能其估计概率之和会大于1:也就是说,会高估自己赢的可能,在猜中红球算赢的时候,觉得红球的几率大,而在猜中黑球算赢的时候,觉得黑球的几率大。这个实验很容易设计。例如,给定一个盒子的红球和黑球,不知道两种球的个数配置,第一组实验让被试在猜中红球算赢从而获得一笔钱Q(否则获得钱0)和以一定的概率赢同样数量的钱之间做选择;第二组实验让被试在猜中黑球算赢从而获得一笔钱和以一定的概率赢同样数量的钱之间做选择。分别找出来等价的几率,然后来看这个几率是否相加等于1。顺便,如果我自己来做这个实验,则,两者之和大概大于1——我总是把半瓶水看做已经有半瓶而不是才是半瓶。对于风险悲观的人来说,有可能就会把两者之和看做小于1——半瓶水总看做才半瓶而不是已经有半瓶了。因此,不仅仅要检验估计概率的归一性,还要看这个归一性和风险态度的联系。

也就是说,第一个实验,找找一个概率,使得, [math]\displaystyle{ U^{EP}\left(Q,E\left(P_{Red}\right);0,E\left(P_{Black}\right)\right)=E\left(P_{Red}\right)U\left(Q\right)+E\left(P_{Black}\right)U\left(0\right)=U^{EP}\left(Q,P_{1}^{*};0,1-P_{1}^{*}\right)=P_{1}^{*}U\left(Q\right)+\left(1-P_{1}^{*}\right)U\left(0\right) }[/math]。 在这里,如果[math]\displaystyle{ U\left(0\right)=0 }[/math],则我们得到[math]\displaystyle{ E\left(P_{Red}\right)=P_{1}^{*} }[/math]。否则,我们得不到这个简单的等式。

我们再来第二个实验,找一个概率,使得 [math]\displaystyle{ U^{EP}\left(0,E\left(P_{Red}\right);Q,E\left(P_{Black}\right)\right)=E\left(P_{Red}\right)U\left(0\right)+E\left(P_{Black}\right)U\left(Q\right)=U^{EP}\left(Q,P_{2}^{*};0,1-P_{2}^{*}\right)=P_{2}^{*}U\left(Q\right)+\left(1-P_{2}^{*}\right)U\left(0\right) }[/math]。 同样,在这里,如果[math]\displaystyle{ U\left(0\right)=0 }[/math],则我们得到[math]\displaystyle{ E\left(P_{Black}\right)=P_{2}^{*} }[/math]。否则,我们得不到这个简单的等式。

如果我们得到了简单的等式,则我们只需要检验,是否[math]\displaystyle{ P_{1}^{*}+P_{2}^{*}\overset{?}{=}1 }[/math]即可检验估计概率的归一化。否则,我们得到 [math]\displaystyle{ E\left(P_{Red}\right)+E\left(P_{Black}\right)=\frac{\left(P_{1}^{*}+P_{2}^{*}\right)U\left(Q\right)+\left(2-P_{1}^{*}-P_{2}^{*}\right)U\left(0\right)}{U\left(Q\right)+U\left(0\right)} }[/math]

于是,现在的问题成了,是否可以假设[math]\displaystyle{ U\left(0\right)=0 }[/math]呢?如果不可以,则我们必须先测量出来[math]\displaystyle{ U\left(Q\right), U\left(0\right) }[/math]才行。这怎么测量呢?


注意,这还是在主观感受概率函数,简称感受概率,[math]\displaystyle{ W\left(x\right)=x }[/math]的条件下的分析。如果我们考虑更加一般的主观概率感受函数,则有 [math]\displaystyle{ U^{TEP}\left(Q,E\left(P_{Red}\right);0,E\left(P_{Black}\right)\right)=\mathcal{E}\left(P_{Red}\right)U\left(Q\right)+\mathcal{E}\left(P_{Black}\right)U\left(0\right)=U^{TEP}\left(Q,P_{1}^{*};0,1-P_{1}^{*}\right)=W\left(P_{1}^{*}\right)U\left(Q\right)+W\left(1-P_{1}^{*}\right)U\left(0\right) }[/math], 以及, [math]\displaystyle{ U^{TEP}\left(0,E\left(P_{Red}\right);Q,E\left(P_{Black}\right)\right)=\mathcal{E}\left(P_{Red}\right)U\left(0\right)+\mathcal{E}\left(P_{Black}\right)U\left(Q\right)=U^{TEP}\left(Q,P_{2}^{*};0,1-P_{2}^{*}\right)=W\left(P_{2}^{*}\right)U\left(Q\right)+W\left(1-P_{2}^{*}\right)U\left(0\right) }[/math]

于是,得到, [math]\displaystyle{ \mathcal{E}\left(P_{Red}\right)+\mathcal{E}\left(P_{Black}\right)=\frac{\left(W\left(P_{1}^{*}\right)+W\left(P_{2}^{*}\right)\right)U\left(Q\right)+\left(W\left(1-P_{1}^{*}\right)+W\left(1-P_{2}^{*}\right)\right)U\left(0\right)}{U\left(Q\right)+U\left(0\right)} }[/math]

如果我们这个时候,希望把主观概率和估计概率分开,则,还需要进一步计算,

[math]\displaystyle{ E\left(P_{Red}\right)+E\left(P_{Black}\right)=W^{-1}\left(\frac{\left(W\left(P_{1}^{*}\right)+W\left(P_{2}^{*}\right)\right)U\left(Q\right)+\left(W\left(1-P_{1}^{*}\right)+W\left(1-P_{2}^{*}\right)\right)U\left(0\right)}{U\left(Q\right)+U\left(0\right)}+\frac{W\left(P^{*}_{1}\right)-W\left(P^{*}_{2}\right)}{2}\right) + W^{-1}\left(\frac{\left(W\left(P_{1}^{*}\right)+W\left(P_{2}^{*}\right)\right)U\left(Q\right)+\left(W\left(1-P_{1}^{*}\right)+W\left(1-P_{2}^{*}\right)\right)U\left(0\right)}{U\left(Q\right)+U\left(0\right)}-\frac{W\left(P^{*}_{1}\right)-W\left(P^{*}_{2}\right)}{2}\right) }[/math]

这个表达式是最一般的表达式,当考虑特殊情形,例如[math]\displaystyle{ W\left(x\right)=x }[/math],或者[math]\displaystyle{ U\left(0\right)=0 }[/math]的时候,自然就会回到那些特殊情况下的表达式。尤其是,当[math]\displaystyle{ U\left(0\right)=0 }[/math]的时候,我们得到最简单的表达式 [math]\displaystyle{ E\left(P_{Red}\right)+E\left(P_{Black}\right)=P^{*}_{1}+P^{*}_{2} }[/math],而不用去担心主观感受概率的事情——函数[math]\displaystyle{ W\left(x\right) }[/math]会和其逆函数相互抵消。也就是,我们只需要把测量出来的连个事件对应着的概率加起来,就可以检验估计概率的归一性。

黄等人的实验设计

一种检验估计概率是否归一的实验设计是这样的。取一个盒子的混合红球黑球。然后先让被试来比较以下两个行动:行动A——赌如果取出一个球的话取出来的是一个红球来赢取收益Q否则不得钱,行动B——赌概率值为[math]\displaystyle{ P_{1} }[/math]赢取收益Q否则不得钱。尝试各种[math]\displaystyle{ P_{1} }[/math]直到发现A和B没有区别的[math]\displaystyle{ P_{1} }[/math]的值,记做[math]\displaystyle{ P^{*}_{1} }[/math]。接着再让被试来比较以下两个行动:行动A——赌如果取出一个球的话取出来的是一个黑球来赢取收益Q否则不得钱,行动B——赌概率值为[math]\displaystyle{ P_{2} }[/math]赢取收益Q否则不得钱。尝试各种[math]\displaystyle{ P_{2} }[/math]直到发现A和B没有区别的[math]\displaystyle{ P_{2} }[/math]的值,记做[math]\displaystyle{ P^{*}_{2} }[/math]

然后,检验,[math]\displaystyle{ P^{*}_{1}+P^{*}_{2}\overset{?}{=}1 }[/math]来检验估计概率的归一性。

通过上面的讨论,我们知道,这个实验设计在[math]\displaystyle{ U\left(0\right)=0 }[/math]的条件下是正确的。但是,[math]\displaystyle{ U\left(0\right)=0 }[/math]是合适的选择吗?直接金钱回报的零点是可以随便移动的,但是,效用函数[math]\displaystyle{ E\left(x\right) }[/math]的零点可能不能随便移动。在物理学里面势函数的零点和坐标的零点的改变不改变物理和物理公式的形状,但是,在这里,可能不一样。在物理中,我们进入运动方程的都是势函数的导数项,增加一个常熟不改变任何物理。但是,在经济学问题中,进入决策的可能不是导数项。这时候,怎么办?

一旦[math]\displaystyle{ U\left(0\right)\neq 0 }[/math],我们还需要再考虑主观感受概率函数[math]\displaystyle{ W\left(x\right) }[/math]对估计概率归一性的影响。

结合确定性等价实验

为了测量出来[math]\displaystyle{ U\left(0\right) }[/math],或者说[math]\displaystyle{ U\left(0\right) }[/math][math]\displaystyle{ U\left(Q\right) }[/math]的关系——只有要这个关系我们就可以把上面那个一般公式计算出来,我们引入确定性等价。

如果我们找到了[math]\displaystyle{ U^{TEP}\left(Q, P_{1}; 0, 1-P_{1}\right) }[/math]的确定性等价[math]\displaystyle{ U^{EP}\left(S,1; 0, 0\right) }[/math],则,

[math]\displaystyle{ U^{TEP}\left(Q, P_{1}; 0, 1-P_{1}\right)=W\left(P_{1}\right)U\left(Q\right)+W\left(1-P_{1}\right)U\left(0\right)=W\left(1\right)U\left(S\right)+W\left(0\right)U\left(0\right)=U^{TEP}\left(S,1; 0, 0\right) }[/math],也就是 [math]\displaystyle{ U\left(0\right)=\frac{W\left(P_{1}\right)U\left(Q\right)-W\left(1\right)U\left(S\right)}{W\left(0\right)-W\left(1-P_{1}\right)} }[/math]

对于[math]\displaystyle{ W\left(x\right)=x }[/math]的特殊情况,[math]\displaystyle{ U\left(0\right)=\frac{U\left(S\right)-P_{1}U\left(Q\right)}{1-P_{1}} }[/math]。由于函数[math]\displaystyle{ U\left(x\right) }[/math]未知,这个实验还是不能完全解决发现[math]\displaystyle{ U\left(0\right) }[/math]的值的问题


当然,如果没有未给出来的概率,也就是所有的概率都是已知的,则函数[math]\displaystyle{ E\left(p\right)=p }[/math],我们就回到了带有主观概率的期望效用理论,也就是之前讨论的情景了。

参考文献

  1. Holt, C. A., & Laury, S. K. (2002). Risk aversion and incentive effects. American Economic Review, 92(5), 1644-1655.
  2. Gary Charness, Uri Gneezy and Alex Imas, Experimental methods: Eliciting risk preferences, Journal of Economic Behavior & Organization, 87(2013), 43-51, https://doi.org/10.1016/j.jebo.2012.12.023.
  3. Dave C, Eckel C C, Johnson C A, et al. Eliciting risk preferences: When is simple better?[J]. Journal of Risk & Uncertainty, 2010, 41(3):219-243.
  4. Habib, S., Friedman, D., Crockett, S. et al. J Econ Sci Assoc (2017). https://doi.org/10.1007/s40881-016-0032-8.
  5. Kahneman, Daniel, Tversky, Amos (1979). "Prospect theory: An analysis of decision under risk". Econometrica: Journal of the econometric society. 47 (2): 263–291.https://www.jstor.org/stable/1914185
  6. https://en.wikipedia.org/wiki/Prospect_theory

这是这个页面的英文版 (There is a English version of this page):Measurement_of_risk_attitude

本分类目前不含有任何页面或媒体文件。