Translate MG 11 - Artikel 9
Translate MG 11 - Artikel 9
Translate MG 11 - Artikel 9
1 (artikel 9)
Abstrak
Kami menyajikan eksperimen di mana subjek secara berurutan menerima sinyal tentang yang
sebenarnyakeadaan dunia dan perlu membentuk keyakinan tentang mana yang benar, dengan imbalan
terkaituntuk keyakinan yang dilaporkan. Kami mengendalikan keengganan terhadap risiko menggunakan
Offerman et al. (2009)teknik. Terhadap dasar pembaruan Bayesian, kami menguji penyesuaian
keyakinandi bawah reaksi dan reaksi berlebihan dan model proses pengambilan keputusan agen
sebagaimodel rintangan ganda di mana agen pertama kali memutuskan apakah akan menyesuaikan
keyakinan mereka dan kemudian,jika demikian, tentukan berapa banyak. Kami menemukan bukti untuk
periode kepercayaan inersia diselingidengan penyesuaian keyakinan. Ini karena kombinasi dari:
penyesuaian keyakinan acak; dinyatakan tergantungpenyesuaian keyakinan, dengan banyak subjek
membutuhkan bukti yang cukup untukmengubah keyakinan mereka; dan penyesuaian keyakinan Quasi-
Bayesian, dengan keyakinan yang tidak memadaipenyesuaian ketika perubahan kepercayaan terjadi.
Kata kunci : revisi keyakinan, model rintangan ganda, harapan, reaksi berlebihan, di bawah aksi ulang
1. Perkenalan
Agen membentuk dan memperbarui kepercayaan mereka ketika mereka menerima informasi baru. As-
sumptions tentang bagaimana mereka melakukan ini adalah mendasar bagi kebanyakan teori danmodel
empiris, baik dalam ekonomi mikro dan makro. Di hadapan rasio-Pada akhirnya, informasi baru
mengarah pada pembaruan keyakinan yang lancar dan berkelanjutanmenurut aturan Bayes. Pada
kenyataannya banyak agen secara sistematis salah pahamstatistik, dan kompleksitas dan kurangnya
perhatian dapat berkontribusi untuk penyimpangan dariPrediksi Bayesian (Rabin, 2013). Pelanggaran
seperti harapan rasional telahtelah dipelajari dalam pengaturan statis, di mana semua informasi
disajikan sekaligus untukject yang mengabaikan prior (Tversky dan Kahneman, 1982; Camerer, 1987; El-
Gamaldan Grether, 1995). Dalam makalah ini kami mempelajari pengaturan dinamis di mana informasi
barumation tiba secara berurutan dan mempertimbangkan frekuensi serta tingkat
kepercayaanpenyesuaian, mengacu pada penyesuaian keyakinan lengket ketika tidak memadai dalam
kedua hal tersebut. Utama, Selain itu, kami membangun model ekonometrik rintangan ganda untuk
digabungkandalam satu kerangka kerja berbeda jenis penyesuaian keyakinan yang kami amati di
laboratoriumsejarah: penyesuaian keyakinan tergantung waktu (acak) dan ketergantungan negara
(Bayesian,Penyesuaian keyakinan Kuasi-Bayesian. Kami mengontrol keengganan risiko menggunakan O?
Erman et(2009) teknik dan kami juga mempertimbangkan bagaimana peningkatan kompleksitas tugas
atau ruang lingkupuntuk kurangnya perhatian mempengaruhi hasil kami.
Tidak ada alternatif yang diterima secara luas, dikembangkan sepenuhnya untuk ekspektasi
rasionalisasi. Dalam ekonomi mikro, penyesuaian keyakinan Quasi-Bayesian (QB) telah menjadirute yang
disukai untuk berpikir tentang penyesuaian keyakinan rasional yang terbatas. Rabin (2013)membedakan
antara model Bayesian melengkung yang merangkum model palsubagaimana sinyal dihasilkan, misalnya
dengan mengabaikan hukum angka besar (Benjamin et al., 2015), dan model Bayesian yang salah
informasi yang salah tafsirsinyal sebagai agen pendukung hipotesis, sehingga menimbulkan bias
konfirmasi (Rabindan Schrag, 1999) yang kurang informasi. Sementara berbagai anomali milikitelah
dipertimbangkan dalam kerangka kerja ini, salah satu cara sederhana untuk memodelkan penyesuaian
QBdalah bahwa agen menyesuaikan keyakinan secara terus menerus dalam menanggapi informasi baru
dalammerasakan bahwa itu terjadi setiap kali ada informasi baru | tetapi penyesuaian inibaik terlalu
besar atau terlalu kecil (Massey dan Wu, 2005; Ambuehl dan Li, 2014). Lihat jugaSchmalensee (1976).
Dalam ekonomi makro, juga, ada banyak upaya untuk memodelkan keberangkatandari harapan
rasional. Misalnya, ada banyak literatur yang meneliti waktu-penyesuaian harga tergantung-tergantung-
negara, dengan campuran temuan empiris(mis., Costain dan Nakov, 2011; Aucremann dan Dhyne, 2005;
Stahl, 2005; Dias etal., 2007; Klenow dan Kryvtsov, 2008; Midrigan, 2010). Ketergantungan negara
menyiratkanketergantungan penyesuaian keyakinan pada negara ekonomi, yang pada gilirannya
tergantung padainformasi baru tiba. Ketergantungan waktu sering dilihat secara stokastik (seperti
untukcontoh dalam Caballero, 1989) dan karenanya menghasilkan penyesuaian keyakinan acak
penyesuaian keyakinan si cient dapat dilihat sebagai kemungkinan microfoundation dari harga
lengketpenyesuaian, misalnya sebagai akibat dari kurangnya perhatian dan biaya observasi (Alvarezet
al., 2016), biaya informasi (Abel et al., 2013), biaya kognitif (Magnani et al.,2016) dan konsultasi ahli
yang mahal oleh agen lalai (Carroll, 2003).
Salah satu sumber penyimpangan dari pembaruan Bayesian dapat berupa kompleksitas tugas
(Caplinet al., 2011, Charness dan Levin, 2005), memberikan alasan kami untuk memasukkan
apengobatan kompleksitas. Misalnya, dalam pasar konsumen, kompleksitas sering terjaditelah
disalahkan karena suboptimalitas pilihan konsumen (mis., Joskow, 2008; Ofgem,2011; Komisi
Independen Perbankan, 2011); bukti dari konsumenEksperimen kurang jelas tetapi konsisten dengan
setidaknya beberapa efek kompleksitas padapilihan konsumen (Kalayci dan Potters, 2011; Sitzia dan
Zizzo, 2011; Sitzia et al.,2015).
Sumber penyimpangan lain yang mungkin dari pemutakhiran Bayesian adalah kurangnya
perhatian (Al-varez et al., 2016; Magnani et al., 2016; Carroll, 2003). Dengan demikian kami juga
menyertakanperawatan tidak perhatian, yang terdiri dari tugas alternatif yang tersedia untuktugas
utama. Pengaturan ini paling dekat dengan Corgnet et al. (2014), siapa yang menemukan efek padatim
bekerja dalam percobaan kerja, dan Sitzia dan Zizzo (2015), yang menemukan efekpada pilihan
konsumsi.
Kami tidak mengetahui penelitian tentang kompleksitas dan kekurangan perhatian yang telah
diidentifikasiEfeknya pada pembaruan kepercayaan dengan informasi berurutanow. Secara singkat, hasil
kamiadalah sebagai berikut. Subjek mengubah keyakinan mereka sekitar separuh waktu, yang
konsistendengan penyesuaian keyakinan acak, tetapi mereka juga mempertimbangkan jumlah bukti
yang tersedia mampu, yang konsisten dengan penyesuaian keyakinan yang tergantung pada negara.
Saat pelajaran lakukan perubahan keyakinan, mereka melakukannya sekitar 35 persen dari pembaruan
Bayesian penuh, yang konsisten dengan versi penyesuaian keyakinan Quasi-Bayesian kami. Ada
heterogenitas substansial dalam hasil kami dan, yang penting, frekuensi dan luasnyapenyesuaian
keyakinan berkorelasi positif: agen yang memperbarui dengan frekuensi rendahmelakukannya bahkan
kurang dari 35 persen dari pembaruan Bayesian penuh. Hasil kami adalahmungkin sangat kuat untuk
kompleksitas tugas atau perawatan yang kurang perhatian, tetapi kami menemukan bukti bahwa
kurangnya perhatian mengurangi kecenderungan untuk memperbarui dan kompleksitasmengurangi
tingkat pembaruan.
Bagian 2 menyajikan desain dan perawatan eksperimental kami, bagian 3 harapan kami
model tasi, Bagian 4 dan 5 hasil kami. Bagian 5 menyediakan diskusi danmenyimpulkan.
Bagian utama dari eksperimen. Setelah latihan bagian yang dijelaskan di bawah ini, dibagian utama dari
subyek percobaan dimainkan 7 tahap, masing-masing dengan 8 putaran, dengan demikian menghasilkan
T = 56 pengamatan. Di awal setiap tahap computer secara acak memilih satu dari dua guci (Guci 1 atau
Guci 2), dengan Guci 1 dipilih pada aprobabilitas yang diketahui 0,6. Setiap guci mewakili keadaan dunia
yang berbeda. Sementaraprobabilitas sebelumnya ini diketahui dan diketahui bahwa guci akan tetap
menjadisama sepanjang panggung, guci yang dipilih tidak diketahui subyek. Itu sudah diketahuibahwa
Guci 1 memiliki tujuh bola putih dan tiga bola oranye, dan Guci 2 memiliki tiga bola putihbola dan tujuh
bola oranye. Di awal masing-masing dari 8 putaran (round = t),ada undian dari guci yang dipilih (dengan
penggantian) dan subjek diberi tahuwarna bola yang ditarik. Oleh karena itu, ini adalah sinyal yang
dapat digunakan oleh subjekuntuk memperbarui keyakinan mereka. Itu dibuat jelas kepada subyek
bahwa probabilitas suatuguci dipilih di masing-masing dari tujuh tahap sepenuhnya independen dari
pilihanguci di tahap sebelumnya.
Begitu mereka melihat undian untuk ronde itu, subjek diminta membuat probabilitastebak
antara 0% dan 100%, tentang seberapa besar kemungkinan guci yang dipilih adalah Guci 1.Variabel yang
sesuai untuk analisis adalah dugaan probabilitas mereka yang dinyatakan sebagai aproporsi,
dilambangkan g. Setelah satu ronde selesai, ronde berikutnya dimulaidengan hasil imbang bola baru,
hingga akhir babak ke-8.
Pembayaran untuk bagian utama percobaan didasarkan pada tebakan yang dilakukandalam
tahap dan putaran yang dipilih secara acak pada akhir percobaan. Sebuah aturan penilaian kuadrat
standar (mis. Davis dan Holt, 1993) digunakan sehubungan denganbabak ini untuk menghukum jawaban
yang salah. Payo? untuk setiap mata pelajaran sama dengan 18GBP minus 18 GBP? (tebak probabilitas
yang benar) 2. Karena itu, untuk yang acaktahap dan babak yang dipilih, subjek bisa mendapatkan
antara 0 dan 18 GBP tergantung padakeakuratan tebakan mereka.
Latih bagian dari percobaan. Bagian latihannya mirip dengan yang utamasebagian tetapi lebih
sederhana dan karenanya benar-benar bermanfaat sebagai latihan. Itu dimodelkan setelah O? Erman et
al. (2009) untuk memungkinkan kami menyimpulkan perilaku risiko orang, seperti yang dijelaskan
dalambagian 3.
Itu terdiri dari 10 tahap dengan masing-masing satu putaran. Di setiap tahap digambar guci
baru(dengan probabilitas 0,05, 0,1, 0,15, 0,2, 0,25, 0,75, 0,8, 0,85, 0,9, 0,95). Subjek penelitian adalah
mengatakan kemungkinan sebelumnya bahwa Guci 1 dipilih tetapi tidak menerima informasi lebih
lanjut. mation. Secara khusus, tidak ada bola yang ditarik. Tugas menebak (putaran tunggal) adalah
untuk menominasikan probabilitas bahwa Guci 1 dipilih; ini tidak sepele karena subjek harus
memperhitungkan payo? struktur daripada mengulangi masalah yang diumumkankemampuan.
Pembayaran untuk bagian praktik percobaan didasarkan pada tebakandibuat dalam putaran yang dipilih
secara acak pada akhir percobaan. Kuadrataturan penilaian diterapkan seperti pada bagian utama,
tetapi kali ini sama dengan 3 GBPminus 3 GBP? (tebak probabilitas yang benar) 2.2
Perawatan eksperimental. Ada tiga perawatan. Bagian latihanidentik di semua perawatan, dan bagian
utama dari perawatan Baselineseperti yang dijelaskan.
Di bagian utama (hanya) perawatan Kompleksitas, informasi pada boladiambil dari guci yang
dipilih pada awal setiap putaran disajikan sebagai berikut:itu disajikan sebagai pernyataan tentang
apakah jumlah dari tiga angka (dari tigamasing-masing digit) benar atau salah. Jika benar (mis., 731 +
443 + 927 = 2101), ini berarti bahwa ahasil imbang bola putih ditarik. Jika salah (mis., 731 + 443 + 927 =
2121), ini artinyaditarik bola oranye ditarik.
Pada bagian utama (hanya) dari perawatan tanpa perhatian, subyek diberikan atugas
penghitungan alternatif tanpa insentif yang dapat mereka lakukan alih-alih bekerjapada probabilitas.
Latihan penghitungan adalah latihan standar dari upaya nyataliteratur eksperimental (lihat Abeler et al.,
2011, untuk contoh) dan terdiri dalammenghitung jumlah 1 dalam matriks 0s dan 1s. Subjek diberitahu
bahwa merekabisa melakukan latihan ini selama atau selama mereka suka dalam waktu 60 detik untuk
masing-masingbulat, dan bahwa kami tidak meminta mereka untuk terlibat dalam latihan ini disemua
kecuali mereka mau.
Kami menentukan nilai t untuk subjek mana yang terakhir memindahkan tebakan mereka (yaitu
memperbarui merekakeyakinan) menjadi m (untuk `Langkah Terakhir '). Jadi, untuk setiap urutan bola
yang ditarik pada waktu t,waktu yang telah berlalu sejak perubahan terakhir dalam tebakan selalu t m.
Sepanjang baris atas penduga teoritis untuk probabilitas bahwa Guci 1 adalah ditarik disediakan
oleh aturan Bayes, yang kami tunjukkan oleh Pt setelah bola t menarik. Banyak subyek tidak
menggunakan aturan Bayes ketika mereka menebak probabilitas bahwa Guci 1 adalah dipilih, meskipun
beberapa tebakan lebih dekat dari itu daripada yang lain.
Seperti yang diturunkan dalam O erman et al. (2009), dugaan yang muncul gt di kolom keempat
adalah hasil memaksimalkan utilitas berdasarkan Konversi Risiko Relatif Konstan (CRRA) fungsi utilitas,
UfPayo g:
dan tebakan sejati g t dalam E [U(Payoff)] = gt* U(1 - (1 - gt)2) + (1- gt*)U(1- gt2), di mana pembayaran
untuk Guci 1 dan Guci 2 sebanding dengan 1- (1 - gt)2 dan 1- gt2,sesuai dengan aturan penilaian kuadrat,
seperti yang dijelaskan dalam bagian 2. Utilitas yang diharapkandiasumsikan dimaksimalkan sehubungan
dengan gt dan menghasilkan hubungan berikutantara gt* dan gt:
Pada bagian praktik probabilitas sebelumnya diberikan kepada subjek (dengan
cara mengulangiminder, 0,05, 0,1, 0,15, 0,2, 0,25, 0,75, 0,8, 0,85, 0,9, 0,95 untuk 10
tahap / putaran terpisah)sebenarnya probabilitas yang benar P t. Kami tidak melihat
alasan untuk tidak menghargai subjekmenyadari ini, dan mereka tidak memiliki
informasi lain, jadi kami mendefinisikan kebenarannya tebak menjadi gt* =
Φ −1 (P t ). Offerman et al. (2009) kemudian menginterpretasikan penyimpangan darig t dari
gt* karena preferensi risiko subjek, dan kami juga. Kami menggunakan sepuluh titik data (gt*,
g t ) untuk setiap subjek yang akan diestimasi θ dalam versi (1) ditambahkandengan kesalahan
regresi. 5 Dipersenjatai dengan nilai subjek-spesifik θ dari praktikbagian, semua
diamati nilai g t dalam percobaan utama dapat ditransformasikan ke setdari g
disimpulkan ∗t . Transformasi ini dilakukan dengan secara eksponensial kedua belah pihak(1),
dan pemecahan untuk gt* . Dengan mengambil fungsi Normal kumulatif terbalik, Φ −1 ,
darigt* kita memindahkannya di luar interval [0,1] dan memberikannya dimensi yang sama dengan
tesstatistik, yaitu (−∞, ∞). Variabel dalam kolom kedua dari belakang, rt* =
Φ −1 (g∗t ),dengan demikian menjadi dasar untuk semua analisis selanjutnya.
Di kolom akhir dari Tabel 1, kami menyediakan t ukuran z dari kekuatan bukti
terhadap probabilitas menebak pada saat perubahan terakhir. Agen mengubah mereka
menebak dari waktu ke waktu, dan z t memberitahu kita jika nilai P pada perubahan
terakhir, dilambangkanP m, tampaknya keliru dalam terang bukti berikutnya.
Seperti ditunjukkan dalam Lampiran A, z t adalah pendekatan yang baik untuk
tes standarstatistik untuk proporsi, menggunakan nilai maksimal dari varians
pengambilan sampeldistribusi (yaitu (1/2)2 ):
Ketika kami menganalisis ekspektasi inferensial dari setiap agen yang kami
gunakan (2) untuk pulihdari perilaku subjek, seluruh distribusi ukuran tes sebagai
komponen utamadalam deskripsi kami tentang penyesuaian keyakinan lengket.
Ekspektasi Rasional
Solusi ekspektasi rasional (RE) memprediksi kenaikan langsung
Bayesiankencan. Probabilitas (bersyarat) yang diminta untuk ditebak subjekharapan
rasional (RE) yang diberikan oleh Pt . Memanggil P inisial inisial sebelumnyaprobabilitas
dan mencatat bahwa jumlah bola putih adalah tP wtkita bisa menuliskan Pt
dalam beberapa cara:
Baris kedua adalah penyederhanaan yang berguna (yang kami gunakan dalam
lampiran A) sedangkanfraksi kurung di baris pertama adalah probabilitas untuk
memperoleh tP wtputihbola ketika Mm 1 ditarik versus probabilitas total untuk
mendapatkan jumlah inibola putih.
Pembaruan Kuasi-Bayesian
Dalam versi kami memperbarui Quasi-Bayesian (QB), agen menggunakan
pembaruan Bayesiankarena setiap undian baru diterima, tetapi mereka secara keliru
menimbang kemungkinan kurung inipecahan:
Ekspektasi Inferensial
Dalam versi kami penyesuaian keyakinan tergantung negara, agen membentuk
keyakinan danjangan menyimpang dari kepercayaan itu sampai berat bukti yang
menentang keyakinan itucukup kuat, yang diukur dengan | z t | dari persamaan (2).
Di bawah ekspektasi inferensial (IE), setiap agen diasumsikan memulai dengan
suatu keyakinantentang probabilitas U (yaitu, P 0 = 0,6) dan probabilitas tersirat dari a
bola putih ( Pw0 = 0,54) dan melakukan uji hipotesis bahwa yang terakhir benar
setelahnyamenggambar ukuran uji dari distribusi α-nya sendiri, yaitu
f i (α). Agendiasumsikan untuk menggambar ini setiap putaran selama
percobaan. Nilai-p kemudianditurunkan menggunakan (2) sebagai statistik uji. Kami
berasumsi untuk kesederhanaan yang z tdidistribusikansebagai Normal
standar. Tujuan pemodelan distribusi penuh α adalah membiarkandata menilai apakah
subyek kita bertindak sebagai "ahli statistik klasik" dengan tinggiprobabilitas massa
untuk α lebih dari 5 - 10%.
Untuk menandai salah satu hasil utama kami, kami perlu mengembangkan akun
yang lebih bernuansasikap agen terhadap bukti. Jika f i (α) memiliki massa
probabilitas paling dekat nol,agen saya lamban untuk menyesuaikan. Massa
probabilitas dalam f i (α) dekat unity menyiratkan sangatkemauan yang kuat untuk
menggunakan bukti, dan probabilitas massa pada kesatuan menyiratkan
(stokastik)pembaruan tergantung waktu. Yaitu, jika massa probabilitas pada persatuan
dalam f i (α) adalah, katakanlah,0,3, itu menyiratkan bahwa ada peluang tiga puluh
persen bahwa agen saya akan memperbarui terlepasdari apa yang dikatakan bukti. Ini
karena aturan keputusan dalam uji hipotesis adalahuntuk menolak H 0 , status quo, jika
p-value ≤ α. Nilai untuk α dari kesatuan menyiratkanstatus quo akan ditolak, yang
sama dengan memperbarui dalam konteks ini, untuk apa punnilai-p apa pun.
Gambar 1: Distribusi jumlah tidak ada perubahan pada subjek secara terpisah oleh
ment. Di setiap panel, garis vertikal di sebelah kanan mewakili jumlah rata-rata
tidak ada perubahan, sedangkan garis vertikal di sebelah kiri menunjukkan jumlah
rata-rata dariperubahan yang akan muncul jika subjek membulatkan probabilitas
Bayesian menjadi dua decimal tempat
dukungan
(−∞, ∞). Terkadang r ∗itu berubah antara t - 1 dan t; di lain waktu, ia tetap
menjadisama. Biarkan ∆rit ∗itu adalah perubahan dalam keyakinan subjek i antara t - 1 dan t. Itu
adalah,
∆r *it = r *it - r*it− 1 .
Dalam estimasi berikut ini, kami mengeksploitasi ekuivalensi dekat antara (2)
danperbedaan skala sejak pembaruan terakhir (Φ −1 (P t ) - Φ −1 (P m )) /√t. Di babak 1
P msama dengan 0,6 sebelumnya dan pergerakan tebakan untuk subjek yang diberikan
adalah ∗ r ∗itu =r ∗1 - Φ −1 (0.6). Artinya, baik ukuran obyektif dari perubahan informasi
dantebakan subyektif dari agen diasumsikan berlabuh pada probabilitas
sebelumnyabahwa Urn 1 dipilih, 0,6, pada periode pertama.Rintangan Pertama:
Probabilitas bahwa keyakinan diperbarui (di kedua arah) diperiode t diberikan oleh:
Hasil 1 Ada bukti penyesuaian keyakinan tergantung waktu (acak). Disetiap periode
subyek memperbarui keyakinan mereka secara istimewa sekitar separuh waktu.Efek
perawatan kurang perhatian signifikan, menunjukkan bahwa Hasil 1 lebihdiucapkan
saat subjek tidak memperhatikan. Estimasi besar η 1 memberitahunamun kami
berpendapat bahwa ada kecenderungan untuk memperbarui(lihat Gambar 2 dan 3 di
bawah), sesuatu yang akan kita bahas lebih lanjut di bagian 4.3. Ituparameter γ
diperkirakan secara signifikan positif, dan ini memberitahu kita, seperti yang
diharapkan,bahwa semakin banyak bukti kumulatif, di kedua arah, semakin
besarprobabilitas pembaruan:
Hasil 2 Ada bukti penyesuaian keyakinan yang tergantung pada negara. Subjek lebih
banyak cenderung menyesuaikan jika ada lebih banyak bukti yang menunjukkan
bahwa pembaruan sesuai (dengan demikianmembuatnya lebih mahal untuk tidak
memperbarui).
Hasil 3 Ada bukti penyesuaian keyakinan parsial Quasi-Bayesian. Pada rata2, subjek
yang menyesuaikan melakukannya sekitar 35%. Tidak ada bukti sebelumnyakurang
informasi: hampir tidak ada subjek yang bereaksi berlebihan terhadap buktibegitu
mereka memutuskan untuk menyesuaikan.
Estimasi ρ sangat positif, menunjukkan bahwa subjek yang memiliki lebih
tinggi
kecenderungan untuk memperbarui, juga cenderung memperbarui dengan proporsi
perbedaan yang lebih tinggidari probabilitas Bayes. Korelasi positif ini terlihat dalam
plot Model 4 di JakartaGambar 2.
Efek pengobatan pada rintangan kedua adalah dari tanda yang diharapkan tetapi
Efek kurang perhatian tidak signifikan dalam rintangan kedua sementara menjadi
signifikan dalamrintangan pertama. Sebaliknya ada bukti bahwa kompleksitas lebih
lanjut dalam keputusanmasalah mengurangi tingkat pembaruan sekitar 15 poin
persentase (dari 35% menjadisekitar 20%):
Untuk setiap | z itu | adalah mungkin untuk menentukan nilai-p yang tersirat dan
kami melakukannya dengan mengasumsikanbahwa (9) kira-kira didistribusikan N
(0,1). Ini pada gilirannya memungkinkan kita untuk berolahragaf i (α) dari persamaan
ekonometrik untuk rintangan pertama. Kapan | z itu | = 0, nilai-puntuk uji hipotesis
adalah kesatuan, dan dengan demikian persamaan mengatakan bahwa sebagian kecil
agen akantolak H 0 jika nilai-p adalah satu. Karena kriteria untuk menolak H 0 dalam
hipotesisTes selalu α ≥ p-value itu menyiratkan bahwa harus ada massa probabilitas
non-nolpada f i (α) pada nilai α persis sama dengan 1. pdf of α i akan demikian
memiliki diskrit'lonjakan' pada persatuan dan terus menerus di tempat lain. Kita tahu
dari mana lonjakan itupersamaan (8) dengan | z it | = 0, yaitu Φ (δ i ).
Probabilitas menolak H 0 tergantung pada probabilitas bahwa ukuran tes
lebih besar dari nilai p, tetapi ini juga sama dengan persamaan ekonometrik untuk
rintangan pertama.
Agen yang sepenuhnya rasional, yang α i -nya selalu identik dengan kesatuan,
sulit untuk dilakukandidapat karena mereka akan membutuhkan massa probabilitas
model yang dimodelkan pada α = 1 indistribusi α i (16), yang pada gilirannya akan
membutuhkan infinite δ i in (5). Jadi, milik kitaprosedur pada kolom Tabel 3 adalah
untuk menggambarkan agen sebagai rasional pada dimensi α(baris Tabel 3) jika
mereka memiliki median di kisaran atas (0,8 hingga 1,0).
Dengan mengingat hal itu, sekarang kita dapat mengomentari penggunaan
informasi oleh subyek.Kira-kira setengah dari subyek memperbarui tanpa bukti, jadi
gugus median αpada kesatuan di sepanjang sumbu bawah dengan lebih dari
setengahnya (52%) dalam kisaran pada atau di atas0.8. Hanya 5% agen yang dapat
digambarkan sebagai ahli statistik klasik dengan medianα sekitar level 5-
10%. Namun, hampir seperempat dari titik median α kepenyesuaian keyakinan
konservatif, dengan nilai α tidak lebih dari 0,2.
Mengenai ukuran pembaruan, kita sudah tahu dari Hasil 3 bahwa masih jauh dari
itulengkap. Dalam Tabel 3 hanya di bawah sepertiga dari subyek (29 persen) yang
hanya diperbaruiantara 20 dan 40 persen dari apa yang seharusnya, dan kita sudah
catat darimodel 4 dari Tabel 2 bahwa jumlah rata-rata pembaruan atas semua mata
pelajaran ada di dalamnyakisaran ini (35%). Gambar 4 dan Tabel 3 menunjukkan
bahwa agen tersebut relative cenderung memperbarui (α → 1) cenderung
menyelesaikan pembaruan yang relatif lebih lengkapdaripada mereka yang tidak.
Gambar 4: Kumpulan duples subjek i (median α, β) untuk model 4.
C IV Estimator
Seperti disebutkan dalam ayat 4.2, ada masalah endogenitas dengan
menggunakankekuatan bukti terhadap nilai yang dipilih sebelumnya sebagai variabel
penjelasdi rintangan pertama, dan dalam lampiran ini kami menyelesaikan masalah
ini. Masalahnya adalahbahwa variabelnya adalah endogen, karena subjek dengan
kecenderungan rendah untuk memperbaruijelas cenderung menghasilkan nilai besar |
z it | hanya karena jarang memperbarui.Karena itu | z it | tampaknya selalu memiliki
efek negatif yang menyimpang pada kecenderungan untukmemperbarui.
Kami melanjutkan menggunakan estimator IV. Kami pertama kali membuat
prediksi yang absolutnilai z itu ,| z it |, untuk digunakan pada estimasi tingkat kuadrat
terkecil dua tahap.Dua instrumen untuk | z it | yang kami gunakan untuk membuat
prediktor ini adalah putarannyaangka (t), dan nilai absolut dari kontribusi ke | z it | di
babak saat ini| ∆z itu |. Ini tidak menjadi bingung dengan perbedaan yang dibangun ke
z itu yang mencakupperiode saat ini ke periode m, yaitu, Φ −1 (P it ) - Φ −1 (P im ). Kami
perhatikan itu, karenaΦ -1 (P im ) adalah tetap, operator perbedaan akan menghilangkan
itu, meninggalkan Δz itu sebagai perubahandalam Φ −1 (P it ) selama periode terakhir.
Gambar 6: g ∗t terhadap g t untuk sampel penuh.
Penting bahwa variabel dependen dalam (18) adalah | z it | dan tidak z itu . Jika
z itu
digunakan sebagai variabel dependen, dan akibatnya nilai absolut dariPrediksi, ̂z itu ,
digunakan pada tahap kedua, kita akan memiliki apa yang Wooldridge(2010, pp 267-
8) mengacu pada “regresi terlarang”. Menggunakan | z it | sebagai tanggunganvariabel
dalam (18) menghindari masalah ini.
Hasilnya ditunjukkan di bawah ini. Kedua variabel menunjukkan signifikansi
kuat dalamarah yang diharapkan, menyiratkan bahwa masalah instrumen yang lemah
dihindari.
Setelah memperkirakan regresi tahap 1, kami memperoleh nilai prediksi, predicted|
z itu |, dangunakan ini sebagai ganti | z it | di rintangan pertama dari model
utama. Untuk menggarisbawahipentingnya instrumen, kami menunjukkan dua plot di
bawah ini. Panel kiri Gambar7 menunjukkan perkiraan probabilitas pembaruan
terhadap | z it |, sedangkan panel kananGambar 7 menampilkan perkiraan probabilitas
pembaruan terhadap ̂| z itu |.