Artikel 4.

1 (artikel 9)

Belief Adjustment: A Double Hurdle Model and

Experimental Evidence

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).

Dalam makalah ini kami menganalisis hasil percobaan menggunakan model

ekonometrikdidasarkan pada kerangka harapan inferensial (IE) dari Menzies dan Zizzo (2009).Ini
memberikan cara bergaya pemodelan penyesuaian keyakinan yang jarang, dan bisadimodifikasi untuk
memungkinkan penyesuaian keyakinan parsial atau berlebihan. Kami menganggap subyekmemegang
keyakinan sampai cukup bukti telah terakumulasi untuk melewati ambang statistic Signifikan, di mana
keyakinan titik diperbarui. Setiap subjek diasumsikan menggambar aukuran tes? dari distribusi, yang
kami peroleh dari hasil ekonometrik kamimodel. Selanjutnya, setelah keputusan dibuat untuk
memperbarui, subjek dapat memahami ataubereaksi berlebihan terhadap data menurut pembaruan
Quasi-Bayesian. Penyesuaian keyakinan lengketkemudian sepenuhnya ditentukan oleh agen? distribusi
dan penyesuaian Kuasi-Bayesianparameter, keduanya dihasilkan oleh model rintangan ganda.

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.

2 Desain dan Perawatan Eksperimental

Eksperimen kami sepenuhnya terkomputerisasi dan dijalankan di laboratorium eksperimentaldari

Universitas East Anglia dengan n = 245 mata pelajaran yang dipisahkan olehpartisi. Eksperimen dibagi
menjadi dua bagian, diberi label bagian praktikdan bagian utama. Instruksi eksperimental diberikan di
awalsetiap bagian untuk tugas di bagian itu (lihat lampiran online untuk salinaninstruksi). Sebuah
kuesioner diberikan untuk memastikan pemahaman setelah masing-masingkumpulan instruksi.

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.

3 Variabel Model, Proses Risiko dan Harapan

3.1 Variabel Model dan Koreksi Sikap Risiko

Tabel 1 menjabarkan variabel model utama dan hubungan timbal balik di antara mereka,kapan acara
dijelaskan dalam istilah guci yang dipilih (baris 1) dan kapan yadijelaskan dalam hal probabilitas bola
putih ditarik (baris 2). Keduanyadeskripsi adalah setara karena subjek subjektif menebak probabilitas
ituUrn 1 dipilih menghasilkan probabilitas subyektif tersirat bahwa bola putihdigambar.4 Dalam
pemodelan kami, kami kadang-kadang menggunakan probabilitas sebelumnya dipilih | dan akan
berguna untuk mengubah probabilitas dugaan ini menggunakan inverskumulatif Distribusi normal,
sehingga dukungan memiliki dimensi yang sama denganstatistik-z klasik. Sebagai alternatif, kami
terkadang menggambarkan dugaan agen dalam istilahdari probabilitas bahwa bola putih ditarik.Waktu
diukur dengan t, angka imbang (bulat) untuk bola menarik di setiap tahap.

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.

3.2 Proses Harapan

Menggunakan notasi Tabel 1, kami mendefinisikan tiga proses pembentukan
harapanyang akan relevan untuk model rintangan ganda kami di bagian 4.

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:

Parameter β dapat dianggap sebagai parameter QB: jika β = 1, agenadalah

orang Bayes yang lugas;jika β> 1 mereka menggunakan informasi secara berlebihan
dan kurang beratprior; jika 0 ≤ β <1 mereka kurang menggunakan informasi dan prior
lebih berat dan jika β <0mereka merespons cara informasi yang salah —
meningkatkan probabilitas bersyaratketika mereka harus menurunkannya, dan
sebaliknya.
Sikap agen terhadap tingkat perubahan keyakinan dalam terang bukti
bisadiringkas oleh distribusi f (β) di seluruh mata pelajaran. Jika f (β) memiliki
probabilitas paling besarmassa antara 0 dan 1, sebagian besar agen hanya
menyesuaikan sebagian, dan subjek bertemupenyesuaian penuh pada β = 1 sejauh
massa probabilitas dalam f (β) bertemumenuju persatuan.

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.

Hubungan antara Tolok Ukur Harapan

Ketika agen saya menolak H 0 dalam kerangka IE kami menganggap dia
memperbaruinyaprobabilitas menebak. Agen ini kemudian dapat sepenuhnya
Bayesian (β i = 1), atau diabisa menjadi semi-Bayesian. Jika 0 <β i <1, dia bergerak
dengan fraksi β i dari jarakdia harus bergerak; jika β i > 1, dia bereaksi berlebihan, dan
jika β i <0, dia salah mengartikaninformasi.
Karena setiap agen memiliki distribusi penuh α, yaitu f i (α), kita perlu
representasisentatif α i untuk merangkum tingkat penyesuaian keyakinan lengket
untuk agen i dan untukberhubungan dengan β i-nya . Ada sejumlah kemungkinan, tetapi
pilihan alami yang manamemungkinkan solusi analitik adalah median α i dari f i (α)
mereka. Untuk keperluananalisis empiris kami agen (Bayesian) sepenuhnya rasional
adalah orang yang memiliki (median)α i = β i = 1, sedangkan jenis agen lainnya tidak
memiliki RE.Kami sekarang membuat parameter ketiga proses harapan dalam model
rintangan ganda.
Kami menemukan bukti untuk semuanya dalam data kami, dan yang penting
kami menemukan IErepresentasi f i (α) memiliki ukuran tidak nol pada
kesatuan. Seperti dibahas di atas, inifraksi agen yang melakukan penyesuaian
keyakinan acak.
4 Hasil Eksperimental
4.1 Analisis Awal “Tidak Ada Perubahan”
Baseline dan complex masing-masing memiliki 82 subjek, dan kurangnya
perhatianpengobatan memiliki 81 subyek. Di sub-bagian ini, kami
mempertimbangkan berapa kali kamisubyek mengeksekusi "tidak ada perubahan",
yang berarti probabilitas dugaan sama dengan yang ada pada periode sebelumnya. Ini
menarik karena, mengingat sifat informasi danjumlah undian yang relatif kecil,
insiden "tidak ada perubahan" tidak diprediksibaik dengan memperbarui Bayesian
atau Quasi-Bayesian, dan dengan demikian, jika pengamatan tersebut
dilakukantersebar luas dalam data, ini adalah bukti pertama bahwa model standar
initidak lengkap.
Jumlah maksimum "tidak ada perubahan" untuk setiap subjek adalah 49: tujuh
peluangpeluang tanpa perubahan dari delapan hasil imbang, kali tujuh
tahap. Distribusi
lebih dari subyek secara terpisah oleh pengobatan ditunjukkan pada Gambar 1.
Distribusi dasartion menunjukkan konsentrasi pada nilai yang rendah; untuk
Kompleks dan Ketidakpedulian, di sanatampaknya merupakan pergeseran distribusi
menuju nilai yang lebih tinggi, seperti yang mungkin diharapkan.Cara untuk setiap
perawatan diwakili oleh garis-garis vertikal di sebelah kanansisi. Garis-garis vertikal
di sisi kiri menunjukkan jumlah rata-rata tidak ada perubahan karena subyek yang
membulatkan probabilitas Bayesian ke dua tempat desimal. Jelas,pembulatan tidak
dapat menjelaskan prevalensi tidak ada perubahan yang ditemukan di
empirisdistribusi.
Rata-rata lebih tinggi di bawah C (22,79) daripada di bawah B (18,74) (uji
Mann-Whitneymemberi p = 0,007); dan lebih tinggi di bawah I (26,97) daripada di
bawah B (p <0,001). 6 Inidiharapkan: kompleksitas dan kekurangan perhatian
keduanya diharapkan untuk meningkatkan kecenderunganbiarkan tebakan tidak
berubah. Ketika C dan I dibandingkan, nilai-p adalah 0,06, menunjukkan
bukti ringan dari perbedaan antara kedua perawatan.
Dalam Gambar 1 jelas dari bukti nonparametrik dari insiden luasdari "tidak ada
perubahan" yang harus dihadapi oleh model mana pun dari data kamiFenomena
apakah akan menyesuaikan, sebelum mempertimbangkan berapa banyak untuk
menyesuaikan.Ini diGilirannya dapat menyiratkan bahwa proses menunggu adalah
stokastik dan tidak terkait dengan yang sebenarnyainformasi tiba (penyesuaian
kepercayaan tergantung waktu) atau, bahwa informasiyang datang mempengaruhi
waktu (penyesuaian keyakinan yang tergantung pada negara). Ganda kamimodel
rintangan memungkinkan kita untuk mempertimbangkan keduanya bersama-sama.

4.2 Model Penyesuaian Percaya Double Hurdle

Pada bagian ini, kami mengembangkan model rintangan ganda parametrik yang
secara bersamaanmempertimbangkan keputusan untuk memperbarui keyakinan dan
sejauh mana keyakinan diubahketika pembaruan terjadi.Tujuan dari model ini adalah
untuk bertindak sebagai alat pengujian untuk negara-penyesuaian keyakinan
dependen, yaitu penyesuaian keyakinan Bayesian dan Quasi Bayesianpenyesuaian
keyakinan dalam versi sederhana yang telah ditentukan sebelumnya, serta
(stokastik)penyesuaian keyakinan tergantung waktu.
Tugas ekonometrik kami adalah untuk model berubah tersirat keyakinan r *t =
Φ −1 (g ∗t (θ i )),yang pada gilirannya membutuhkan estimasi untuk penghindaran
risiko. Kami memperkirakan ini ditingkat vidual menggunakan teknik oleh Offerman
et al. (2009). Lampiran B berisiperincian tingkat subjek seputar estimasi θ i .

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

Kami akan merujuk ke r ∗

sebagai subjek i “keyakinan” dalam periode t, sebagai singkatan untuk 'berubah keyakinan tersirat
'. Kami akan memperlakukan r ∗itu sebagai fokus analisis, karena r ∗memiliki samadimensi
sebagai z , statistik uji didefinisikan dalam (2). Artinya, keduanya mendapat
itu

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:

dengan Φ [·] adalah standar Normal cdf dan δ i mewakili subjek i

idiosyncratickecenderungan untuk memperbarui kepercayaan, dan karenanya
memodelkan kepercayaan probabilistik acakjustment (penyesuaian keyakinan
tergantung waktu). Probabilitas pembaruan adalahdijumlahkan untuk bergantung
(positif) pada nilai absolut dari z itu , statistik uji. Ituvektor x i berisi variabel dummy
pengobatan dan gender bersama dengan variasi usiamampu, yang semuanya invarian
waktu dan dapat diharapkan mempengaruhi kecenderungan untukmemperbarui.
Salah satu masalah ekonometrik yang muncul adalah endogenitas variabel |
z it |:
subjek yang tidak suka memperbarui cenderung menghasilkan nilai | z it | yang
besar sementarasubjek yang memperbarui secara teratur tidak membiarkannya
berkembang melampaui nilai-nilai kecil.Ini adalahcenderung membuat bias ke bawah
yang parah dalam estimasi parameter γ pada parameter pertamarintangan. Untuk
mengatasi masalah ini kami menggunakan estimator variabel instrumental (IV)yang
menggunakan variabel |̂ z itu | di tempat | z it |, di mana| z itu | terdiri dari nilai-nilai yang
dipasangdari regresi | z it | pada seperangkat instrumen yang cocok. Prosedur IV ini
adalahdijelaskan secara terperinci dalam Lampiran C.
Rintangan kedua: Bersyarat pada subjek yang saya pilih untuk memperbarui
keyakinan pada undian,pertanyaan berikutnya berkaitan dengan seberapa banyak
mereka melakukannya. Ini diberikan oleh:

Sebagai pengingat, parameter penyesuaian keyakinan Quasi-Bayesian

β i mewakilitunduk pada responsif istimewa saya terhadap akumulasi informasi
baru:jika β i = 1, subjek i merespons sepenuhnya; jika β i = 0, subjek saya tidak
merespons sama sekali.Ingatlah bahwa β i tidak dibatasi pada [0,1]. Secara khusus,
nilai β i lebih besar dariorang akan menunjukkan fenomena reaksi berlebihan yang
masuk akal. Sekali lagi, pengobatanvariabel dimasukkan: elemen vektor
vector 2 memberi tahu kami seberapa responsifnyaberbeda dengan pengobatan.
Mempertimbangkan model yang lengkap, ada dua parameter istimewa, δ i dan
β i . Ini diasumsikan didistribusikan pada populasi subjek sebagai berikut:

Secara total, ada lima belas parameter untuk diperkirakan: μ 1 , η 1 , μ 2 , η 2 , ρ, γ,

σ,empat
efek pengobatan (dua di setiap rintangan); dua efek gender (satu di setiap
rintangan); dandua efek usia (satu di setiap rintangan).
Hasilnya disajikan pada Tabel 2, untuk empat model yang berbeda. Kolom
terakhirmenunjukkan model yang disukai.
Model 1 memperkirakan tolok ukur QB, di mana diasumsikan bahwa “pertama
rintangan ”dilewati untuk setiap pengamatan — yaitu pembaruan selalu terjadi. Tidak
ada pembaruandiperlakukan sebagai nol realisasi variabel pembaruan di rintangan
kedua, dan merekakontribusi kemungkinan adalah kepadatan bukan
probabilitas. Karena perbedaan inidalam cara fungsi likelihood dihitung, log-
likelihood dan AIC tidak bisadigunakan untuk membandingkan kinerja QB dengan
model lainnya.
 Model 2 memperkirakan tolok ukur IE, di mana parameter pembaruan (β i )
adalahditetapkan pada 1 untuk semua mata pelajaran. Akibatnya variasi residu
tambahan dalam pembaruan adalahtercermin dalam estimasi σ yang lebih
tinggi. Parameter dalam rintangan pertama gratis.
Model 3 menggabungkan IE dan QB, tetapi membatasi korelasi (ρ) antara δ
danβ menjadi nol. Model 4 adalah model yang sama dengan ρ tidak dibatasi.
Kinerja keseluruhan model dinilai terbaik menggunakan AIC; yang
disukaiModel adalah salah satu dengan AIC terendah. Di antara model yang dapat
dibandingkan, yangmodel terbaik adalah model paling umum 4: IE-QB dengan ρ tidak
terbatas, yang hasilnyadisajikan pada kolom terakhir dari Tabel 2.Untuk
mengkonfirmasi keunggulan model umum atas model terbatas, kamimelakukan tes
Wald terhadap pembatasan yang tersirat oleh tiga model yang kurang
umum. Kitamelihat bahwa, dalam ketiga kasus, pembatasan tersirat sangat ditolak,
menyiratkanbahwa model umum lebih unggul. Perhatikan khususnya bahwa ini
menetapkankeunggulan model umum 4 (IE-QB dengan ρ tidak terbatas) di atas model
QB1 (perbandingan yang tidak mungkin berdasarkan AIC).
Kami menafsirkan hasil dari model yang disukai sebagai
berikut. Pertimbangkan yang pertamarintangan (kecenderungan untuk
memperbarui). Parameter intersep pada rintangan pertama (μ 1 )memberitahu kita
bahwa subjek tipikal memiliki probabilitas prediksi predicted (−0.165) = 0,43
darimemperbarui dalam tugas apa pun, tanpa adanya bukti (yaitu ketika | z it | =
0). Kami perhatikanbahwa perkiraan ini tidak berbeda secara signifikan dari nol, yang
akan menyiratkan 50%kemungkinan memperbarui:

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).

Dalam rintangan kedua, intersep (µ 2 ) diperkirakan 0,35 dalam pilihan

kamimodel 4: ketika subjek umum (dasar) melakukan pembaruan, ia memperbarui
berdasarkan proporsi0,35 dari perbedaan dari probabilitas Bayes. Estimasi besar
η 2 memberitahu kitabahwa ada heterogenitas yang cukup besar dalam proporsi ini
juga (lihat Gambar 2 di bawah).Namun, di semua model di mana rintangan kedua
bermakna (model 1, 3 dan 4),banyak β i adalah antara 0 dan 1. Jika kita mengambil
model 4, hanya 18 dari 245 subjekmemiliki β <0, yang mengindikasikan noise atau
subjek yang bingung yang menyesuaikan yang salah
arah. Lebih menariknya, hanya 4 dari 245 subjek (<2%) yang menampilkan reaksi
berlebihanuntuk bukti dalam model 4. Kami merangkum ini dalam hasil berikut:

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%):

Gambar 2: Kemungkinan posterior untuk memperbarui

Hasil 4 compex tidak mempengaruhi apakah subjek memutuskan untuk memperbarui

atau tidak,tetapi, jika mereka melakukannya, mereka sebagian menyesuaikan sekitar
15 poin persentase kurang rata-rata. inattention mengurangi kecenderungan untuk
memperbarui tetapi tidak mempengaruhi tingkat pembaruan.

4.3 Distribusi Empiris dari α dan β

Untuk mendapatkan pemahaman yang lebih baik tentang heterogenitas populasi
dalam penyesuaian keyakinan, iniSubbagian memetakan distribusi
empiris parameter IE α i dan QB β I lintas subjek satu sama lain. Memperkirakan f (β)
cukup mudah dilihat dari kamimodel rintangan ganda karena β i diperkirakan secara
langsung dan kami telah melakukannya pada Gambar 2.Kami selanjutnya
menggunakan informasi rintangan pertama untuk menghasilkan f i (α), distribusi
empirisdari α i .
Seperti yang kami tandai sebelumnya, masing-masing agen memiliki distribusi
penuh α sehingga kami membutuhkan arepresentatif α i untuk merangkum sejauh
mana penyesuaian keyakinan lengket untuk agen i, untuk kemudian berhubungan
dengan β i. Seperti yang akan dijelaskan di bawah ini, pilihan yang memungkinkan
analitiksolusi adalah median α i dari f i (α).
 Persamaan ekonometrik untuk rintangan pertama setara dengan
probabilitasmenolak nol di bawah IE. Kami menghilangkan variabel dummy. Kita
mulai dengan menulis ulang rintangan pertama, yaitu (5) tanpa boneka:

di mana δ i dan γ merupakan estimasi parameter dan | z it | adalah statistik uji

berdasarkan
proporsi bola putih.

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.

Huruf besar F dalam persamaan terakhir adalah anti-turunan dari

kepadatan. Kami mendefinisikanF i (1) menjadi satu karena 1 adalah ujung atas dari
dukungan α tetapi kami juga mencatatbahwa ada diskontinuitas sehingga F melompat
dari 1 - Φ (δ i ) ke 1 pada α = 1, sepertikonsekuensi dari massa probabilitas non-nol
pada f i (α) pada kesatuan. Untuk mengatasipersamaan kita menggunakan ekspresi
untuk nilai p | | it | pada tes Normal dua sisi.

Kami menggunakan perkiraan 'parameter tunggal' ke kumulatif Normal (lihat

Mangkuk-ing et al. 2009). Untuk tujuan kita
 Kita sekarang dapat menuliskan | z itu | sebagai fungsi dari nilai-p menggunakan
(11) dan (12)

Secara intuitif, nilai p nol menyiratkan infinite | z it | dan p-value of unity

menyiratkan| z itu | adalah nol.Kami sekarang dapat menggunakan hubungan antara
F i (p-value itu ) dan perkiraan kamirintangan pertama untuk menghasilkan F i (α).

Dalam ungkapan di atas, variabel 'p-value' hanyalah place-holder dan bisa

jadidigantikan oleh apa pun dengan dukungan yang sama sehingga makna (14) tidak
berubah.Dengan demikian, dapat diganti dengan α memberikan kepadatan kumulatif

Substitusi α = 1 tidak memberikan kesatuan, yang sebelumnya kita

asumsikannilai F i (1). Namun, ia memberikan 1 - Φ (δ i ), yang tentu saja sependapat
denganpersamaan ekonometrik untuk rintangan pertama ketika | z it | = 0.
Diskontinuitas ini dalam F I konsisten dengan massa probabilitas diskrit dalam f i (α)
pada kesatuan, seperti yang kita catat sebelumnya.Sekarang tinggal membedakan
F i untuk mendapatkan kerapatan kontinu f i (α) untukα benar-benar kurang dari
satu. Deskripsi fungsi di ujung atassupport (unity) dilengkapi dengan massa diskrit
pada unity of Φ (δ i ).
 Gambar 3 mengilustrasikan distribusi f i (α) untuk δ i = −0.17 dan together =
1.24 bersama-samadengan distribusi satu standar deviasi di kedua sisi δ i . Yang
pertama adalahrata-rata δ lintas subjek, dari estimasi kami (dari kolom terakhir Tabel
2,dibulatkan menjadi dua tempat desimal. Di sebelah kanan-sebagian besar grafik
adalah probabilitas massa ketika α = 1. Seperti dibahas sebelumnya, ini sesuai dengan
proporsi agenyang memperbarui tanpa bukti sama sekali (| z it | = 0). Jelas ada banyak
halheterogenitas yang menarik. Satu distribusi memiliki probabilitas mendekati nol
dari suatu acak memperbarui (11%) dan ketika agen menggunakan informasi mereka
sangat konservatif, denganα mendekati nol. Distribusi lain memiliki kemungkinan
acak yang hampir pastipembaruan (81%) dan agen yang melihat informasi sama
sekali tidak konservatif (α adalahkemungkinan dekat dengan persatuan).
Karena ada nilai istimewa idi i maka akan ada distribusi terpisah untuksetiap subjek
bervariasi lebih dari δ i . Jadi kita harus menggunakan statistik ringkasan untuk f i (α),
dan satu yang datang ke tangan adalah nilai median α, diperoleh dengan
menyelesaikan F i (α) = 0,5 inpersamaan (15). Pada Gambar 4, kami plot koleksi
duples subjek i (median α, β)untuk model 4, persamaan pilihan kami, bersama dengan
garis regresi. Tabel 3 mencantumkanpersentase subjek dalam setiap braket (median
α i , β i ) 0,2.
 Gambar 3: Distribusi f i (α) untuk δ i = −0.17 dan γ = 1.24 bersama-sama dengan
distribusi satu standar deviasi di kedua sisi δ i

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.

Hasil 5 Diperkirakan ukuran tes tersebar di seluruh dukungan [0,1]. Ada

sebuahkorelasi positif (0,45) antara median α i dan tingkat penyesuaian keyakinan
ketika itu terjadi.
Korelasi positif antara α i dan β i ini menunjukkan keberadaan kelompok
kecil(kurang dari 5%) agen rasional. Mereka menghuni RHS bawah Tabel 3, di mana
α i dan β i keduanya melebihi 0,8.

5 Diskusi dan Kesimpulan

Makalah kami membingkai ulang perdebatan tentang waktu dan perilaku yang
bergantung pada Negara menemukan bukti yang jelas untuk keduanya dalam
permainan subjek. Sampai saat ini masing-masing telah dipertimbangkansecara
terpisah, dan ini jelas merupakan titik awal yang baik untuk mengamati
merekalaboratorium. Penyesuaian keyakinan lengket — frekuensi dan tingkat
kepercayaan yang tidak memadaimemperbarui — bukan ide baru, dan bukti
eksperimental awal untuknya dalam pengaturandengan bukti yang disajikan sekaligus
dibahas selama Phillips dan Ed-bangsal (1966) dan Edwards (1968). Sebuah studi
percontohan dijelaskan dalam Menzies dan Zizzo(2005) menemukan bukti untuk
penyesuaian keyakinan lengket dalam percobaan dengan dinamikaDihabiskan
memberikan informasi, tetapi, terlepas dari sifat kecil penelitian, itu juga
tidakdikendalikan untuk penghindaran risiko juga tidak memperhitungkan berbagai
bentuk kepercayaan lengket
pengaturan. Massey dan Wu (2005) berisi percobaan terkait tetapi berbedadengan
informasi yang diberikan secara dinamis di mana tujuan subjek adalah untuk
mengidentifikasiapakah pergeseran rezim telah terjadi, tetapi mereka diizinkan untuk
mengubah pikiran merekahanya sekali; mereka mengidentifikasi kondisi yang, dalam
masalah keputusan semacam ini,mata pelajaran mereka menunjukkan priors yang
underweighting atau overweighting.
 Tabel 3: Persentase subyek dalam setiap braket (α i , β i ) dalam model 4

Dalam konteks percobaan di mana hanya ada satu informasidisediakan pada

awal perdagangan, Camerer (1987) berpendapat bahwa probabilitas naikanomali
kencan terhapus dalam cahaya disiplin pasar. Sebaliknya, masuk lagipengaturan di
mana informasi diberikan sekaligus, Menzies dan Zizzo (2012) temukanbukti yang
lebih besar tentang kekakuan harga pasar dalam situasi pasar lelang
Walrasiandimaksudkan untuk memodelkan pasar nilai tukar, daripada pada individu
yang sesuai
keyakinan sebagaimana diungkapkan oleh pilihan pasar pedagang. Ada berbagai
macam empiris aplikasi di mana kekakuan kepercayaan tampaknya masuk akal dalam
lingkungan ekonomi alamiKASIH, termasuk pasar. Aplikasi penyesuaian keyakinan
lengket termasuk, di antaranyayang lain, kontrak agen utama yang optimal (Rabin dan
Schrag, 1999),mensponsori sinyal pasar (Sims, 2003), sebuah yayasan mikro untuk
Keynesian BaruKurva Phillips (Mankiw dan Reis, 2002), perilaku konsumen dan
produsen (Reis,2006a, 2006b), dan harga di bawah biaya informasi (Woodford,
2009). Inferensialpemodelan ekspektasi telah diterapkan untuk menjelaskan tingkat
suku bunga yang terbukakegagalan itu (Menzies dan Zizzo, 2009, 2012), kredibilitas
bank sentral (Henckel et al.,2011, 2013) dan keputusan merger oleh regulator
kompetisi (Lyons et al., 2012).
Model rintangan ganda yang kami kembangkan dalam makalah ini
memungkinkan kami untukparut penyesuaian waktu dan tergantung pada keyakinan
negara dalam ekonometrik terpadukerangka. Eksperimen kami menggunakan aturan
penilaian kuadratik dengan imbalan moneterinsentif mata pelajaran, dan kami
mengoperasionalkan Offerman et al. (2009) untuk menghasilkanhapus keyakinan
yang disesuaikan dengan risiko untuk analisis regresi kami. Setahu kami ini adalah
satudari aplikasi tersebut pertama.
Model ekonometrik kami menemukan bukti heterogenitas yang cukup besar di
keduanyakecenderungan dan tingkat pembaruan, dengan hanya subset sub-bagian
yang relatif kecil.JECT menampilkan harapan rasional. Kami mengamati penyesuaian
keyakinan acak di sekitarseparuh waktu, yang konsisten dengan penyesuaian
kepercayaan yang tergantung pada waktu stokastik.Penyimpangan dari pembaruan
Bayes secara sistematis ke arah under-penyesuaian, dengan sekitar 5% di lingkungan
penyesuaian penuh (0,8 <β <1.2).Kami menemukan bahwa, ketika kepercayaan
berubah, mereka melakukannya hanya sekitar 35% dari jumlahdiperlukan oleh
pembaruan Bayesian, jauh dari apa yang diperlukan rasionalitas
penuh. Itukemungkinan perubahan keyakinan meningkat karena jumlah bukti
terhadap nolhipotesis meningkat, yang konsisten dengan penyesuaian keyakinan yang
tergantung pada negara.
Mekanisme insentif penilaian kuadratik kami menyiratkan bahwa semakin
besar jumlahnyabukti terhadap keyakinan yang saat ini dipegang, semakin besar biaya
yang diharapkan darimempertahankan keyakinan ini. Dengan demikian, model
kurangnya perhatian rasional berbasis ambang batas ad-justment (Sims, 2003)
konsisten dengan agen yang memiliki ekspektasi inferensial(Menzies dan Zizzo,
2009). Yaitu, agen memegang kepercayaan status quo mereka sampaibukti
terakumulasi membuat ini terlalu mahal, dimodelkan sebagai melewati ambang
batasdiakhiri oleh ukuran uji α. Kami memperkirakan sekitar seperempat agen
adalahKeyakinan konservatif dengan α ≤ 0,4. Turunkan distribusi α penuh, seperti
yang kita lakukan pada Gambar3, merangkum banyak tentang perilaku
subjek. Pertama, massa probabilitas padaα = 1 mengukur tingkat penyesuaian
tergantung waktu. Kedua, agen manaalih-alih mengadopsi penyesuaian yang
tergantung pada keadaan, kepadatan di atas dukungan α = [0,1),seperti yang
ditunjukkan pada Gambar 3, menginformasikan tentang tingkat konservatisme
keyakinan.
Seperti dibuktikan oleh korelasi positif yang signifikan antara α dan β, subjek
yangcenderung menyesuaikan keyakinan mereka (α rendah) juga subjek yang
menyesuaikannyakurang ketika mereka melakukannya (β rendah). Ini berangkat dari
praktik statistik umum yang,saat mengadopsi α rendah (1%, 5%, 10%),
merekomendasikan penyesuaian penuh ketika keyakinan dilakukanperubahan. Hasil
kami kuat untuk efek perawatan, tetapi kami menemukan bahwa, masuk
akal,manipulasi kita yang kurang perhatian membuat subyek cenderung
menyesuaikan keyakinan yang mereka nyatakan,sedangkan kompleksitas tambahan
membuatnya lebih sulit untuk menyesuaikan sepenuhnya. Akhirnya, subjek yang
lebih tuacenderung memiliki kecenderungan yang sedikit lebih rendah untuk
memperbarui tetapi menyesuaikan lebih banyak ketika merekalakukan pembaruan.
 Bukti-bukti yang disajikan untuk ko-eksistensi waktu dan ketergantungan
negara
Havior memiliki implikasi penting untuk pemodelan harapan. Setelah ditunjukkanko-
eksistensi mereka, kita serahkan kepada penelitian di masa depan tugas memasukkan
mereka ke dalammodel teoritis dan menyempurnakan sifat mereka dalam konteks
ekonomi tertentu.

Kedekatan Dua Kekuatan Bukti

Simulasi numerik tersedia dari penulis, yang mengkonfirmasi kedekatan
dari baris pertama dan terakhir.

B metode untuk Pendugaan Parameter Risiko CRRA

Log hubungan antara transformasi dari g t dan g *t dalam teks memiliki iid
kesalahan ditambahkan ke dalamnya dan dijalankan dengan 10 pengamatan sebagai
regresi OLS. Variabelt dalam (17) mengacu pada 10 putaran di bagian latihan, bukan
ke putaran di utamabagian. Parameter yang diperkirakan θ i adalah subskrip untuk
subjek, karena (17) dijalankan untukmasing-masing subjek memberikan own sendiri.

Kami perhatikan hal berikut:

1. Regresi tidak memiliki intersep. Jika intersep disertakan θ i perkiraan tidak
efisien.
2. Untuk beberapa mata pelajaran g t = 0,5 dalam setiap periode. Dalam hal ini,
variabel RHS adalahDalam (1) di setiap periode. Ini berarti bahwa θ mendekati
+ ∞. Estimasi iniperlu dikodekan ulang ke angka positif yang tinggi, dan kami
menggunakan +10.
3. Ada persyaratan logis bahwa θ tidak boleh kurang dari -1 dalam model
ini.Karenanya, perkiraan apa pun yang kurang dari -1 harus dikodekan ulang
menjadi -1.

Prosedur di atas menimbulkan distribusi θ lebih dari 245subyek:

Setelah masing-masing subjek memiliki estimasi sendiri , i , set lengkap g ∗ tersirat
nilai t bisadihasilkan dari diamati tebakan g t dalam percobaan utama. Seperti yang
dibahasdalam teks utama, ini dilakukan dengan menulis ulang (17) tanpa kesalahan,
yaituidentik dengan persamaan (1), eksponensial kedua sisi, dan kemudian pemecahan
untuk g ∗t . ItuGambar berikut menunjukkan g ∗t terhadap g t untuk sampel penuh. Beberapa
nilai g ∗tuntuk setiap g t adalah karena nilai-nilai estimasi yang berbeda dari θ i untuk
setiap mata pelajaran.
 Gambar 5: Distribusi θ pada 245 subjek.

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.

Karenanya, regresi OLS tahap 1 adalah:

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 |.

Tabel 4: Estimasi (18) dalam Lampiran C

Panel kiri menjelaskan masalah endogenitas yang diidentifikasi di atas:

sebagian besardari kisaran | z it | efeknya pada kecenderungan untuk memperbarui
adalah negatif. Hakpanel adalah variabel biner yang sama terhadap ̂| z itu | (prediksi
dari tahap 1regresi). Ini menunjukkan sepenuhnya pola yang berlawanan: yang
meningkat secara monotonefek dari| z itu | pada kecenderungan untuk memperbarui.