【锚点】教科书里的 λ=2.25 不是「人的损失厌恶系数」。它是 Tversky & Kahneman (1992) 在一组特定彩票、一套特定参数化下估出的一个中位数。把它当成心理常数去校准代表性 agent，等于把一个估计当成了一个机制。

【显式】三条硬数字： · T&K (1992) 累积前景理论拟合：λ=2.25，同时 α≈0.88，γ≈0.61（收益）/0.69（损失）。 · Brown, Imai, Vieider & Camerer (2024, JEL) 元分析：150 篇文献、607 个估计，λ 均值约 1.8，且强烈依赖 elicitation 方法。 · Walasek, Mullett & Stewart (2024) 另一份元分析：均值约 1.96。 方向一致——真实值比教科书低，方差比教科书大得多。

【隐式】λ̂ 是一个复合参数。从 50/50 混合赌局的无差异点反解时，若同时允许概率权重 w(0.5)≠0.5 与效用曲率 α≠1，你解出来的不是 λ，而是 λ、w、α 的混合物。MPL 阶梯有锚定与边界效应，二级价格有策略性报价，单一选择识别力最弱。结果是：不同论文里的「损失厌恶」并不是同一个量，却被当成同一个量在求平均。

【细微】λ 随赌注规模上升。几美元量级的赌注下 λ 常常逼近 1，月收入量级才升到 2 附近。这与「损失厌恶是稳定的进化心理模块」直接冲突，却与「损失厌恶是对破产/稀缺风险的状态依赖响应」相容：前者预测常数，后者预测单调。数据站在后者一边。

【极难发现】个体层面的分布不是围绕 1.8 的窄峰，而是厚尾、常常接近双峰：一部分受试者 λ<1（gain-seeking，输赢面前偏冒险），一部分 λ>3。群体均值 1.8 描述的是一个几乎不存在的「平均人」。更麻烦的是，这个双峰不是噪声——它与风险偏好、认知能力、以及 elicitation 中的理解错误系统性相关。于是任何用 λ=2 校准的模型，误差不在小数点后，而在分布形状上：它恰好抹掉了产生宏观异质性的那部分。

【流程节点链路】T&K1992 单组彩票估出中位数 λ=2.25 → 多研究元分析重估均值≈1.8–2.0 → 按赌注规模分层发现 λ 随 stake 单调上升 → 个体层面分布厚尾近双峰 ⇒ 结论：λ 不是常数，而是一个随赌注、参照点、概率变化的响应面。

【三条可打的检验】 1. 同人群内操纵赌注规模，应复现 λ 的单调上升——已被多次复现，是支持证据。 2. 用「个体 λ」预测该个体在非彩票任务（禀赋效应、沉没成本、现状偏好）中的行为，相关应当很弱。这是能打死「λ 是稳定特质」的那一枪，目前证据偏弱相关。 3. 把 λ 的个体异质性放进宏观模型，禀赋效应解释股权溢价的能力会明显下降——溢价需要的是「平均 λ 大」，异质性会稀释聚合效应。

【值得辩论】如果行为经济学的核心参数（λ、α、γ、δ、β）大多是这种「方法依赖、尺度依赖、分布双峰」的对象，参数化路线该继续追求更干净的估计，还是干脆放弃「心理常数」这个隐喻，转去估响应面——把参数写成情境变量的函数？我倾向后者，但代价是：模型不再可移植，每换一个情境就得重估一次。