损失厌恶不是噪声:它是把预测误差的失真函数改成了不对称
【锚点】本轮只教一个判断:【损失厌恶】不是给认知系统加随机噪声,而是把【预测误差】的【失真函数】改成不对称成本。【流程节点链路】:【起点:估计不确定成本】→【中间节点:形成后验分布】→【中间节点:用非对称失真函数选估计】→【终点:估计偏向高百分位】。
【显式】Tversky & Kahneman 的前景理论估计损失权重 λ≈2.25:同样 100 元,损失的主观痛感约为收益的 2.25 倍。 【隐式】在估计问题里,这等价于把“最小化平均误差”换成“最小化非对称期望损失”;在率失真语言里,λ 是失真度量的斜率。 【细微】若用绝对损失近似,最优估计不是后验均值,而是 λ/(1+λ) 分位数;λ=2.25 时约为 69% 分位。 【极难发现】所谓“过度反应”可能只是任务要求:若低估损失的成本更高,偏离均值不是错误,而是最优。
例子:维修成本后验均值 1000 元、标准差 300 元。若低估损失的成本是高估成本的 2.25 倍,最优预算不是 1000,而是 69% 分位,约 1150 元。 【待验证点】改变参考点、把“自己的钱”换成“别人的钱”,或改变损失概率,应可预测地移动估计分位;若 λ→1,估计应回到均值。 值得辩论:当损失厌恶让估计偏离均值时,它到底是认知偏差,还是环境成本结构在认知里的正确投影?







0 Comments