Chapter 5: Weighing Risk and Uncertainty
Amos Tversky & Craig R. Fox
From: Choices, Values, and Frames (Cambridge University Press, 2000)
📖 总结
风险与不确定性的统一框架
本章以前景理论为核心，将“风险决策”（概率已知）与“不确定性决策”（概率未知）纳入同一分析框架。作者指出，经典期望效用理论把概率当作线性权重，但大量实验显示，人们实际使用的是非线性决策权重：小概率被高估，中高概率被低估。这一机制可解释四重风险态度模式：低概率收益偏好冒险、低概率损失偏好规避；高概率收益偏好规避、高概率损失偏好冒险。
从概率加权到不确定性加权
在风险条件下，可写作 w(p)v(x)；在不确定条件下，概率 p 不可直接给定，作者引入事件权重函数 W(A)（capacity，非可加概率）表征事件对选择的影响。关键在于：W 不必可加，且可系统偏离主观概率判断。由此，期望效用仅是特殊情形（W 可加时）。
bounded subadditivity：本章核心命题
作者提出“有界次可加性”（bounded subadditivity, SA）：
- 下次可加（possibility effect）：把事件从“不可能”变为“可能”时，边际影响更大；
- 上次可加（certainty effect）：把事件从“确定”变为“不确定”时，边际影响更大。
换言之，决策者对靠近端点（0与1）的变化更敏感，而对中段变化较不敏感。该命题既覆盖 Allais 确定性效应，也把风险情境下的加权曲线推广到真实世界的不确定情境。
关键结论：不确定性下“敏感度更低”
本章最重要的增量贡献是“相对敏感度”假设：相较风险（chance device），人们对不确定性来源（体育结果、市场指数、气温）更不敏感，即权重函数更平、更次可加。作者据此主张：仅基于“已知概率”实验得到的偏差，往往低估了现实决策中的非线性程度。
信念与偏好的两阶段关系
作者区分“概率判断”与“决策权重”：前者是认知评估，后者是选择中的心理权重。数据支持两阶段近似：先形成 P(A)，再经风险型加权函数映射为 W(A)≈ w(P(A))。同时，W 的次可加性通常强于 P 的次可加性，表明偏好层面存在额外放大（如希望/恐惧等情感成分）。
🧪 关键实验与发现
- 演示性实验（Stanford-Berkeley 足球）：112 名学生在三组投注选择中出现系统模式 f₁≻ g₁, f₂≻ g₂, g₃≻ f₃，违反期望效用的一致性推论，却可由次可加权重 + subcertainty 解释。选择 f₁,f₂,g₃ 的“模态三联”占 36%；在前两题选 f₁,f₂ 的人中，64% 在第三题改选 g₃。
- 三项主实验（共同方法：确定性等价 CE 推断）：
- Study 1：NBA 球迷（N=27），来源含 chance、NBA、旧金山气温；
- Study 2：NFL 球迷（N=40），来源含 chance、超级碗、道指；
- Study 3：心理学学生（N=45），来源含 chance、旧金山/北京气温。
参与者在“事件中奖金 vs 一系列确定金额”间反复选择，程序强制内部一致，再以两轮选择区间线性插值得到 CE。
- SA 的统计证据：在所有来源上，lower SA 与 upper SA 成立比例显著高于 0.5（binomial 检验，p<.01），系统拒斥“可加权重/线性概率”假设。
- 全局指标（d, d′, s）：
- d：下次可加程度（possibility gap）；
- d’：上次可加程度（certainty gap）；
- s=1-d-d’：全局敏感度。
结果显示：各来源 d,d’ 均显著大于 0（p<.05）；不确定来源的 d,d' 显著高于 chance（各研究 p<.01）；d' 通常大于 d（确定性效应往往强于可能性效应）。
- 风险 vs 不确定性敏感度差异：总体上 risk 的平均 s≈0.74，uncertainty 的平均 s≈0.53；111 个个体点中 94 个落在“uncertainty 更不敏感”一侧（sign test，p<.01）。
- 稳健性：将价值函数幂指数 α 从 1 调至 0.5，核心结论不变：d,d’ 保持正值，s<1 持续成立。
- 序数检验（无需设定价值函数）：基于匹配型偏好条件构造 m,m’ 指标，五类不确定来源对 chance 的比较均显著大于 0.5（p<.05），再次支持“对不确定性更不敏感”。
- 来源偏好（source preference）：结果支持“能力假说”（competence hypothesis）而非单纯“模糊厌恶”。如篮球迷偏好押篮球而非 chance，旧金山学生偏好押本地气温而非 chance，说明“我熟悉的模糊性”可被偏好。
🧩 核心概念与模型
- Risk vs Uncertainty：
- 风险：概率外生给定（如抽签、轮盘）；
- 不确定性：概率不明、需判断（如比赛、市场、天气）。
- 决策权重函数：
- 风险：w(p)（可画在概率轴上）；
- 不确定性：W(A)（定义在事件集合上的 capacity）。
二者都可体现非线性与端点效应。
- bounded subadditivity（SA）：
- lower SA：W(A)≥ W(A∪ B)-W(B)；
- upper SA：1-W(S-A)≥ W(A∪ B)-W(B)。
其直觉是：端点附近的状态跃迁（0→可能、可能→1）心理冲击更大。
- subcertainty：W(A)+W(S-A)≤1。常见地对应 d’gt d，即“从确定性退一步”的损失感更强。
- 相对敏感度（relative sensitivity）：比较不同来源的 SA 强度。若某来源在 lower/upper SA 上都更强，则其整体敏感度更低（s 更小）。这是本章连接“风险实验”与“真实不确定性”的桥梁概念。
- 两阶段整合模型：概率判断层（支持理论，unpacking 可提高主观概率）+ 选择权重层（前景理论加权）。因此，现实决策偏差来自“判断非可加 + 偏好再加权”的叠加。
💡 现实启示
- 投资决策：投资者会高估“从零到有”的故事型机会（新赛道、黑天鹅利好），却低估中段概率修正；在不确定市场（宏观、政策、地缘）下，这种非线性更强，导致估值与仓位更易过冲。
- 保险与风险管理：人们愿为“把风险清零”支付高溢价（certainty gap），却对“将高风险降一半”反应不足。产品设计与沟通应把“端点变化”与“中段变化”区分呈现。
- 政策与公共沟通：同样的统计改变量，若被表述为“避免灾难发生”或“确保安全达标”，比“概率小幅改进”更具行为驱动性。政策叙事应利用端点敏感，同时警惕操纵性 framing。
- 法律与医疗决策：当证据不完备时，决策者对概率区间变化的反应可能失真。专家沟通需把“信念概率”与“行动权重”分开解释，避免把判断概率误当行为权重。
- 个人决策训练：面对未知环境，可用三步校准：先给出主观概率，再检查是否被端点叙事放大，最后比较“同概率不同来源”是否出现能力偏好（熟悉性偏差）。这比单纯强调“理性计算期望值”更可操作。