Chapter 6: A Belief-Based Account of Decision under Uncertainty
Craig R. Fox & Amos Tversky
From: Choices, Values, and Frames (Cambridge University Press, 2000)
📖 总结
1) 研究问题：从“由偏好推信念”转向“由信念预测选择”
经典的不确定性决策理论（Ramsey 传统下的主观期望效用）试图仅凭选择反推出主观概率与效用：个体在不确定前景之间如何取舍，被视为其“信念（概率）”与“偏好（效用）”的联合测量结果。Fox 与 Tversky 认为这一范式在描述层面存在三点关键不足：(i) 与日常心理直觉相悖——人们通常先形成“更可能发生”的信念，再据此表达偏好；(ii) 忽略了可直接测得、且能解释选择的重要变量——概率判断；(iii) 其用于从偏好推出信念的核心假设（尤其是可加性与相关公理）在大量证据面前并不成立。
在此背景下，本章提出“基于信念的”不确定性决策解释框架：把不确定性选择拆分为两个相对独立的心理成分——对事件发生可能性的判断（belief/probability judgment）与对概率信息在选择中如何被加权（preference/decision weight）。该框架力图把两条成熟传统整合起来：
- 概率判断遵循支持理论（support theory）的系统性偏差结构；
- 风险下的选择遵循前景理论（prospect theory）及其非线性概率加权函数。
2) 两阶段模型（two-stage model）：将“主观概率”与“决策权重”分离
作者把不确定性前景简化为二结果形式：若事件 A 发生则获得 x，否则为 0，记为 (x, A)。两阶段模型主张：
1) 第一阶段：个体对事件 A 做出判断概率 P(A)（“我相信它会发生到什么程度”）；
2) 第二阶段：将该判断概率通过风险下的概率加权函数 w(·) 转换为决策权重 W(A)=w(P(A))（“在选择中，这个概率会被如何心理加权”）；
从而前景价值可写为：V(x,A)=w(P(A))·v(x)。
此处的关键分离在于：
- P(A) 属于信念系统，受事件表征/描述影响显著；
- w(·) 属于偏好系统，概括风险情境下已知概率的系统性加权（低概率被高估、中高概率被低估）。
因此，不确定性决策并非“直接给事件赋权重”，而是“先判断概率，再用风险加权机制把概率映射为权重”。
3) 支持理论如何塑造 P(A)：子加性与“拆包效应”
支持理论的核心是：主观概率并不直接附着于客观事件，而是附着于事件的“描述”（hypothesis）。每一描述 A 有一个非负支持度 s(A)，在二分对比下（A vs B，且二者穷尽互斥）判断概率为：P(A,B)=s(A)/[s(A)+s(B)]，从而满足二元互补性：P(A,B)+P(B,A)=1。
但当把一个事件 A “拆包”（unpacking）为互斥成分 A1∨A2…时，支持理论假设拆包会增加总支持度，并导出子加性：
P(A) ≤ P(A1)+P(A2)+…。
直觉机制是：拆包提醒被忽略的可能性、提升成分的可得性与显著性，导致成分分别评估时更“像真的”。因此，同一客观事件的不同表述会系统性地改变 P(A)，并进一步通过两阶段模型影响定价与选择。
4) 可检验预言：经典“分割不等式”与其系统性反转
作者用一个简洁而尖锐的判别点对比经典理论与两阶段模型：把事件 A 分割为 (A1,…,An) 时，设 C(x,A) 为不确定前景 (x,A) 的确定性等价（certainty equivalent）。
- 经典理论（期望效用 + 风险厌恶）推出“分割不等式”：C(x,A) ≥ Σ C(x,Ai)。
- 但在两阶段模型中，若 P(·) 子加性且价值函数在 0 与 x 间曲率不强，则更可能出现反向：Σ C(x,Ai) > C(x,A)。
此外，两阶段模型还给出一个无需估计价值函数的强预测：
C(x,A) = C(x, P(A))。
即：对事件 A 的不确定赌注的确定性等价，应当等于“以其判断概率 P(A) 为客观概率的风险赌注”的确定性等价。该等式把不确定性选择与两项独立测量绑定起来：概率判断 + 风险下定价。
🧪 关键实验与发现
研究 1：NBA 季后赛（真实世界不确定事件）
样本与激励：50 名自认篮球迷的大学生；实验时点为 1995 NBA 季后赛初期；被告知随机抽取部分选择兑现，最高可赢 160。
任务结构（四类任务）：
1) 风险前景定价：19 个 (160,p)（p=0.05…0.95），用两轮选择法推断确定性等价 C（精度约 ±1）。
2) 不确定前景定价：14 个 (160,A)，A 为“某队/某分区/某联盟夺冠”。
3) 风险厌恶独立测量：spinner games，通过无差异点求幂效用指数 α。
4) 概率判断：对同一组事件给出 0–100 概率。
关键结果 1：概率判断的子加性（支持理论）
- 两个联盟概率和约为 1；四个分区概率和约为 1.44；八支球队概率和约为 2.40（个体层面中位数）。
- 49/50 被试的八队概率和 > 1；41/50 满足严格子加性结构。
关键结果 2：确定性等价的“反分割不等式”
- 八队赌注的 C 之和（规范化后）中位数约 2.08，显著大于 1（等价于“八队分别买”的总价 > 160）。
- 仅 1/50 满足经典分割不等式；41/50 出现反向模式（ΣC(Ai) > C(A)），并且 44/50 的八队 C 之和 > 160。
关键结果 3：模型拟合对比
- 两阶段模型：用 P(A) 与对应风险前景 C(x,P(A)) 直接预测 C(x,A)，无需对拟合数据估参；对八队前景平均绝对误差 MAE ≈ 5.83。
- 经典理论：先用 spinner games 估 α（总体中位 α≈0.80，显示多数风险厌恶），再从 C 反推可加主观概率；尽管对每个点可灵活分配主观概率、且受益于参数自由度，拟合仍较差：MAE ≈ 23.71。
补充：拆包诱发的非单调性（支配违反）
课堂问卷（1996 季后赛）显示：在跨组比较中，“某联盟夺冠”有时比“该联盟四支强队之一夺冠”的概率与定价更低，出现对真子集的估计更高的非单调性。这与支持理论的拆包原则一致，也提示拆包可能诱发支配/单调性违反。
研究 2：模拟经济指标（可控环境 + 可得客观概率）
学习阶段：82 名有效样本（Stanford 课程学生）观察 60 个季度的通胀/利率变动；真实生成概率为：UU 0.60、UD 0.25、DU 0.10、DD 0.05。后 40 季还需预测并下注以强化学习。
测量任务：
- 风险前景 C：11 个 (1600,p)，p 包括 0.01 到 0.99；
- 不确定前景 C：单指标、双指标组合及其否定事件；
- 概率判断：同一组事件；
- spinner games 估 α（中位 α≈0.80，仍以风险厌恶为主）。
关键结果 1：概率学习准确但仍呈系统性形变
- 中位概率与真实概率相关 r≈0.995，MAD≈0.048；个体中位相关≈0.89。
- 仍出现“低概率高估、高概率低估”的形态（60/82 在平均意义上如此）。
关键结果 2：互补性近似成立，子加性在细分结构上显著
- 互补事件和接近 1（平均约 0.97），但略系统性小于 1。
- 对非二元分割，子加性成立：分割成分概率之和普遍超过并集概率，平均差值约 0.10；60/82 在平均意义上表现子加性。
关键结果 3：分割不等式的“结构性分裂”
- 对样本空间 S 的二元分割：分割不等式成立（ΣC < 1，平均 Δ≈−0.24）。
- 对 S 的真子集或更细分割：分割不等式系统性失败（ΣC > C(并集)，平均 Δ≈0.09）；51/82 在平均意义上呈反向。
关键结果 4：模型比较
- 两阶段模型 MAE≈69；经典理论 MAE≈128；个体层面 50/82 更支持两阶段模型（显著优于经典理论）。
🧩 核心概念与模型
two-stage model（两阶段模型）
- 结构：先判断 P(A)，再通过风险权重函数 w(·) 转换为 W(A)=w(P(A))。
- 贡献：把“不确定性决策权重”的形成机制拆解为“信念成分 + 偏好成分”，允许用独立测量解释不确定性下的选择。
支持理论（support theory）
- 概率依附于描述而非事件：同一事件的不同表述可引发不同 P。
- 支持度 s(A)：代表证据/可得性/显著性等心理强度。
- 关键性质：二元互补性（对立描述和为 1）+ 细分时的子加性（分割之和 ≥ 并集）。
- unpacking（拆包）：显式列出子事件会提升其总支持度，可能提高并集的判断概率与相应前景价值。
前景理论与风险加权 w(p)
- w(p) 的典型形态：低概率 overweight，中高概率 underweight。
- 推广到不确定性：通过 W(A)=w(P(A)) 继承“可能性效应/确定性效应”的非线性影响。
分割不等式（partition inequality）作为判别工具
- 经典理论（可加主观概率 + 风险厌恶）推出：C(x,A) ≥ ΣC(x,Ai)。
- 两阶段模型 + 支持理论更易推出反向：ΣC(x,Ai) > C(x,A)，尤其在多分割、价值函数近线性时。
信念与偏好的分离（belief vs preference）
- 信念层：P(A) 的形成受信息结构、描述方式、拆包与可得性影响。
- 偏好层：w(·) 体现对概率的态度（风险加权），可独立于具体事件内容。
- 该分离也为进一步现象（如不同不确定性来源的“源偏好”）预留扩展：W(A)=F[P(A)]，其中 F 反映对不确定性来源的偏好/厌恶。
💡 现实启示
1) “描述”会改变行动：拆包作为行为杠杆
投资、保险、医疗、诉讼等领域的选择并不只取决于“客观概率”，而强烈受事件表述影响。将“可能盈利/可能出险/可能并发症”等路径拆包，会提升相关子事件的支持度与判断概率，从而提高对相应行动（投资、购买保险、采取预防）的支付意愿。
2) 组织决策中的“特异性溢价”与聚合损失
分割不等式的反转意味着：分别评估多个互斥成分时，人们愿意为“覆盖每个具体成分”的组合支付超过总体上限的总价（作者课堂实验中，确保回报 100,000 的八项投资组合，总出价可达 107,000–210,000）。在预算编制、风险管理、项目组合与资源竞标中，这会导致系统性超支与“买重了保险”。
3) 预测与干预应同时管理两条通道：校准信念 + 约束权重
若偏差来自两部分：
- 信念偏差（P 的子加性、拆包效应）：可用训练、反馈、统一口径描述、概率校准来减弱。
- 偏好偏差（w 的非线性）：可用结构化选择架构、基准概率呈现、对称展示互补事件等方式，降低过度强调小概率或忽视中高概率的倾向。
4) 源偏好提醒：不确定性不仅“有多大”，还“来自哪里”
同样的 P(A) 可能因来源不同（熟悉/擅长 vs 陌生/无把握）而引发不同下注意愿。实践中应区分“信念强度”与“对信念下注的偏好”，否则会把源偏好误判为概率判断错误。