5D Library › 选择架构、累积前景理论与销售界面价格锚定的计算行为学 · English

第四章 损失厌恶与框架:从个体选择到「转化率差」

「损失是收益的 2.25 倍」

作者的框架要用累积前景理论「量化结账页上损失框架与收益框架的转化率差」。这背后有一个常见的推理:既然人对损失的敏感是收益的 2.25 倍,那么把同一个优惠描述成「不买就失去」,效果应当远大于描述成「买了就得到」。本章分两步检查这个推理。第一步,λ\lambda 是什么、从哪里来、有多稳定。第二步,即使 λ\lambda 已知,从个体的价值函数到一个页面上的「转化率」还缺什么。

损失厌恶系数的证据

证据

布朗、今井、维德与卡默勒 2024 年对 1992—2017 年间经济学、心理学、神经科学等领域 150 篇文献中的 607 个损失厌恶系数估计做了梅塔分析,均值为 1.955,真实均值的 95% 区间为 1.820 至 2.102;他们记录的研究设计特征只能解释估计值差异的一小部分 (Brown et al. 2024)。在品牌选择的随机效用模型中,哈迪、约翰逊与费德 1993 年用扫描数据估计了多属性参照依赖的多项 Logit,发现了显著的损失厌恶 (Hardie et al. 1993);诺伊曼与伯肯霍尔特 2014 年汇总 33 项研究的 109 个观测,发现损失厌恶在产品选择中存在,但随研究情境、产品、消费者与模型设定(尤其是模型设定)而有相当大的变化 (Neumann and Böckenholt 2014)。另一方面,加尔与拉克 2018 年回顾证据后认为,现有证据不支持「损失总体上比收益影响更大」,并讨论了这一信念为何在社会科学中持续 (Gal and Rucker 2018)。

这三类证据放在一起,结论并不是「损失厌恶不存在」,而是:一个单一的、可以到处套用的 λ=2.25\lambda = 2.25 并不存在。估计值依赖任务(风险选择、无风险交换、品牌选择)、赌注大小,以及——下面的程序要说明的——估计它时假设的模型。

系数依赖模型设定

设想一个虚构的决策者,她真实的偏好是:收益指数 α=0.88\alpha = 0.88,损失指数 β=0.80\beta = 0.80,λ=1.5\lambda = 1.5,并按 1992 年的权重函数处理 1/2 的概率(w+(0.5)=0.421w^+(0.5) = 0.421,w−(0.5)=0.454w^-(0.5) = 0.454)。她面对一系列「1/2 概率赢 GG、1/2 概率输 LL」的赌局,选择接受或拒绝(带有逻辑斯谛噪声)。一位分析者用最常见的简化模型估计她的损失厌恶:价值线性、两边权重相等,P(接受)=logistic((G−λL)/s)P(\text{接受}) = \mathrm{logistic}((G – \lambda L)/s)。

推导

# What a "loss-aversion coefficient" measures depends on the model it is estimated in.
# A FICTITIOUS chooser accepts or rejects 50-50 mixed gambles (win G, lose L). Her true
# CPT parameters: alpha = 0.88 (gains), beta = 0.80 (losses), lambda = 1.5, TK (1992)
# weights w+(.5) = 0.421, w-(.5) = 0.454. An analyst fits lambda by maximum likelihood
# assuming linear value and equal weights: P(accept) = logistic((G - lam L) / s).
# Same data, different stake ranges -> different "lambda".
import math, random

AL, BE, LAM, WP, WM = 0.88, 0.80, 1.5, 0.421, 0.454

def accept_prob(G, L, tau=0.5):
    u = WP * G ** AL - WM * LAM * L ** BE
    return 1 / (1 + math.exp(-u / tau))

def fit(data):
    best = None
    for i in range(50, 401):                       # lam 0.50 .. 4.00
        lam = i / 100
        for s in (0.25, 0.5, 1, 2, 4, 8, 16, 32, 64):
            ll = 0.0
            for G, L, y in data:
                z = (G - lam * L) / s * (1 if y else -1)     # stable log-likelihood
                ll -= math.log1p(math.exp(-z)) if z > 0 else math.log1p(math.exp(z)) - z
            if best is None or ll > best[0]:
                best = (ll, lam, s)
    return best[1]

rng = random.Random(1992)
print("true: alpha 0.88, beta 0.80, lambda 1.5, w+(.5) .421, w-(.5) .454")
print("indifference loss L* for gain G (P(accept) = 1/2), and the ratio G / L*:")
for G in (10, 100, 1000):
    Ls = ((WP * G ** AL) / (WM * LAM)) ** (1 / BE)
    print(f"   G = {G:5d}: L* = {Ls:7.2f}, G / L* = {G / Ls:.3f}")
print("analyst's linear-value lambda, 400 simulated choices per stake range")
for lab, lo, hi in (("small stakes, G in 2..20", 2, 20),
                    ("medium, G in 20..200", 20, 200),
                    ("large, G in 200..2000", 200, 2000)):
    data = []
    for _ in range(400):
        G = rng.uniform(lo, hi); L = G * rng.uniform(0.2, 1.2)
        data.append((G, L, rng.random() < accept_prob(G, L)))
    print(f"   {lab:26s}: lambda-hat = {fit(data):.2f}")
print(f"true lambda is {LAM}; only if alpha = beta and w+ = w- would G / L* equal")
print(f"   lambda^(1/alpha) = {LAM ** (1 / AL):.3f} at every stake")
# true: alpha 0.88, beta 0.80, lambda 1.5, w+(.5) .421, w-(.5) .454
# indifference loss L* for gain G (P(accept) = 1/2), and the ratio G / L*:
#    G =    10: L* =    6.90, G / L* = 1.449
#    G =   100: L* =   86.88, G / L* = 1.151
#    G =  1000: L* = 1093.75, G / L* = 0.914
# analyst's linear-value lambda, 400 simulated choices per stake range
#    small stakes, G in 2..20  : lambda-hat = 1.43
#    medium, G in 20..200      : lambda-hat = 1.13
#    large, G in 200..2000     : lambda-hat = 0.88
# true lambda is 1.5; only if alpha = beta and w+ = w- would G / L* equal
#    lambda^(1/alpha) = 1.585 at every stake

对真实的决策者而言,收益 GG 与刚好无差异的损失 L*L^* 之比在 G=10G = 10 时为 1.449,G=100G = 100 时为 1.151,G=1000G = 1000 时为 0.914:赌注越大,她越愿意接受,因为损失指数 0.80 小于收益指数 0.88。分析者用线性模型从同一个人的选择中估计出的「λ\lambda」在小、中、大三档赌注下分别是 1.43、1.13 与 0.88;真值 1.5 一次也没有出现。只有在 α=β\alpha = \beta 且两边权重相等时,这个比值才对所有赌注都等于 λ1/α\lambda^{1/\alpha}。所以「损失厌恶系数」是一个模型内的参数:不同研究中的 λ\lambda 若来自不同的模型设定与赌注范围,本来就不应期望它们相等,更不应把某一个数值当作人性常数用于页面设计。

框架效应:可靠,但大小有限

证据

特沃斯基与卡尼曼 1981 年的「亚洲疾病问题」中,600 人面临一种疾病。收益框架下,方案 A「确定救活 200 人」与方案 B「1/3 概率救活 600 人、2/3 概率无人获救」相比,72% 的参与者(N=152N = 152)选择 A;损失框架下,方案 C「确定有 400 人死亡」与方案 D「1/3 概率无人死亡、2/3 概率 600 人死亡」相比,只有 22%(N=155N = 155)选择 C (Tversky and Kahneman 1981)。屈贝格 1998 年对 136 篇实证论文、近 30,000 名参与者、230 个效应量的梅塔分析认为框架效应是可靠的,总体效应「小到中等」;效应大小受到框架操作方式(改变参照点还是改变结果的显著性)与反应方式(选择还是评分)等因素的显著影响 (Kühberger 1998)。

参照依赖的选择模型与选项集合

损失厌恶也可以直接放进第五章要讨论的离散选择模型。哈迪等人的做法是:每个品牌在价格与质量上相对于一个参照点(例如上次购买的品牌)有「收益」或「损失」,损失部分的系数大于收益部分,然后把这些项放进多项 Logit 的系统效用中 (Hardie et al. 1993)。这样的模型在参照点给定时仍然是一个随机效用模型,满足第五章的正则性:参照点不随页面上的选项改变,加入一个选项就不可能提高原有选项的份额。

情况在参照点由选项集合本身决定时就不同了。若顾客把页面上各选项的某种「中间」当作参照点,那么加入一个新选项会移动参照点,从而改变其他选项的收益与损失;这时损失厌恶可以产生集合依赖的选择。特沃斯基与西蒙森 1993 年模型中对劣势的凸加权、西蒙森与特沃斯基 1992 年所说的「极端厌恶」,都可以看作这一思路:每个选项相对于其他选项的劣势比优势更重,处于中间的选项在两个方向上的劣势都较小 (Tversky and Simonson 1993; Simonson and Tversky 1992)。所以在本书的结构中,损失厌恶既是第三、四章的个体价值函数的参数,也是第五章折中效应的来源之一;二者用的是同一个想法,但参照点不同。

缺失的连接函数

累积前景理论给出的是每个选项的价值 VV;要得到一个比例(多少人选它),需要再假设人与人之间、或同一人在不同时刻之间的随机性。最常用的办法是逻辑斯谛连接:P(选 A)=1/(1+e−(VA−VB)/τ)P(\text{选 A}) = 1/(1 + e^{-(V_A – V_B)/\tau}),τ\tau 是尺度参数。这个 τ\tau 不在累积前景理论之中,必须另外估计。下面的程序先把 1992 年的中位数参数代入亚洲疾病问题,再看一个虚构的结账页面。

推导

# From CPT values to a "conversion rate" needs a link that CPT does not supply.
# Part A: Tversky & Kahneman's (1981) disease problem under the 1992 medians. Gain frame:
# A = 200 saved for sure, B = 600 saved with p 1/3. Loss frame: C = 400 die for sure,
# D = nobody dies with p 1/3, 600 die with p 2/3. Reference point: the status quo of each
# frame. P(sure option) = 1 / (1 + exp(-(V_sure - V_risky) / tau)) for a logit scale tau.
# Part B (illustrative checkout): a 10-unit discount described as a gain ("save 10") or
# as a loss ("lose your 10 if you leave"). The utility shift is v(10) or lam * v(10);
# conversion = logistic(base logit + shift / tau). The base rate is set to 30 %.
import math

A, LAM, GG, GL = 0.88, 2.25, 0.61, 0.69

def w(p, g):
    return p ** g / (p ** g + (1 - p) ** g) ** (1 / g)

def v(x):
    return x ** A if x >= 0 else -LAM * (-x) ** A

def logistic(z):
    return 1 / (1 + math.exp(-z))

VA, VB = v(200), w(1 / 3, GG) * v(600)
VC, VD = v(-400), w(2 / 3, GL) * v(-600)
print(f"gain frame: V(A) = {VA:.1f}, V(B) = {VB:.1f};  loss frame: V(C) = {VC:.1f},"
      f" V(D) = {VD:.1f}")
print("published share choosing the sure option (TK 1981): 72 % of 152 (A),"
      " 22 % of 155 (C)")
print("   tau    P(A)   P(C)   frame effect (points)")
for tau in (1, 5, 10, 20, 50, 100, 1000):
    pa, pc = logistic((VA - VB) / tau), logistic((VC - VD) / tau)
    print(f"   {tau:4d}  {pa:5.2f}  {pc:5.2f}  {100 * (pa - pc):6.1f}")
lo, hi = 1.0, 1000.0
for _ in range(80):                               # tau that reproduces P(A) = 0.72
    mid = (lo + hi) / 2
    lo, hi = (mid, hi) if logistic((VA - VB) / mid) > 0.72 else (lo, mid)
print(f"   tau fitted to P(A) = 0.72: {lo:.1f}; it then predicts P(C) ="
      f" {logistic((VC - VD) / lo):.2f} (observed 0.22)")
print()
b0 = math.log(0.3 / 0.7)
print("checkout (illustrative): base conversion 30 %, discount of 10 framed two ways")
print("   tau    gain frame  loss frame  difference (points)")
for tau in (2, 5, 10, 20, 50):
    g, l = logistic(b0 + v(10) / tau), logistic(b0 + LAM * v(10) / tau)
    print(f"   {tau:4d}  {g:10.3f}  {l:10.3f}  {100 * (l - g):8.1f}")
print(f"   v(10) = {v(10):.2f}, lam v(10) = {LAM * v(10):.2f};"
      " with lam = 1 the two frames coincide")
# gain frame: V(A) = 105.9, V(B) = 93.6;  loss frame: V(C) = -438.5, V(D) = -353.1
# published share choosing the sure option (TK 1981): 72 % of 152 (A), 22 % of 155 (C)
#    tau    P(A)   P(C)   frame effect (points)
#       1   1.00   0.00   100.0
#       5   0.92   0.00    92.2
#      10   0.77   0.00    77.5
#      20   0.65   0.01    63.6
#      50   0.56   0.15    40.8
#     100   0.53   0.30    23.2
#    1000   0.50   0.48     2.4
#    tau fitted to P(A) = 0.72: 13.1; it then predicts P(C) = 0.00 (observed 0.22)
#
# checkout (illustrative): base conversion 30 %, discount of 10 framed two ways
#    tau    gain frame  loss frame  difference (points)
#       2       0.950       1.000       4.9
#       5       0.661       0.929      26.7
#      10       0.478       0.703      22.5
#      20       0.385       0.502      11.6
#      50       0.333       0.376       4.3
#    v(10) = 7.59, lam v(10) = 17.07; with lam = 1 the two frames coincide

收益框架下 V(A)V(A) = 105.9 > V(B)V(B) = 93.6,损失框架下 V(C)V(C) = −438.5 < V(D)V(D) = −353.1:方向与 1981 年的结果一致。但「72% 对 22%」这样的比例完全由 τ\tau 决定:τ=1\tau = 1 时预测为 100% 对 0%,τ=1000\tau = 1000 时预测为 50% 对 48%。把 τ\tau 调到 13.1 可以重现收益框架的 72%,但同一个 τ\tau 预测损失框架只有 0% 选 C,而实际为 22%。也就是说,用 1992 年的中位数参数加上一个共同的尺度,不能同时拟合两个框架下的比例;参与者之间的异质性、对问题的不同理解与反应噪声都在起作用。

结账页面的例子更直接。基线转化率设为 30%,一个 10 美元的折扣分别描述为收益(「立省 10 美元」)与损失(「离开就会失去 10 美元优惠」)。模型中两种框架的效用增量分别是 v(10)=7.59v(10) = 7.59 与 λv(10)=17.07\lambda v(10) = 17.07,比值为 2.25;但两种框架下转化率的差别在 τ=2\tau = 2 时为 4.9 个百分点,τ=5\tau = 5 时为 26.7,τ=50\tau = 50 时为 4.3。差别不随 τ\tau 单调变化:τ\tau 很小时两种框架都把转化率推近 100%,差别反而缩小。所以作者框架要求的「转化率差」不是累积前景理论能给出的一个数;理论只给出方向(若损失框架确实被当作损失来编码),大小取决于一个需要从数据中估计的尺度参数,以及顾客是否真的把「失去优惠」编码为损失——后者本身就是框架研究要检验的问题。

注

为什么这里只能是示意。 本章所有的转化率数字都是在假设的参数下算出的,不是对任何页面的预测。「损失框架」在实践中还牵涉到真实性问题:如果「优惠会失去」并不属实(例如倒计时结束后价格并不改变),这种表述就从框架变成了虚假陈述,见第二章与第八章的核查表。

假说 · 尚未验证 · 损失框架的边际效应在小额优惠上更大

作者的假说(尚未确立): 在真实且到期确实失效的优惠中,把优惠描述为「将要失去」比描述为「可以得到」提高购买率的幅度,对于小额优惠(低于价格的 10%)大于大额优惠(高于 30%),因为大额优惠在两种框架下都已足以促成购买。什么样的结果能证明它是错的: 在一项预先登记、按「框架 × 优惠额度」二乘三析因随机分配的实验中,框架与额度的交互作用的置信区间包含零,或小额优惠的框架效应不大于大额优惠。

本章小结

损失厌恶系数的梅塔分析均值约为 1.96,但估计值随任务、赌注与模型设定变化,也有研究者质疑损失普遍重于收益。程序显示,同一个真实 λ=1.5\lambda = 1.5 的决策者,在线性模型下按赌注大小被估计为 1.43、1.13 与 0.88。框架效应可靠但总体为小到中等。累积前景理论给出价值而不是比例,要得到「转化率差」必须加上连接函数与尺度参数;1992 年中位数参数加上一个共同尺度不能同时拟合亚洲疾病问题的两个比例,结账页面例子中的框架差可以从 4.3 到 26.7 个百分点不等。作者框架中的「转化率差」只能作为示意。

参考文献

Brown, Alexander L., Taisuke Imai, Ferdinand M. Vieider, and Colin F. Camerer. 2024. “Meta-Analysis of Empirical Estimates of Loss Aversion.” Journal of Economic Literature 62 (2): 485–516. https://doi.org/10.1257/jel.20221698.
Gal, David, and Derek D. Rucker. 2018. “The Loss of Loss Aversion: Will It Loom Larger than Its Gain?” Journal of Consumer Psychology 28 (3): 497–516.
Hardie, Bruce G. S., Eric J. Johnson, and Peter S. Fader. 1993. “Modeling Loss Aversion and Reference Dependence Effects on Brand Choice.” Marketing Science 12 (4): 378–94. https://doi.org/10.1287/mksc.12.4.378.
Kühberger, Anton. 1998. “The Influence of Framing on Risky Decisions: A Meta-Analysis.” Organizational Behavior and Human Decision Processes 75 (1): 23–55. https://doi.org/10.1006/obhd.1998.2781.
Neumann, Nico, and Ulf Böckenholt. 2014. “A Meta-Analysis of Loss Aversion in Product Choice.” Journal of Retailing 90 (2): 182–97. https://doi.org/10.1016/j.jretai.2014.02.002.
Simonson, Itamar, and Amos Tversky. 1992. “Choice in Context: Tradeoff Contrast and Extremeness Aversion.” Journal of Marketing Research 29 (3): 281–95.
Tversky, Amos, and Daniel Kahneman. 1981. “The Framing of Decisions and the Psychology of Choice.” Science 211 (4481): 453–58. https://doi.org/10.1126/science.7455683.
Tversky, Amos, and Itamar Simonson. 1993. “Context-Dependent Preferences.” Management Science 39 (10): 1179–89. https://doi.org/10.1287/mnsc.39.10.1179.

Fan, Y. (2026). Choice Architecture, Cumulative Prospect Theory and Computational Behavioural Economics of Pricing Interfaces: From Loss-Aversion Value Functions and Asymmetric Dominance to Hyperbolic Discounting, Read Beside the Qingzhong Chapters of the Guanzi [选择架构、累积前景理论与销售界面价格锚定的计算行为学] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23836260 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).