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
第三章 累积前景理论:价值函数、概率权重与秩依赖
从期望效用到前景理论
期望效用理论假设人按「概率 × 效用」加总来评价一个有风险的选择,效用定义在最终财富上。卡尼曼与特沃斯基 1979 年的前景理论提出三处修改:价值定义在相对于参照点的变化上,而不是最终财富;损失的分量比同等大小的收益更重(损失厌恶);概率不是线性地进入评价,而要经过一个决策权重函数 (Kahneman and Tversky 1979)。1979 年的版本对每个结果的概率分别加权,并需要一个「编辑」阶段来排除明显被占优的选项。特沃斯基与卡尼曼 1992 年的累积前景理论用累积(秩依赖)权重代替了逐项加权,把理论推广到任意多个结果与不确定(非已知概率)的情形 (Tversky and Kahneman 1992)。
作者的框架写的是「实现 Tversky & Kahneman (1992) 累积前景理论价值函数 v(x)(α = β = 0.88,λ = 2.25)与 Prelec (1998) 概率权重 」。本章核对这几项各自来自哪里,指出 1992 年原文用的是另一个权重函数,并说明「累积」二字的数学含义。
价值函数
证据
1992 年的论文用幂函数表示价值:收益 (),损失 ()。实验的参与者是伯克利与斯坦福的 25 名研究生(12 男 13 女),每人得到 25 美元报酬,报酬与其选择无关。按每人的确定性等价拟合,价值函数指数的中位数在收益与损失中都是 0.88,损失厌恶系数 的中位数为 2.25 (Tversky and Kahneman 1992)。
框架中的三个参数与原文一致,但有三点需要说明。第一,它们是 25 人的中位数,不是普遍常数;第四章讨论后来的梅塔分析。第二,因为 , 对所有 都成立,所以「损失是收益的 2.25 倍」在这组参数下与金额无关;若 ,这个比值会随金额变化, 本身也就不再是一个可以单独解释的「倍数」(第四章程序说明这一点)。第三,参与者的选择没有真实的金钱后果;这在当时是常见做法,但也是后续研究讨论的一个限定。
两种概率权重函数
证据
1992 年论文使用的权重函数是 中位数估计为收益域 、损失域 ,收益域的曲线弯曲程度略大 (Tversky and Kahneman 1992)。普雷莱克 1998 年从「复合不变性」等公理推出另一个函数族,单参数形式为 , 时呈反 S 形,不动点与拐点都固定在 ;他还给出两参数形式 ,其不动点不受 限制。论文的图示与算例使用 ,这是示意值;文中把经验上的交点(约 0.30 至 0.39)与 相比较 (Prelec 1998)。冈萨雷斯与吴 1999 年用非参数方法估计权重函数,并讨论了「曲率」与「高度」两个参数各自的心理含义 (Gonzalez and Wu 1999)。
所以作者框架中的「TK1992 + Prelec」是两项工作的组合:1992 年的价值函数与 1998 年的权重函数。这样组合在应用中很常见,也是合理的建模选择,但应写明是组合,而且普雷莱克函数的参数需要另行估计或注明为示意。下面的程序比较两种权重函数,并用最小二乘法求出与 1992 年收益域曲线最接近的普雷莱克参数。
推导
# Value function and probability weighting of cumulative prospect theory.
# Tversky & Kahneman (1992): v(x) = x^a (x >= 0), -lam (-x)^b (x < 0), medians
# a = b = 0.88, lam = 2.25; weighting w(p) = p^g / (p^g + (1 - p)^g)^(1/g),
# g = 0.61 (gains), 0.69 (losses).
# Prelec (1998), a DIFFERENT form: w(p) = exp(-(-ln p)^c); c = 0.65 is the value he uses
# for illustration, not an estimate. We also fit c to TK's gain curve by least squares.
import math
A, B, LAM, GG, GL = 0.88, 0.88, 2.25, 0.61, 0.69
def v(x):
return x ** A if x >= 0 else -LAM * (-x) ** B
def w_tk(p, g):
if p <= 0 or p >= 1:
return float(p >= 1)
return p ** g / (p ** g + (1 - p) ** g) ** (1 / g)
def w_pr(p, c):
return 0.0 if p <= 0 else 1.0 if p >= 1 else math.exp(-(-math.log(p)) ** c)
def fixed_point(f):
lo, hi = 0.01, 0.99 # f(p) - p changes sign once on (0, 1)
for _ in range(60):
mid = (lo + hi) / 2
lo, hi = (mid, hi) if f(mid) > mid else (lo, mid)
return (lo + hi) / 2
grid = [i / 1000 for i in range(1, 1000)]
cfit = min((0.30 + i / 1000 for i in range(701)),
key=lambda c: sum((w_pr(p, c) - w_tk(p, GG)) ** 2 for p in grid))
print(f"v(100) = {v(100):.1f}, v(-100) = {v(-100):.1f};"
f" |v(-x)| / v(x) = {LAM} for every x"
" because a = b")
print(f"Prelec exponent fitted to TK gains (g = 0.61): c = {cfit:.3f}")
print(" p TK gain TK loss Prelec .65 Prelec fit")
for p in (0.001, 0.01, 0.05, 0.1, 0.25, 0.5, 0.75, 0.9, 0.95, 0.99):
print(f" {p:5.3f} {w_tk(p, GG):7.3f} {w_tk(p, GL):7.3f} {w_pr(p, 0.65):10.3f}"
f" {w_pr(p, cfit):10.3f}")
for lab, f in (("TK gain", lambda p: w_tk(p, GG)), ("TK loss", lambda p: w_tk(p, GL)),
("Prelec .65", lambda p: w_pr(p, 0.65))):
print(f" fixed point w(p) = p, {lab:10s}: p = {fixed_point(f):.3f}")
print(f" 1/e = {1 / math.e:.3f}; largest |TK gain - Prelec fit| ="
f" {max(abs(w_tk(p, GG) - w_pr(p, cfit)) for p in grid):.3f}")
print("fourfold pattern: certainty equivalent CE of (x, p; 0) under the TK medians")
print(" p EV gain CE gain EV loss CE loss")
for p in (0.01, 0.05, 0.5, 0.95, 0.99):
ce = []
for x, g in ((100, GG), (-100, GL)):
val = w_tk(p, g) * v(x)
ce.append(val ** (1 / A) if val >= 0 else -((-val / LAM) ** (1 / B)))
print(f" {p:4.2f} {100 * p:8.1f} {ce[0]:8.1f} {-100 * p:8.1f} {ce[1]:8.1f}")
# v(100) = 57.5, v(-100) = -129.5; |v(-x)| / v(x) = 2.25 for every x because a = b
# Prelec exponent fitted to TK gains (g = 0.61): c = 0.501
# p TK gain TK loss Prelec .65 Prelec fit
# 0.001 0.014 0.008 0.030 0.072
# 0.010 0.055 0.040 0.067 0.117
# 0.050 0.132 0.111 0.130 0.177
# 0.100 0.186 0.170 0.179 0.219
# 0.250 0.291 0.294 0.290 0.308
# 0.500 0.421 0.454 0.455 0.435
# 0.750 0.568 0.626 0.641 0.585
# 0.900 0.712 0.775 0.793 0.723
# 0.950 0.793 0.850 0.865 0.798
# 0.990 0.912 0.945 0.951 0.905
# fixed point w(p) = p, TK gain : p = 0.339
# fixed point w(p) = p, TK loss : p = 0.378
# fixed point w(p) = p, Prelec .65: p = 0.368
# 1/e = 0.368; largest |TK gain - Prelec fit| = 0.062
# fourfold pattern: certainty equivalent CE of (x, p; 0) under the TK medians
# p EV gain CE gain EV loss CE loss
# 0.01 1.0 3.7 -1.0 -2.6
# 0.05 5.0 10.0 -5.0 -8.3
# 0.50 50.0 37.4 -50.0 -40.8
# 0.95 95.0 76.9 -95.0 -83.1
# 0.99 99.0 90.0 -99.0 -93.8结果说明几点。第一,,,二者之比恰为 2.25。第二,与 1992 年收益域曲线最接近的普雷莱克参数是 0.501,而不是 0.65;两条曲线的最大差距为 0.062,出现在 约 0.005 至 0.01 处( 时 0.055 对 0.117)。第三,1992 年函数在收益域的不动点()为 0.339,损失域为 0.378;普雷莱克单参数函数的不动点总是 0.368,即 。第四,最后一张表重现了「四重模式」:小概率收益的确定性等价高于期望值( 时 3.7 对 1.0,追求风险),大概率收益低于期望值( 时 76.9 对 95.0,规避风险);损失方向相反。这正是 1992 年论文概括的「四重风险态度模式」(Tversky and Kahneman 1992)。图 3 画出了价值函数与三条权重曲线。
「累积」的含义
作者框架的写法容易让人以为累积前景理论是对每个结果的概率 分别计算 ,再求 。这是 1979 年原始前景理论(去掉编辑阶段后)的形式,不是 1992 年的形式。
证据
在累积前景理论中,收益按从好到坏排序,第 好的收益得到的决策权重是「至少这么好」的概率的权重减去「严格更好」的概率的权重: 损失按从坏到好排序,用 作类似的差分 (Tversky and Kahneman 1992)。权重因此依赖结果的排名(秩依赖),而不只依赖它自己的概率。
这一区别不是技术细节。逐项加权有两个已知的缺陷:权重之和一般不等于 1;更严重的是,它会违反一阶随机占优——一个在每个状态下都不更差的选择可能被评价得更低。1979 年的理论用「编辑阶段」人为排除这类情形,累积权重则在数学上自动避免它们。
推导
# Cumulative (rank-dependent) decision weights versus weighting each probability on its
# own. CPT (Tversky & Kahneman 1992): rank gains from best to worst; the weight of the
# i-th best gain is w+(P(X >= x_i)) - w+(P(X > x_i)); losses likewise from the worst with
# w-. Separable weights pi_i = w(p_i), as in the 1979 theory without its editing phase,
# do not sum to one and can violate first-order stochastic dominance.
import math
A, LAM, GG, GL = 0.88, 2.25, 0.61, 0.69
def w(p, g):
if p <= 0 or p >= 1:
return float(p >= 1)
return p ** g / (p ** g + (1 - p) ** g) ** (1 / g)
def v(x):
return x ** A if x >= 0 else -LAM * (-x) ** A
def cpt(prospect): # prospect: list of (outcome, probability)
gains = sorted([o for o in prospect if o[0] > 0], key=lambda o: -o[0])
losses = sorted([o for o in prospect if o[0] < 0], key=lambda o: o[0])
total, weights = 0.0, []
for group, g in ((gains, GG), (losses, GL)):
cum = 0.0
for x, p in group:
pi = w(cum + p, g) - w(cum, g); cum += p
total += pi * v(x); weights.append((x, pi))
return total, weights
def separable(prospect):
return sum(w(p, GG if x > 0 else GL) * v(x) for x, p in prospect if x != 0)
def ce(val):
return val ** (1 / A) if val >= 0 else -((-val / LAM) ** (1 / A))
L1 = [(100, 0.5), (0, 0.5)]
L2 = [(100, 0.25), (99, 0.25), (0, 0.5)] # dominated by L1
print("L1 = (100, .5; 0, .5) L2 = (100, .25; 99, .25; 0, .5): L1 dominates L2")
for lab, f in (("separable w(p_i)", separable),
("cumulative (CPT)", lambda q: cpt(q)[0])):
a, b = f(L1), f(L2)
print(f" {lab:17s}: CE(L1) = {ce(a):6.2f}, CE(L2) = {ce(b):6.2f} ->"
f" {'prefers L1' if a > b else 'prefers dominated L2'}")
print("splitting 100 into ever more near-equal pieces (separable weights):")
for k in (1, 2, 5, 10, 50):
q = [(100 - 0.01 * i, 0.5 / k) for i in range(k)] + [(0, 0.5)]
print(f" k = {k:2d}: separable CE {ce(separable(q)):7.2f};"
f" CPT CE {ce(cpt(q)[0]):6.2f}; sum of separable weights"
f" {sum(w(p, GG) for x, p in q if x > 0):.3f}")
M = [(200, 0.1), (50, 0.3), (-20, 0.4), (-150, 0.2)]
val, ws = cpt(M)
print("mixed prospect (200, .1; 50, .3; -20, .4; -150, .2), CPT decision weights:")
print(" " + "; ".join(f"x = {x}: {pi:.3f}" for x, pi in ws))
print(f" gain weights sum {sum(pi for x, pi in ws if x > 0):.3f}, loss weights sum"
f" {sum(pi for x, pi in ws if x < 0):.3f}; value {val:.2f}, CE {ce(val):.2f},"
f" EV {sum(x * p for x, p in M):.1f}")
# L1 = (100, .5; 0, .5) L2 = (100, .25; 99, .25; 0, .5): L1 dominates L2
# separable w(p_i) : CE(L1) = 37.38, CE(L2) = 53.73 -> prefers dominated L2
# cumulative (CPT) : CE(L1) = 37.38, CE(L2) = 37.26 -> prefers L1
# splitting 100 into ever more near-equal pieces (separable weights):
# k = 1: separable CE 37.38; CPT CE 37.38; sum of separable weights 0.421
# k = 2: separable CE 54.00; CPT CE 37.38; sum of separable weights 0.581
# k = 5: separable CE 92.24; CPT CE 37.37; sum of separable weights 0.932
# k = 10: separable CE 136.59; CPT CE 37.37; sum of separable weights 1.316
# k = 50: separable CE 316.63; CPT CE 37.32; sum of separable weights 2.763
# mixed prospect (200, .1; 50, .3; -20, .4; -150, .2), CPT decision weights:
# x = 200: 0.186; x = 50: 0.184; x = -150: 0.257; x = -20: 0.261
# gain weights sum 0.370, loss weights sum 0.518; value -30.27, CE -19.18, EV -3.0彩票 L1 以 1/2 的概率得 100,L2 以 1/4 得 100、1/4 得 99,其余为 0;L1 一阶随机占优 L2。逐项加权给 L2 的确定性等价 53.73,高于 L1 的 37.38,偏好被占优的彩票;累积权重给出 37.38 对 37.26,正确地偏好 L1。把 100 拆成 50 个几乎相等的小结果,逐项加权的权重之和升到 2.763,确定性等价被抬到 316.63——比最大可能的收益还高;累积权重始终约为 37.3。最后一个混合彩票展示了累积权重的计算:收益与损失两边的权重分别相加为 0.370 与 0.518,都不等于对应的概率之和(0.4 与 0.6),这是概率加权的结果,不是错误。
注
对页面设计的含义要小心。 有人据此推论「把一个优惠拆成多个小优惠更有吸引力」。在逐项加权下这个推论在数学上成立,但逐项加权正是违反占优、被 1992 年理论放弃的形式;在累积前景理论中,把同一个概率的结果拆开不改变评价。拆分是否有效是一个关于心理账户与呈现方式的经验问题(塞勒 1985 年讨论过「把收益分开、把损失合并」(Thaler 1985)),不能从累积前景理论推出。
小概率损失与页面上的附加保障
四重模式中有一格与结账页面直接相关:小概率的损失。上一节程序的表格显示,在 1992 年的中位数参数下,「1% 概率损失 100」的确定性等价为 −2.6,而期望值只有 −1.0;也就是说,模型中的决策者愿意付出最多约 2.6 来消除一个期望损失为 1.0 的风险。这正是延长保修、运费险一类附加保障的定价空间:,小概率损失被放大了约四倍。
这一推论有三点限定。第一,它是在 25 人的中位数参数下得到的,个体之间差异很大(第四章)。第二,累积前景理论处理的是已知概率;页面上的顾客通常并不知道商品损坏的概率,她面对的是一个需要自己估计的概率,这是第 26 本讨论的判断与校准问题,与这里的「对已知概率的加权」不同。第三,「模型中的决策者愿意付更多」不等于「把附加保障预先勾选是正当的」:预先勾选利用的是默认效应与拖延(第六章),而不是概率权重,第八章的核查表把它单独标记。
本章小结
1992 年累积前景理论的价值函数参数 、 与作者框架一致,但它们是 25 名研究生、不按选择付酬的中位数。1992 年的权重函数是 (,); 是普雷莱克 1998 年的另一个函数,0.65 是示意值,与 1992 年收益域曲线最接近的参数是 0.501。累积前景理论对累积概率加权再取差分;逐项加权会偏好被占优的彩票,把一个结果拆成 50 份可把确定性等价抬到 316.63,累积权重不会。
参考文献
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).