人类行为的法则：学习行为实验经济学研究

    经济学的个体学习模型构建综述
    托马斯·勃伦纳
    摘要：本篇综合考察了经济学文献中现有的各种学习模型。进而讨论了模型的选用：模型应匹配相应各种不同环境的问题；如何用类似的方法选择适当的学习模型。最后，对现有众多模型的运用。和各种场景下如何选取适当的学习模型，给出了建议。
    关键词：经济学的学习，模型构建
    1 引言
    在过去的20年间，各种不同的学习模型被用于经济学中，并且其数量的增加十分迅速。本篇文章是对这些学习模型的一个综述。并进一步地对学习过程进行了分类，给出了如何在大量的模型中进行选择的提示。
    对于这样的一个回顾可以采用不同的方式进行表述和结构安排。在本文中所选择的结构基于两方面的考虑：
    第一，本文的主要目的就是帮助基于代理人的计算经济学家.在进行模拟研究时选择恰当的学习模型。在给出这些建议时，我们假定基于代理人的计算经济学家试图建立尽量接近现实的行为模型。在选择学习模型中的其他一些观点将在本文第1.1节、第1.3节进行讨论。然而，本文关注的焦点是“现实学习过程的模型构建如何才能精确”这一问题。作为本文归纳的结论，则深植于心理学的研究，这是因为心理学家已经创建了大量关于人类学习的真实知识。近年来，尽管实验经济学家的确做出了关于知识的极大贡献〔实验的综述见约翰·杜菲（John Dully，2006）〕，但现在大部分的知识体系仍来自于心理学。
    第二，大部分研究人员都认为不存在单一的普适性学习模型。不同的学习过程在不同的场景下发生〔参见Duffy（2006）的实验证据〕。因此，必定存在不同的学习模型。为了给基于代理人的计算经济学家在选择模型时提供帮助，必须将学习的场景加以分类，并且对每一类都应该分别给出相应的建议。尽管有多种不同的分类方式，但本文采用的分类方式是以心理学早期已有文献为基础的〔参见勃伦纳（Brenner，1999）〕。其基本假设是：既有在所有动物中普遍存在的固化联结（hard.wired）学习过程特性，也有仅依赖人类大脑的柔性调适学习过程特性。当然其他分类和特定的模型选择也是可能的，也值得我们予以考察讨论，详见第1.1节。
    本文的结构如下：在接下来引导的部分（第1部分）里，第1.1节将讨论建立学习模型的不同动机；随后将有一个简短的历史回顾（第1.2节）；最后，将在第1.3节里将讨论建立学习模型的一些基本问题，比如学习模型的复杂性和有效性，个体学习和集体学习的不同之处，以及学习模型的校准（calibration，指模型参数如何确定的问题，如选择范围、方法等——译者注）。在第2部分将展示并讨论一种学习模型的分类，识别三种不同的学习过程。随后，第3部分（无意识学习）、第4部分（基于惯例的学习）、第5部分（信念学习）将对每一类学习过程如何建立学习过程模型给出建议。第6部分将讨论一般学习模型的可能性。第7部分为总结。
    1.1 计算经济学与学习
    学习模型被用于计算经济学领域，主要就是基于代理人的计算经济学（agent.based Computational Economics，以下筒记为ACE或计算经济学一译者注）。ACE的目的就是，解释在经济代理人交往基础上的经济特征和动态变化。因此，这些研究方法通常围绕着代理人行为的建模而展开。所以重要的是要掌握经济代理人行为方式的知识，并以合适的方法对这种行为构建模拟的模型。因此，选择学习模型的目的可能在于选择尽可能接近现实的模型。然而，在关于学习的经济学文献中，这并不是唯一目的，而且甚至不是最常见的目的。因此，要获得一个全面的认识，就必须对这些文献中出现的学习模型进行分类，并对其中最常见的目的进行讨论。
    1.1.1 选择学习模型的目的
    至少有四种已知的选择学习模型的方法：
    第一，有人希望找到能够最佳描述真实学习过程的模型，这可以通过基于实验的研究或是心理学的知识而获得。然而，要选择最接近现实的“学习过程表达模型”（the learning model that describes learning processes），存在许多困难。因此，要选择和现实相一致的学习模型，并不那么简单。这个问题将在第1.3节中进行讨论。
    第二，有人可能要寻找一些学习模型，这种模型的导出结果与已知的形态事实（stylized facts，场景分类下的各类形态——译者注）相一致，而不计较学习过程的细节（不管模型的细节是否能真实地表达学习过程——译者注）。这样的方法常被。ACE所采纳，其目标为：在导出结果能够较好地拟合形态事实的前提下，尽量简化学习模型，尽量综合一些或者说尽量现实一些（不用在过程机理的理论上顶真——译者注）。如此建模有助于对给定场景中学习的最低要求的理解，这也有利于场景分类——根据个体在这些场景下所需的能力进行分类（with respect to the competences that are required of the economic.agents in these situations）。然而这种方法没有给出人们如何学习的信息。研究某种学习模型能否预测和我们的经验知识相一致的动态经济学，只允许我们拒绝一些学习模型，却无法确认其他能接受的模型。能预测结果的学习模型并不一定能正确表达（descrjptions of real lear。ning processes）真实的学习过程，因为可能存在其他学习模型也同样能预测结果。有些文献会忽略这一点。
    第三，一些研究人员寻找收敛至均衡的学习模型，因为均衡通常是新古典理论或其他均衡概念所预言的状态。我们不清楚的是，从这些方法（新古典理论或其他均衡概念）中能得到什么·经济环境处于不断的变化中，而学习是相当重要的，因为学习能够使人们对这些变化做出反应，而不是由于学习收敛至一个均衡。不过，在特定的情况下，均衡可能能够恰当地描述真实世界，那么寻找收敛至这个均衡的学习模型正是上述第二种可能的目标。
    第四，一些研究人员的目的在于构建巧妙的甚或是最优的学习模型，甚至可能为了做出关于人们应该如何学习的陈述，去比较给定条件下的不同学习模型的表现。除了ACE这个实证目标（positive aim）之外，还有一个规范性目（positive（normative aim）——用于测试可供选择的经济结构（Tesfatsion，2001），以及可选的行为，例如人们可以用计算机做他们的决策。这意味着他们应该寻找最佳的学习模型，在计算机上予以实施（找到最佳学习模型），并做出决策。然而，人们用计算机来制定或辅助决策的情况仍然很少。此外，用于这些情况的模型，是那些被认为能产生最佳绩效的模型。因此建模的相关问题，并不是哪个学习模型对行为表达得最好，而是如何掌握不同学习模型的性能（这里的模型其实是指寻优算法的技术，研究目的是开发利用寻优技术——译者注）。
    另外，还存在一系列的人工智能和机器学习。一般而言，近年来有一种趋势，即从其他学科中借鉴一些方法。最近几年的模型，从诸如遗传算法、分类系统、模糊逻辑和神经网络等学科中取经，变得日益复杂。在这个领域内的研究人员的目的是什么，并不总是一目了然。一些人简单地认为他们的学习模型描述了真实的学习行为，却并不考虑任何能够提供支持的证据。另外一些人着眼于创造一些表现出色的学习模型，或者说依这种模型能解决本质上只有人类才能解决的问题。最后还有人主张这些人工智能和机器学习模型是与现实（reality）相对应的。
    1.1.2 学习模型的分类
    分类一直是一项很有用的工作，它有助于完成实际研究任务。这里的实际任务就是为计划好的模拟研究，选择一个学习模型。给定上述设定，即选择学习模型的目的是寻找最接近现实的模型，那么我们必须思索：是否只存在一种学习过程（one kind of learningprocess），从而只用一种模型就足以表达了；或，是否在不同场景下存在不同的学习模式（different learning models Occur in different situations）。心理学文献表明存在不同的学习过程，并向我们呈现了这些过程的相应特征。因此，心理学构建了这里所建议的分类的基础。不过，对学习模型的分类，也可以采用许多其他方法。
    第一，可以根据模型提出的来源进行分类。这使我们得以区分不同来源基础的模型：基于心理学的模型，如强化学习；基于理性的模型，如贝叶斯学习和最小二乘学习；适应性模型，如学习导向理论（1earning direction theory）；信念学习模型，如虚拟博弈；以及由计算机科学和生物学所激发的模型，如遗传算法、神经网络。
    根据表1的分类，以及此分类下的发展，这里讨论了对所有学习模型的分类。尽管这种分类能够告诉读者学习模型有各种来源，但它却无助于对模型的选择，也不能方便模拟描述现实。
    第二，我们可以根据通常要用到学习理论的经济学领域，对学习模型进行分类。例如，宏观经济学主要使用贝叶斯学习和最小二乘学习，而强化学习、虚拟博弈和学习导向理论主要应用于实验经济学中。同时，遗传算法、基因编程常常应用于基于代理人计算的经济学中，博弈理论家似乎更偏向于虚拟博弈、复制者动态和其他适应性学习模型。然而，还不清楚的是，为什么不同领域内的经济学家使用不同的学习模型。显而易见的是，使用数学分析方法的经济学家，由于模型可处理性的需要，限制了他们的选择。其他的不同，似乎是由于历史原因造成的，所以用这种“差异”对学习模型分类进而支持这种“差异”是没有意义的。

    朱宪辰，南京理工大学经济管理学院教授，博士生导师，应用经济研究所所长。长期关注制度变迁过程的解释，特别是基丁个体信念调整和决策知识的理解。针对现实问题，关注转型期城镇住宅小区共享资源合作自治，商会和俱乐部等集体行动的合作均衡发生条件。

　　    《人类行为的法则：学习行为实验经济学研究》中选取的论文反映了目前行为实验经济学前沿的一个重要领域——学习行为过程的实验研究。南京理工大学应用经济研究所长期关注纽约大学肖特带领的团队，以及马克斯一普朗克（MP）经济学研究所演化学习方向的相关工作。
　　    全书共收录了7篇的论文，可以分为以下三个类别：
　　    第一类是学习理论与模型构建的综述，即第1篇《经济学的个体学习模型构建综述》。这篇论文介绍了学习理论的整体研究状况，安排这一篇便于读者了解学习理论与模型。此文可以作为顺序消化相关理论的基础，也可以作为此后应用的指导性文献（该文是作者为《基于代理人的计算经济学手册》的第18章而撰写的综述）。
　　    第二类是学习行为实验方法的重要文献，也就是第2篇《使用诱导信念的信念学习实验研究》。该项工作事关重要的学习过程理论——信念学习理论，能否直接纳入模型的关键性技术，即能否记录并处理被试在决策前的主观信念。肖特团队给出方法主要是诱导被试“如实”给出自己的“陈述信念”，是否“如实”，可以由此后的决策行动进行判断。
　　    第三类是针对各种不同信息接收方式、不同场景、不同假设开展的学习行为实验。不同信息接收方式包括：自己动手经历新信息，看到别人决策经历的信息，听到别人建议的信息。围绕“用手”、“用眼”和“用耳”的文献是第4、第5和第6篇。针对不同环境场景，这里主要分个体与代际交叠两种发展为讨论部分，代际环境下的学习为第7篇《代际博弈中的社会学习与习俗调整：一个实验研究》。针对被试是否符合主流理性假设的文献是第3篇《从羊群行为中区分信息追随的实验研究》。
　　    《人类行为的法则：学习行为实验经济学研究》的读者对象包括高等院校经济学和行为科学相关学科的高年级本科生和研究生，以及相关教学研究机构中的教师和研究人员。《人类行为的法则：学习行为实验经济学研究》可以作为实验经济学和行为经济学的高级教材和参考资料，亦可以作为对行为经济学感兴趣的读者的补充阅读材料。

绪论
1 学习行为问题研究的经济学背景
2  经济学研究学习问题的简单回顾与学习行为的若干实验研究
3  关于“看着学”而非“干中学”的实验评述
4  关于学习行为实验研究的展望

经济学的个体学习模型构建综述
1 引言
1.1  计算经济学与学习
1.2  学习行为建模的历史
1.3  建立经济学学习模型的基本问题

2  学习过程分类
2.1  学习过程的多样性
2.2  场景特征和学习

3  无意识学习模型的构建
3.1 现有模型
3.2  建议

4  基于惯例的学习模型构建
4.1 群体层面基于惯例学习的模型构建
4.2  个体层面基于惯例学习的模型构建

5  信念学习建模
5.1  认知学习的心理学研究成果
5.2  信念学习模型
5.3  建议

6  组合模型
6.1 现有模型
6.2  建议
7  结论及建议

使用诱导信念的信念学习实验研究
1 引言
2  实验设计和实验程序
2.1 实验设计
2.2  信念诱导
2.3  加权经验信念定义

3 实验结果
3.1 基线实验1
3.2  学习模型的比较：问题6
3.3  一项重复实验：实验4
3.4  结论

从羊群行为中区分信息追随的实验研究
1  连续与离散设置
2  实验设计
3  理论
3.1 贝叶斯解
3.2  说明
3.3  一些定义
3.4  关于羊群行为和追随行为的注解
4  实验结果
5  计量经济分析
6  结论

看着学：一项观察学习的实验研究
1 概述
2  决策任务和实验设计
2.1 实验步骤
2.2  研究问题
3  基线实验结果
4  是否名师出高徒？
5 附加实验
6  结论
附录  对基线实验的说明

不完美信息下观察学习的一项实验检验
1 引言
2  实验设计
3 理论
3.1 贝叶斯解
3.2  完美和不完美信息的对比

4  实验结果
4.1  描述性统计
4.2  计量经济学分析
5  讨论
6  结束语

关于建议和社会学习的实验检验
1 绪论
2  研究问题
3  实验设计
4  理论
4.1  序言
4.2  只有行动形
4.3  只有建议形
4.4  行动加建议形

5  结果
5.1 问题1
5.2 问题2
5.3 问题3
5.4 问题4
6  结语

代际博弈中的社会学习与习俗调整：一个实验研究
1 引言
2  实验：设计和程序
2.1 总体特征
2.2  参数说明
3  结论
3.1  社会演化的形式
3.2  基线实验的结果
3.3  信念
4  建议迷局：实验Ⅰ与Ⅱ中的社会与信念学习
5  结论
附录  实验指导
名词索引
人名索引