本文档报告了一项名为“The Art of the Deal: Deciphering the Endowment Effect from Traders’ Eyes”的原创性研究，现根据您的要求撰写详细学术报告，介绍给相关领域的研究者。
作者与发表信息
本研究的主要作者为 Feng Sheng（盛峰，通讯作者）、Ruining Wang（王瑞宁）、Zexian Liang（梁泽贤）、Xiaoyi Wang（王晓漪）以及 Michael L. Platt。作者团队主要来自浙江大学管理学院、神经管理学实验室、脑与脑机融合前沿科学中心，以及美国宾夕法尼亚大学沃顿神经科学研究所、医学院神经科学系和沃顿商学院市场营销系。该研究于2023年8月23日发表在 Science Advances 期刊上（卷9，文章号 eadf2115）。
学术背景
本研究属于认知神经科学与行为决策的交叉领域，核心关注经济学和心理学中长期存在的一个谜题——禀赋效应（Endowment Effect）。禀赋效应是指个体对自己所拥有的物品（禀赋）赋予的价值，通常高于其作为购买者愿意为同一物品支付的价格，从而导致交易惰性（不愿意交易）。这种效应挑战了传统经济学关于理性人和市场有效性的基本假设。
长期以来，对禀赋效应的机制存在两种主流解释。第一种是“估值相关偏差”（valuation-related bias）观点，认为卖家之所以不愿意出售，是因为他们比买家更高估商品的价值。这种高估可能源于损失厌恶（loss aversion，厌恶损失的程度超过喜好同等程度收益）、所有权情感（psychological ownership）等多种心理因素。第二种是“反应相关偏差”（response-related bias）观点，认为买家和卖家都倾向于维持现状（status quo bias），即不进行交易是一种默认选择，改变现状（无论是买入还是卖出）都需要额外的动力（如折扣或溢价）。
传统研究通常仅通过最终选择（是否交易）来观测禀赋效应，这使得上述两种机制难以区分，因为它们在行为结果上可能表现相似。近年来，决策领域的研究引入“证据积累”（evidence accumulation）的计算框架，将决策视为一个随时间动态累积证据直至达到某个决策阈值的连续过程。在这一框架下，估值偏差会影响证据积累的“速率”或“权重”，而反应偏差则会影响决策过程的“起始点”或需要累积的证据“量”。此外，眼球活动（注视点分配和瞳孔变化）被证明能够实时反映决策过程中的信息采样和认知努力。基于此，本研究旨在通过结合眼动追踪、瞳孔测量（pupillometry）和漂移扩散模型（Drift Diffusion Model， DDM）等计算建模方法，在一个统一的证据积累框架内，分解和解码禀赋效应背后的估值相关偏差与反应相关偏差，并识别与之相关的生理生物标志物。
研究详细流程
本研究包含一个精心设计的实验室实验，以及后续多层次的数据分析与计算建模。具体流程如下：
实验设计与参与者： 研究共招募了64名成年人作为参与者。实验中的交易“商品”为定制的彩票。每张彩票有可见的面值（如16元），但其实际兑换金额是介于0到面值之间的一个随机整数（隐藏在刮刮层下），因此彩票的期望价值是其面值的一半。参与者初始被赋予等值的现金（55元）和一叠共10张不同面值（2元至20元，递增2元）的彩票。
交易任务流程： 实验分为“买家”和“卖家”两个角色区块，顺序在被试间平衡。在每个区块中，参与者面对100个不同的报价。每个报价在屏幕左右两侧（位置在被试间平衡）分别显示一个彩票面值和一个价格。例如，屏幕上可能显示“彩票 ¥16”和“价格 ¥7”。
- 买家区块： 参与者决定是否以显示的价格，购买指定面值的彩票（从未被赋予的那叠彩票中）。
- 卖家区块： 参与者决定是否以显示的价格，出售自己手中对应面值的彩票（从被赋予的那叠彩票中）。
- 参与者通过按键做出“接受”或“拒绝”报价的决定。所有决策都会被记录，但仅在实验结束后随机抽取其中一个决策实际执行，以确定参与者的最终报酬，这确保了每个决策都具有真实的经济后果。
数据采集： 在整个决策过程中，使用基于视频的红外眼动仪（SMI）以500Hz的频率同步采集参与者的注视点位置和左眼瞳孔直径数据。这为分析决策过程中的注意力分配（注视）和生理唤醒（瞳孔变化）提供了时间序列数据。
数据分析与计算建模流程：
- 行为数据分析： 首先，计算了买家和卖家角色下的总体交易接受率、反应时，并分析了它们随“相对价格”（价格减去彩票期望价值）变化而变化的函数关系，以确认禀赋效应的存在及其行为特征。
- 漂移扩散模型建模（DDM）： 这是本研究的核心计算框架。研究者构建了一个联合DDM，同时拟合买家和卖家的选择与反应时数据。模型关键假设包括：
- 决策是在“选择彩票”和“选择金钱”两个边界之间的证据积累过程。
- 估值相关偏差 体现为证据积累的“漂移率”中彩票权重参数在买家（wb）和卖家（ws）之间的差异。计算
ln(ws/wb) 作为DDM估值偏差指数。 - 反应相关偏差 体现为证据积累“起始点”在买家（zb）和卖家（zs）之间的差异。计算
zs - zb 作为DDM反应偏差指数。起始点偏向默认选项（买家偏向不买/金钱，卖家偏向不卖/彩票）表示维持现状的倾向。 - 使用分层贝叶斯方法（通过HDDM工具包）对模型参数进行估计，并与两个简化模型（分别约束估值偏差或反应偏差不存在）进行比较，以验证两个偏差成分的必要性。
- 注意力驱动漂移扩散模型建模（Attention-DDM， ADDM）： 为了探究注视如何影响估值，研究者扩展了DDM，构建了ADDM。该模型允许彩票的权重根据注视点是落在价格上还是彩票上而动态变化。通过拟合该模型，可以量化注视对证据积累速率的即时调制作用，并模拟在不同注视组合下（如买卖双方都看潜在损失 vs. 都看潜在收益），估值偏差的大小如何变化。
- 眼动数据分析：
- 总注视偏差： 计算每个被试在买卖角色下，注视彩票的时间占总注视（彩票+价格）时间的比例（注视-彩票比例），其差值（卖家比例减买家比例）为总注视偏差。通过回归分析检验其与DDM估值偏差、反应偏差的关系。
- 首次注视偏差： 计算首次注视落在彩票上的概率，并分析其角色间差异以及与DDM偏差的关系。
- 瞳孔数据分析：
- 处理瞳孔数据，进行基线校正、滤波和标准化。
- 计算“决策相关瞳孔大小”，定义为从决策前0.5秒到决策后1.5秒时间窗内的平均瞳孔大小。
- 分别比较买家与卖家在做出“接受”与“拒绝”决定时的瞳孔大小差异。
- 通过混合层级回归，在控制反应时、价格、彩票价值等变量后，检验“选择接受”本身对瞳孔大小的独立预测作用。
- 计算“瞳孔反应性偏差”，即（卖家接受-卖家拒绝）与（买家接受-买家拒绝）的瞳孔差异之和。通过回归分析检验其与DDM偏差的关系。
- Logit模型建模（作为对照）： 研究者还构建了一个仅基于选择数据（忽略反应时）的Logit模型，作为DDM的“时间扁平化”版本，以展示反应时数据在区分两种偏差中的独特价值。该模型也包含类似的估值偏差和反应偏差参数。
主要研究结果
- 禀赋效应的行为确认： 行为数据明确显示了禀赋效应。买家总体购买率低于50%，而卖家总体出售率也低于50%，表明同一批人在拥有物品后变得不愿放弃，存在偏好不一致。反应时分析显示，无论是买家决定购买，还是卖家决定出售，都比其对应的拒绝决定更慢，反映了改变现状的犹豫。
- DDM成功分离两种偏差： DDM拟合结果支持了研究假设。在群体水平上，DDM估值偏差显著大于零，表明卖家赋予了彩票比买家更高的权重。同时，DDM反应偏差也显著大于零，表明卖家的起始点更靠近“不卖”（选择彩票）的边界，而买家的起始点更靠近“不买”（选择金钱）的边界，两者均表现出维持现状的倾向。模型比较表明，同时包含两种偏差的完整模型显著优于只包含其中一种的简化模型。此外，个体间存在异质性，根据两种偏差的正负组合，可以将交易者分为四种类型。
- 估值相关偏差体现在注视分配上： 眼动分析发现，卖家比买家更倾向于注视彩票（尽管总注视比例差异边缘显著）。更重要的是，个体水平的总注视偏差与DDM估值偏差显著正相关，但与DDM反应偏差无关。ADDM分析进一步揭示，当注视彩票时，其权重被放大；当注视价格时，其权重被削弱。模拟结果显示，当买卖双方都注视自己的潜在损失时（卖家看彩票，买家看价格），估值偏差最大；而当他们都注视潜在收益时（卖家看价格，买家看彩票），估值偏差最小甚至消失。这表明注意力通过一个正反馈回路影响并放大了估值偏差。首次注视偏差也与估值偏差相关，但其影响似乎被总注视偏差所中介。
- 反应相关偏差体现在瞳孔扩张上： 瞳孔数据分析发现了一个关键模式：对于买家，决定购买（选择彩票）比决定不买引发更大的瞳孔扩张；对于卖家，决定出售（选择金钱）比决定不卖引发更大的瞳孔扩张。这种模式是“对称”的：改变现状（买家买、卖家卖）都伴随着更大的生理唤醒。混合回归分析表明，即使在控制了反应时、价格和彩票价值后，“选择接受”这一行为本身仍能独立预测瞳孔扩张。个体水平的瞳孔反应性偏差与DDM反应偏差显著正相关，但与DDM估值偏差无关。
- 反应时数据的关键作用： 作为对照的Logit模型分析显示，仅使用选择数据时，虽然能检测到估值偏差，但无法可靠地识别出显著的反应偏差。这凸显了在DDM框架中整合反应时数据对于完整揭示决策过程、特别是分离反应相关偏见的不可或缺性。
结论与意义
本研究构建了一个神经生物学上合理的计算框架，成功地将禀赋效应解构为两个独立但又协同作用的成分：估值相关偏差和反应相关偏差。前者表现为买卖双方对商品信息（彩票）的不对称注意力分配，进而导致不同的主观价值评估；后者表现为买卖双方在克服现状惯性、做出交易决定时，需要积累更多证据，并伴随着更强的、由瞳孔扩张所索引的生理唤醒。一笔交易的成功达成，需要买卖双方将注意力更多地投向潜在收益，并且克服惯性、引发足够的生理唤醒。
研究的亮点
- 理论创新： 首次在证据积累的计算框架内，实证性地分解和验证了禀赋效应的双重机制（估值 vs. 反应），解决了长期存在的理论争议。
- 方法创新： 创造性地将高时间分辨率的眼动追踪、瞳孔测量与层次贝叶斯漂移扩散模型相结合，实现了对动态决策过程“由外而内”的精细测量和建模。开发的联合DDM和ADDM模型具有方法学上的新颖性。
- 生理生物标志物： 明确地将不对称的注视模式识别为估值偏差的生物标志物，将交易相关的瞳孔扩张识别为反应偏差（现状惯性）的生物标志物。这为未来研究提供了可观测的、客观的测量指标。
- 实践价值： 研究结果为市场设计和政策制定提供了基于生物学和计算科学的理论指导。例如，可以通过引导注意力（如高亮潜在收益）或改变默认选项设置（如默认接受公平报价）来分别干预估值偏差或反应偏差，从而提高市场交易效率。
其他有价值内容
研究在讨论部分还将发现与现有神经科学研究进行了连接，推测估值相关偏差可能与涉及主观价值计算的脑区（如腹侧纹状体）活动有关，而反应相关偏差可能与涉及情绪和生理唤起的脑区（如前脑岛）活动有关。这为后续的神经影像研究提供了清晰的假设。同时，研究也承认了使用货币彩票作为商品的局限性（禀赋效应可能弱于实体物品），并指出未来研究需在更大样本和更广泛商品类型上验证该框架的普适性。