使用机器学习方法评估风险和歧义下的选择行为模型-研究论文

行为科学家如何整合机器学习 (ML) 中的工具？ 我们建议 ML 模型可以用作给定数据集中“可解释”方差的上限，从而作为理论潜在力量的上限。 我们在不确定性领域演示了这种方法。 我们要求 600 多人使用随机参数做出 6000 种选择，并将标准经济模型与 ML 模型进行比较。 在风险领域，一种允许非线性概率加权（如在累积前景理论中）和个人级别参数的预期效用版本在样本外的表现与 ML 技术一样好。 相比之下，在歧义领域，两个研究最广泛的模型（最大化偏好和二阶预期效用的线性版本）无法与 ML 方法竞争。 我们打开了 ML 方法的“黑匣子”，并表明在风险下，我们的 ML 方法本质上“重新发现”了具有概率加权的预期效用。 然而，在歧义的情况下，我们表明我们的 ML 模型所隐含的歧义厌恶的形式表明，从可移植的歧义厌恶模型的理论工作中获益。 我们的结果突出了行为科学家可以在日常实践中结合 ML 技术以获得真正新见解的方式。