{
  "id": "expected-utility-theory",
  "title": "期望效用理论",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "期望效用理论将风险或不确定性下的选择表述为对各种可能结果的概率加权效用的最大化。",
  "category": "economics",
  "subcategory": "microeconomics",
  "type": "concept",
  "aliases": [
    "预期效用理论",
    "期望效用假说",
    "期望效用模型"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/expected-utility-theory/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/expected-utility-theory/",
      "json": "https://aiwiki.page/en/expected-utility-theory.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "期望效用理论是用于表述和评估后果不确定的选择的数学框架。它为每一种可能的结果赋予一个数值化的效用，并用这些效用按概率加权后的平均值来评价备选方案。期望效用最大化者会选择这一平均值最大的方案。该理论将后果的可取程度与其发生的可能性区分开来：即使一项决策的预期货币收益很高，只要其潜在损失足够令人难以接受，这项决策仍可能缺乏吸引力。\n\n这一框架是微观经济学、金融学、保险和统计决策理论的基础。它的核心贡献不只是提供一种计算规则，而是提出了一组表示定理：在满足特定一致性条件时，一个人的偏好可以表示为如同其在最大化期望效用一样。该理论的不同版本区分了两类决策：一类的概率是给定的，另一类的概率则反映个人信念。\n\n期望效用理论既有规范性解释，也有描述性解释。它可以为逻辑一致的选择确立标准，为经济行为提供便于分析的模型，也可以作为比较实际决策的基准。因此，其数学基础、对风险的处理、应用以及有实证记录的局限性，构成了该理论中各有侧重却又紧密联系的不同部分。"
    },
    {
      "heading": "历史起源与公理化",
      "text": "期望效用理论的直接前身，是用期望值来评估赌博收益的做法。对于以概率 \\(p_i\\) 支付金额 \\(x_i\\) 的赌博，这一准则赋予它的价值为 \\(\\sum_i p_i x_i\\)。这提供了一种自然的核算尺度，却无法解释人们为何会拒绝有利的赌博，或愿意付费以避免损失。平均货币收益与风险方案吸引力之间的区别，成为基于效用进行评价的理论发展中的核心问题。\n\n尼古拉斯·伯努利于1713年提出的圣彼得堡悖论，揭示了一个突出难题。在其标准版本中，不断抛掷一枚公平硬币，直到第一次出现正面。如果第一次正面出现在第 \\(n\\) 次抛掷，奖金就是 \\(2^n\\) 个货币单位。由于这一事件的概率为 \\(2^{-n}\\)，每一种可能的停止时刻都为货币期望值贡献一个单位，因此总期望值为无穷大。然而，人们通常愿意为参与这一赌博支付的金额却是有限的。这一悖论对将赌博价值等同于其预期货币收益的做法提出了挑战。\n\n丹尼尔·伯努利在1738年的论文中提出，应通过结果带来的效用来评价结果，而不是仅看金钱。他采用的对数形式使每增加一个货币单位所带来的效用随财富增加而递减。按照这一方法，圣彼得堡赌博的预期货币收益虽然为无穷大，其期望效用却仍可能是有限的。加布里埃尔·克拉默早在1728年的通信中，就已独立提出过一种相关的效用解释。这些贡献预示了现代对金钱与主观价值的区分，但对数效用只是诸多可能形式中的一种，并不能解决所有版本的无界收益悖论。\n\n现代公理化表述出自约翰·冯·诺伊曼与奥斯卡·摩根斯坦合著、于1944年首次出版的《博弈论与经济行为》。他们说明了，对彩票的偏好如何能够用期望效用来表示。其意义在于方法论层面：效用不再必须作为一种可直接测量的心理感受引入；相反，其数值结构可以从不确定方案之间的选择所遵循的约束中推导出来。\n\n伦纳德·J. 萨维奇于1954年出版的《统计学基础》，将这一方法扩展到了没有外部给定概率的情形。他的框架从对依状态而定的行动的偏好中，同时推导出主观概率和效用。弗朗西斯·J. 安斯库姆与罗伯特·J. 奥曼于1963年提出了另一种影响深远的表述，将主观不确定性与客观随机化结合起来。这些发展为已知风险下和主观不确定性下的期望效用，确立了彼此有别而又相互联系的理论基础。"
    },
    {
      "heading": "彩票、公理与表示定理",
      "text": "在标准的有限结果表述中，彩票是后果集合上的一种概率分布。将彩票记为 \\(L=(p_1,x_1;\\ldots;p_n,x_n)\\)，其中 \\(p_i\\geq 0\\)，且 \\(\\sum_i p_i=1\\)。期望效用表示的形式为\n\n\\[U(L)=\\sum_{i=1}^{n}p_i u(x_i).\\]\n\n这里，\\(u\\) 是定义在后果上的效用函数，而 \\(U\\) 表示对彩票的偏好。这一区别很重要：即使 \\(u\\) 对金钱是非线性的，\\(U\\) 对概率仍是线性的。因此，期望效用并不假定财富翻倍就意味着福利翻倍。\n\n这一表示建立在若干偏好条件之上。完备性要求任意两种彩票都可以进行偏好排序，也允许二者无差异。传递性要求排序在内部保持一致：如果 \\(L\\) 至少与 \\(M\\) 一样好，而 \\(M\\) 至少与 \\(N\\) 一样好，那么 \\(L\\) 必须至少与 \\(N\\) 一样好。连续性条件则排除了偏好中的某些不连续情形。例如，当 \\(L\\) 优于 \\(M\\)，而 \\(M\\) 优于 \\(N\\) 时，按适当比例混合 \\(L\\) 与 \\(N\\)，所得彩票可以与 \\(M\\) 无差异，也可以分别优于或劣于 \\(M\\)。字典序偏好通常不满足这一条件；在这种偏好下，无论概率如何，一个考量因素始终压倒另一个因素。\n\n其中最具特色的限制是独立性公理。对于任意彩票 \\(L,M,N\\) 及 \\(0<\\alpha<1\\)，有\n\n\\[L\\succeq M \\quad\\Longleftrightarrow\\quad \\alpha L+(1-\\alpha)N \\succeq \\alpha M+(1-\\alpha)N.\\]\n\n在两个备选方案中加入相同的概率成分，不应使它们的偏好排序发生逆转。支持独立性的理由是，共同成分无法区分两个方案：只要这一成分实现，两者提供的前景就完全相同。然而，这一公理在经验上容易受到挑战，因为面对涉及确定性、极小概率或格外诱人结果的混合彩票时，人们仍可能作出不同的反应。\n\n在标准假设下，期望效用能够表示偏好，且 \\(u\\) 在正仿射变换的意义下是唯一的。因此，\\(v(x)=a u(x)+b\\)，其中 \\(a>0\\)，表示相同的彩票偏好。任意递增变换一般不能保持期望效用排序不变。这种数值结构比确定性消费者选择中使用的序数效用表示更强，但它并不能据此确立不同个体之间效用水平的可比性。\n\n通常的彩票框架还会将复合彩票化简为最终结果的概率。如果有 50% 的机会进入第二种彩票，而第二种彩票有 40% 的概率赢得奖品，那么最终就有 20% 的概率赢得该奖品。这种化简假定，只有最终后果重要，具体采用何种随机化程序并不重要。如果悬念、信息揭晓的时机或程序本身会影响偏好，就必须将这些特征纳入后果之中，或另行建模。"
    },
    {
      "heading": "风险厌恶、确定性等价与效用曲率",
      "text": "对于货币结果，期望效用将风险态度与财富效用函数的形状联系起来。如果一个人认为，确定地获得期望财富至少不亚于持有相应的风险财富，那么此人就是风险厌恶的。对于随机财富 \\(W\\)，\n\n\\[u(\\mathbb{E}[W])\\geq \\mathbb{E}[u(W)].\\]\n\n对于期望效用最大化者而言，在相关定义域内，就所考虑的博彩类别来说，这一性质对应于 \\(u\\) 的凹性。线性效用表示风险中性，凸效用表示风险偏好。严格凹性意味着，相较于定义域内任何非退化博彩，个体都严格偏好确定地获得其均值。\n\n一项博彩的确定性等价 \\(c\\) 是满足下式的确定金额：\n\n\\[u(c)=\\mathbb{E}[u(W)].\\]\n\n其风险溢价为 \\(\\pi=\\mathbb{E}[W]-c\\)。设某人的效用函数为对数函数，最终财富有相等的概率为 50 或 150。期望财富为 100，但确定性等价为\n\n\\[c=\\exp\\!\\left(\\tfrac12\\ln 50+\\tfrac12\\ln 150\\right) =\\sqrt{7500}\\approx 86.60.\\]\n\n相应的风险溢价约为 13.40。这些数值取决于所假定的效用函数，也取决于这里的结果指最终财富，而不是在某个未明确给定的背景财富基础上增加的收益。\n\n肯尼思·阿罗和约翰·W. 普拉特在 20 世纪 60 年代提出了具有广泛影响的风险厌恶局部度量。绝对风险厌恶度和相对风险厌恶度分别为\n\n\\[A(w)=-\\frac{u''(w)}{u'(w)}, \\qquad R(w)=-\\frac{w u''(w)}{u'(w)}.\\]\n\n绝对风险厌恶度适用于比较人们对固定金额货币风险的态度。相对风险厌恶度则适用于与财富成比例的风险。对于均值为零的小风险 \\(\\varepsilon\\)，二阶近似给出\n\n\\[\\pi\\approx \\frac12 A(w)\\operatorname{Var}(\\varepsilon).\\]\n\n这将承担小风险所需的补偿与效用曲率及该风险的方差联系起来。这是一个局部近似，而非适用于较大风险或高度不对称风险的通用公式。\n\n常见的函数形式体现了不同的财富效应。指数效用 \\(u(w)=-e^{-aw}\\) 在 \\(a>0\\) 时具有恒定的绝对风险厌恶度。幂效用\n\n\\[u(w)=\\frac{w^{1-\\gamma}}{1-\\gamma},\\]\n\n在财富为正、\\(\\gamma>0\\) 且 \\(\\gamma\\neq1\\) 时，具有恒定的相对风险厌恶度 \\(\\gamma\\)。在 \\(\\gamma=1\\) 处，其极限形式为对数效用。这些函数形式简化了建模，但也对行为施加了实质性限制。\n\n凹性也能解释分散投资以及规避损失的保障需求，但并不意味着应当拒绝所有风险投资。某个风险选项的回报可能足够有利，从而抵消其风险。此外，个人的评价还取决于新增风险与现有财富、收入、负债及其他风险敞口之间的相互作用。"
    },
    {
      "heading": "主观概率与不确定性下的决策",
      "text": "客观风险模型将概率视为给定条件，例如理想化的轮盘或指定的随机化装置所产生的概率。许多重大决策却没有这样的概率可供依据：企业考虑采用新技术，家庭评估未来的就业前景，投资者研判政治事件。主观期望效用通过对各种可能的世界状态赋予个人概率来表征不确定性，从而拓展了这一框架。\n\n设 \\(S\\) 为状态集合，行动 \\(f\\) 为每个状态 \\(s\\) 指定后果 \\(f(s)\\)。在有限状态的表述中，\n\n\\[V(f)=\\sum_{s\\in S}P(s)u(f(s)).\\]\n\n概率 \\(P(s)\\) 表达信念，而 \\(u\\) 表达后果的合意程度。两个人可能因为对事件发生的可能性判断不同、对后果的评价不同，或两者兼有，而作出不同选择。将信念与效用分开，有助于区分有关证据的分歧和有关目标的分歧，不过，仅凭观察到的选择，并不总能分别识别这两个组成部分。\n\n萨维奇的表示定理以行动偏好满足一定限制条件，以及状态结构足够丰富为前提。其中一个核心条件是确定事件原则：如果在某事件发生的条件下，一项行动优于另一项行动，而在该事件不发生的条件下也同样如此，那么，即使不知道该事件是否发生，也应当更偏好前一项行动。更一般地说，如果两项行动仅在某一事件发生时具有不同后果，那么它们之间的偏好排序不应取决于该事件之外两者共有的后果。这与彩票独立性类似，但针对的是不确定状态，而不是通过客观随机化形成的混合彩票。\n\n这些理论基础也揭示了其局限。标准的主观期望效用通常采用不依赖于状态的效用函数：无论某一后果由何种状态产生，其效用都相同。如果对后果的描述不完整，这一假设就会出现问题。生病时获得的一笔钱与健康时获得的同一笔钱，可能具有不同的重要性，因为健康状况会改变人的机会和需求。将健康状况纳入后果的描述，可以使模型更加清晰，但依赖于状态的偏好会使概率和效用更难分别推定。\n\n主观概率可以通过贝叶斯推断来更新。对于先验概率为正的事件 \\(E\\)，\n\n\\[P(s\\mid E)=\\frac{P(E\\mid s)P(s)}{P(E)}.\\]\n\n在选择行动时，期望效用将更新后的信念与后果结合起来。贝叶斯更新本身并不代表某种风险态度：即使人们的信念完全相同，也仍可能因为效用不同而选择不同的行动。\n\n风险与模糊性之间的区别仍然重要。风险涉及给定概率分布下的变动；模糊性则涉及这种分布的缺失、不精确，或其可靠性存在争议。主观期望效用以单一概率测度表征不确定性。这是一项实质性的建模假设，并不能证明每一种不确定情境都存在客观正确的数值概率。"
    },
    {
      "heading": "序贯决策、信息与跨期选择",
      "text": "许多决策是随时间逐步展开的。最初的行动会改变可观察到的信息，后续选择取决于这些观察，而最终结果则取决于整个决策序列。决策树通过决策节点、机会节点、信息和终端结果来表示这类问题。期望效用可以用来评估完整的应变计划，即规定在未来每一种可能的信息集下应采取何种行动的方案。\n\n如果对终端结果的效用保持不变，并采用贝叶斯条件概率，逆向归纳法通常会得出与最初评估所有完整策略时相同的计划。这一性质是动态一致性的一种形式。在未来的每个信息集上，所选的后续方案在当时可获得的信息条件下仍然是最优的。这个结论要求偏好结构保持不变，且信息得到恰当刻画。偏好的变化、模型未纳入的学习过程，或对复合不确定性的不同处理方式，都可能破坏这种一致性。\n\n信息之所以有价值，是因为它使行动能够随事件的变化而调整。假设信号 \\(Y\\) 在行动 \\(a\\) 被选定之前到达。在不计任何获取成本的情况下，以效用单位衡量的信息期望价值为\n\n\\[\\mathbb{E}_Y\\!\\left[ \\max_a \\mathbb{E}[u(x(a,S))\\mid Y] \\right] - \\max_a \\mathbb{E}[u(x(a,S))].\\]\n\n在标准假设下，这个表达式非负，因为决策者可以忽略信号，保留原来的行动。但这并不意味着，为获取信息支付任何价格都值得。信息获取成本、处理信息的负担，以及对知情本身的直接偏好，都必须另行纳入考虑。将效用增益转换为以货币衡量的支付意愿，还需要根据相关的、依赖财富水平的效用进行计算。\n\n跨期模型经常假定采用期望贴现效用，\n\n\\[\\mathbb{E}\\left[\\sum_{t=0}^{T}\\beta^t u(c_t)\\right],\\]\n\n其中，\\(c_t\\) 是消费，\\(\\beta\\) 是贴现因子。这一形式结合了几项应当区分开来的假设。期望效用规定如何处理不确定性；加法可分性规定如何汇总不同时点的消费；指数贴现规定如何处理延迟。后两项性质都不能由基本的彩票表示定理推出。尤其是，除非施加额外的时间方面的限制，否则通常的期望效用并不排除现时偏差。\n\n在常见的时间可加幂效用模型中，同一个曲率参数既决定风险厌恶程度，也决定跨期替代弹性的倒数。这可能构成较强的限制，因为对不确定消费的态度，不一定与在不同时点之间调配确定性消费的意愿相一致。递归效用允许将这两个维度分开，1989年提出的 Epstein–Zin 偏好便属于此类。这类模型将对当前消费的评价与对有风险的未来延续效用的评价区分开来，并能够刻画人们对不确定性何时消除的偏好。"
    },
    {
      "heading": "经济与金融应用",
      "text": "保险是期望效用理论的一项直接应用。假设初始财富为 \\(w\\)，损失 \\(L\\) 以概率 \\(p\\) 发生，全额保险的保费为 \\(pL\\)。不投保时，期望效用为\n\n\\[(1-p)u(w)+pu(w-L).\\]\n\n购买精算公平的全额保险后，财富确定为 \\(w-pL\\)。效用函数的凹性意味着，投保至少不劣于不投保；如果效用函数严格凹，且损失确实具有不确定性，那么投保就严格优于不投保。管理费用和其他附加费用可能使全额保险不再具有吸引力。免赔额让投保人自行承担一部分风险，也可能有助于缓解道德风险，即保险改变了人们预防损失的激励所引发的问题。\n\n投资组合理论将同样的逻辑应用于资产组合。投资者在预算和交易约束下选择资产持有量，以最大化期末财富或未来消费的期望效用。风险资产的吸引力不仅取决于其自身的预期收益，还取决于它与投资者其他资源之间的关系。如果某项资产能在投资者的财富原本会较低的状态下提供较高收益，它就能发挥保险作用。因此，期望效用理论解释了为什么分别评估每项投资的风险，可能无法准确反映整个投资组合的风险。\n\n在特定假设或近似条件下，资本资产定价模型所涉及的均值—方差投资组合模型与期望效用存在联系。当财富服从正态分布且效用函数为指数形式时，最大化期望效用等价于最大化预期财富减去一个与财富方差成正比的项。二次效用函数也能导出均值—方差目标，不过它可能意味着财富足够高时，效用反而随财富增加而下降。对于一般的收益分布和效用函数，仅有均值和方差并不足够：偏度、尾部损失以及其他分布特征都可能影响选择。\n\n基于消费的资产定价将价格与收益的边际效用联系起来。在标准的代表性主体模型中，\n\n\\[P_t=\\mathbb{E}_t[M_{t+1}X_{t+1}], \\qquad M_{t+1}=\\beta\\frac{u'(c_{t+1})}{u'(c_t)}.\\]\n\n这里，\\(P_t\\) 是资产价格，\\(X_{t+1}\\) 是该资产下一期的收益，\\(M_{t+1}\\) 是随机贴现因子。如果一笔收益在边际效用较高的状态下实现，它就格外有价值，而这种状态往往对应于较低的消费水平。这就将风险补偿与收益同经济上重要的不利状态之间的协方差联系起来，而不是仅仅与波动性联系起来。\n\n期望效用也见于委托—代理问题模型。在这些模型中，薪酬合约需要在提供激励与让员工或管理者承担风险所带来的成本之间取得平衡。在统计决策理论中，也可以通过最小化期望损失函数值来选择行动，这在形式上等价于最大化期望损失的相反数。然而，在福利经济学中，使用个人的期望效用本身，并不能决定应如何汇总不同人的利益。社会权重、分配判断以及人际比较都需要额外的假设。"
    },
    {
      "heading": "实验证据与系统性违背",
      "text": "期望效用理论对相互关联的彩票选项之间的选择提出了可检验的约束。其中最著名的挑战是莫里斯·阿莱于1953年提出的阿莱悖论。在一种常见的表述中，第一组选择是在确定获得100万与一种彩票之间二选一：该彩票有0.10的概率获得500万，0.89的概率获得100万，0.01的概率一无所获。第二组选择则是在两种彩票之间二选一：一种彩票有0.11的概率获得100万，另一种彩票有0.10的概率获得500万，其余情况下均一无所获。\n\n一种常见的选择模式是：在第一组比较中偏好确定获得的金额，在第二组比较中却偏好获得500万的机会。如果两组比较采用同一个效用函数，这种选择模式就与期望效用理论不相容。第一种偏好意味着\n\n\\[0.11u(1\\text{ million}) > 0.10u(5\\text{ million})+0.01u(0),\\]\n\n而第二种偏好则意味着相反的不等式。第一组比较中两个选项共有的、以0.89的概率获得100万的部分，在第二组比较中被替换为两个选项共有的、以0.89的概率获得零的部分。独立性公理要求，这种对两个选项所作的相同改动不应颠倒其偏好排序。\n\n丹尼尔·埃尔斯伯格于1961年提出的例子，通过涉及不明确概率的选择，对主观期望效用理论提出了挑战。在一个标准的抽球例子中，罐内有30个红球，另有60个黑球或黄球，但黑球与黄球的比例未知。许多参与者宁愿押注抽到红球，而不愿押注抽到黑球；但他们又宁愿押注抽到黑球或黄球，而不愿押注抽到红球或黄球。在奖金及其他条件均相同的情况下，第一种偏好表明，他们认为黑球的主观概率低于红球；第二种偏好则表明恰好相反。这种模式反映了人们对已知概率的偏好，而在标准假设下，这种偏好无法用单一的可加概率测度来表示。\n\n另一些研究发现涉及选择的描述方式和组织方式。在偏好反转实验中，人们可能选择某一赌局，却为另一赌局报出更高的出售价格。当对等价后果的不同描述改变了决策时，就出现了框架效应。损失厌恶和心理账户可能使选择取决于参照点，或取决于是否将某个赌局与其他财富分开评估。这些观察结果挑战了这样一种模型：偏好仅由完整界定的最终后果的概率分布决定。\n\n解释这些结果时，需要注意实验设计。理解程度、利害大小、重复次数、支付程序以及随机决策误差，都会影响实验结果。带有噪声的选择并不能自动证明存在对公理的系统性违背；但在控制严谨的多项任务中出现的一致性违背，也不能仅靠换用另一个凹效用函数来解释。这些证据否定了期望效用理论能够普遍准确地描述行为这一主张，但并不表明每个人都会违背该理论、它的每一种应用都会失败，或该理论不具有规范性作用。"
    },
    {
      "heading": "风险与模糊性选择的替代模型",
      "text": "各种替代理论放宽了期望效用理论的不同组成部分，而非用某个普遍认可的单一模型取而代之。有些理论保留概率，但改变其决策权重。另一些理论在每个可能的概率模型内部保留期望效用，同时改变对模型本身的不确定性的评估方式。还有一些理论引入参照依赖、后悔、不完全偏好或程序性约束。这些区别很重要，因为旨在解释模糊性的理论，不一定也能解释框架效应或人们对已知风险的态度。\n\n丹尼尔·卡尼曼与阿莫斯·特沃斯基于1979年提出的前景理论，以某个参照点为基准评估收益和损失，而不一定评估最终财富。其价值函数通常在收益区间呈凹形，在损失区间呈凸形，而且损失区间的曲线比同等幅度的收益区间更陡。该理论还采用不一定等于概率的决策权重。1992年发展出的累积前景理论对累积概率进行加权。这既能体现人们对小概率和近乎确定的事件的敏感性，又能在其标准条件下满足随机占优原则。\n\n约翰·奎金于1982年提出的秩依赖效用保留了对结果的效用评价，但会根据结果的排序对累积概率进行变换。与分别变换每个结果的概率不同，累积加权可以在结果合并或重新排序时保留适当的排序性质。当概率加权函数为恒等函数时，该模型便还原为标准期望效用。因此，秩依赖在不要求引入参照依赖的收益和损失的情况下，以一种结构明确的方式放宽了独立性公理。\n\n对于模糊性选择，伊扎克·吉尔博阿与戴维·施迈德勒于1989年公理化的最大最小期望效用，用一组概率分布 \\(\\mathcal{P}\\) 来表示信念：\n\n\\[V(f)=\\min_{P\\in\\mathcal{P}}\\mathbb{E}_P[u(f)].\\]\n\n对一项行动的评价，取决于该集合中最不利的期望效用。如果集合中只有一个分布，该模型就退化为主观期望效用。它以保守方式处理不确定性，能够解释某些埃尔斯伯格式的选择，但先验概率分布集合本身仍须加以指定或推断。平滑模糊性模型则通过一个额外的函数，汇总各个可能的概率模型下的期望效用，从而将风险偏好与对模糊性的态度区分开来。\n\n格雷厄姆·卢姆斯与罗伯特·萨格登，以及戴维·贝尔，于1982年各自独立提出了后悔理论。该理论允许评价取决于所选结果与另一项可选行动本会产生的结果之间的比较。因此，可选方案的构成会影响评价，而以最终结果为评价对象的标准期望效用理论并不包含这种影响。更广泛地说，行为经济学和有限理性研究注意力、计算能力的局限以及选择程序。这些研究路径针对不同的经验机制，必须根据各自意图解释的具体现象来评判。"
    },
    {
      "heading": "框架的解释、测量与局限",
      "text": "期望效用表示是对偏好的一种“仿佛如此”的描述，并不一定意味着决策者在有意识地进行计算。一个人即使没有明确计算概率或效用，也可能满足相关的选择约束。反过来，分析者采用期望效用目标，也不能据此认定模型中的决策者对每一种可以想象的赌博方案都有完备的偏好排序。将这一理论用于界定不够严格的选择问题时，区分形式化表示与心理过程至关重要。\n\n效用可以通过确定结果与彩票方案之间的无差异关系来测定。假设 \\(x_H\\) 和 \\(x_L\\) 是某个有界集合中的最佳结果和最差结果，并将效用标准化为 \\(u(x_H)=1\\) 和 \\(u(x_L)=0\\)。如果某人在确定获得 \\(x\\) 与参与一种彩票方案之间无差异，而该彩票以概率 \\(p\\) 支付 \\(x_H\\)，否则支付 \\(x_L\\)，那么根据期望效用理论，就有 \\(u(x)=p\\)。这种标准赌博法测定的是相对于所选端点的效用。对其结果的解释以被检验的表示成立为前提：概率加权、框架效应或参照点的变化，都可能改变推断出的效用。\n\n还必须在恰当的层面界定后果。将一次赌博视为终身总财富的变化，与将其视为一笔独立的收益或损失，会得出不同的推论。马修·拉宾于2000年提出的校准定理表明，在财富效用函数为凹函数的期望效用框架下，如果一个人在足够广泛的财富水平范围内始终拒绝赌注不大且期望收益为正的赌博，就可能意味着他对赌注大得多的赌博具有极端的厌恶。这一结果揭示了，仅凭总财富效用函数的曲率，无法充分解释所有观察到的小额赌注下的谨慎行为。\n\n期望效用可以容纳比个人金钱收益更广泛的目标。后果可以包括他人的福利、环境状况、公平性，或遵守某项规则所带来的影响。这种灵活性使该框架具有广泛的适用性，但如果每一次观察到的违背理论的行为，都通过增添一种未被观察到的后果来解释，理论的可检验性就可能降低。有用的实证模型应当先明确结果空间和偏好约束，再解释证据。随后，显示偏好方法便可用于检验观察到的选择是否符合这些约束。\n\n这一框架也存在数学上的边界。当可能结果有无限多个时，如果效用无界，且正、负部分不可积，期望效用就可能不存在。连续性可能排除这样一类偏好：无论某个特定结果发生的概率有多小，都把避免它置于绝对优先地位。当决策者认为某些选项之间无法比较时，偏好完备性的假设可能并不适用。这些问题涉及不同的假设，不能全靠改变效用函数的曲率来解决。因此，在涉及极端结果或概率界定不清的应用中，允许纳入的彩票方案、概率模型及效用的定义域，都是模型的实质性组成部分，而非无关紧要的技术细节。"
    }
  ],
  "links": [
    "utility-economics",
    "microeconomics",
    "insurance",
    "expected-value",
    "probability-distribution",
    "utility-function",
    "consumer-choice",
    "risk-aversion",
    "kenneth-arrow",
    "variance",
    "bayesian-inference",
    "present-bias",
    "deductible",
    "moral-hazard",
    "principal-agent-problem",
    "loss-function",
    "welfare-economics",
    "loss-aversion",
    "mental-accounting",
    "prospect-theory",
    "behavioral-economics",
    "bounded-rationality"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}