[论文解读] The debt aversion survey module: An experimentally validated tool to measure individual debt aversion

David Albrecht, Thomas Meißner|arXiv (Cornell University)|Nov 4, 2022

Economic and Environmental Valuation被引用 4

一句话总结

本文提出了一种两题调查模块，通过激励性实验验证了一种简短、可靠且易于实施的个体债务风险规避测量工具。基于激励实验的结构估计与多元回归分析，该模块与实验测得的债务风险规避程度相关系数达0.3073，预测准确率达89.76%，与完整结构估计结果相当，因此特别适合大规模调查。

ABSTRACT

We develop an experimentally validated, short and easy-to-use survey module for measuring individual debt aversion. To this end, we first estimate debt aversion on an individual level, using choice data from Meissner and Albrecht (2022). This data also contains responses to a large set of debt aversion survey items, consisting of existing items from the literature and novel items developed for this study. Out of these, we identify a survey module comprising two qualitative survey items to best predict debt aversion in the incentivized experiment.

研究动机与目标

• 开发一种简短、实用且经过实验验证的调查工具，用于测量个体债务风险规避。
• 克服在大规模债务风险规避研究中，成本高昂、耗时长的激励实验的局限性。
• 识别出一组最少的调查项目，以最佳预测实验测得的个体债务风险规避程度，同时平衡简洁性与预测能力。
• 使研究者能够在非实验情境中控制债务风险规避因素，从而提升行为经济学研究中的因果推断能力。
• 提供一种基准测量工具，与GPS调查模块相当，但专门针对债务风险规避偏好进行定制。

提出的方法

• 使用分层最大似然法对激励实验中获得的选择数据进行个体债务风险规避的结构估计（Meissner & Albrecht, 2022）。
• 收集100多项关于债务风险规避的调查项目，包括现有文献中的项目以及新开发的、经实验验证的项目。
• 通过多元OLS回归，从调查回答中预测实验估计的债务风险规避参数（γ）。
• 利用k=5和k=10的交叉验证、BIC、AIC和调整R²进行模型选择，以在预测准确率与模型简洁性之间取得平衡。
• 使用李克特量表回答（1 = 强烈同意，6 = 强烈不同意），并结合估计权重计算综合债务风险规避得分。
• 通过k折交叉验证进行验证，并将预测准确率与结构估计基准进行比较。

实验结果

研究问题

• RQ1 哪一组简短的调查项目最能预测实验测得的个体债务风险规避？
• RQ2 该调查模块在预测实际选择时，其预测准确率与完整结构估计相比如何？
• RQ3 该调查模块在样本内与样本外的表现如何，体现在相关系数与平均绝对误差方面？
• RQ4 与既有的偏好测量工具（如GPS模块）相比，该调查模块表现如何？
• RQ5 该调查模块能否在非实验性、大规模调查研究中可靠地控制债务风险规避因素？

主要发现

• 该调查模块由两个李克特量表项目组成（Q1：'债务是当今生活不可或缺的一部分。' 和 Q2：'借钱没有任何借口。'），与实验测得的债务风险规避程度（γ）相关系数为0.3073。
• 该模块解释了债务风险规避参数约9.45%的方差（R² = 0.0945），表明样本内拟合程度中等但具有实际意义。
• k折交叉验证得出的平均绝对预测误差为0.0272，表明其具有出色的样本外预测表现。
• 基于调查模块的预测在89.76%的决策情境中正确预测了实际选择，与完整结构估计的91.48%相比，显示出近乎等效的预测能力。
• 尽管更简短且更专注于债务风险规避，该模块在预测质量上与GPS调查模块表现相当。
• 该模块对测量误差具有鲁棒性，其重测信度表现与既有的风险偏好和时间折现测量工具相当。