Belief Identification by Proxy

主观信念的识别是经济学中的核心问题，可追溯至 Ramsey (1931)、de Finetti (1937) 和 Savage (1954) 的奠基性工作。然而一个根本性的识别难题长期悬而未决：除非外生地假设效用函数具有状态独立性（state-independent utility），否则无法通过传统的选择数据（即观测赌博行为）识别个体信念。这一问题在实际应用中广泛存在——在保险决策、法律判断、医疗选择、健康政策以及动机信念（motivated beliefs）研究中，决策者的效用通常依赖于状态，导致信念测量与效用偏好相互混淆。

该文提出了一个简洁而巧妙的方法来解决这一长期难题。核心思路类似于计量经济学中的工具变量（instrumental variables）方法：通过引入一个「代理变量」（proxy）来扩展状态空间，该代理变量的关键特征是——在给定原始状态空间中的每个状态下，决策者对代理变量的实现没有任何利害关系（no stakes）。这一特性使得研究者能够使用标准的信念诱导机制（如二元化评分规则）识别代理变量在每个原始状态下的条件信念分布。主要识别定理（Theorem 1）证明：当代理变量与原始状态相关（即满足相关性条件，类似于 IV 的 relevance）时，可通过对条件信念矩阵求逆，从已识别的条件信念中间接唯一地恢复出原始状态空间上的实际信念。

该方法具有显著的实用优势。与文献中已有的其他解决方案（如要求观测二阶信念、利用非传统选择数据、或依赖复杂的实验设计）相比，代理变量方法仅需标准的单主体选择数据，对数据的额外要求最小。代理变量的选择极其灵活：几乎任何包含与目标状态相关信息且不对决策者产生条件利害的信号源均可作为代理——专家预测、民意调查结果、媒体报道、临床试验分组、甚至通过混合噪声人为构造的「扭曲信号」都可以胜任。该文的决策论基础（Section 6）为代理变量的识别力提供了公理化刻画，明确区分了外生假设和可检验假设。实际应用部分展示了该方法如何在政治信念的动机研究中分离「真实过度自信」与「状态依存偏好导致的测量误差」，以及在金融分析师预测中处理因未观测到的投资组合带来的隐性对冲机会所导致的识别困难。