第四章、 實證結果
4.3 初始吸引
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
37
4.3 初始吸引
4.3.1 初始吸引設定參數估計結果
初始吸引的估計，始終存在著一些爭議；在過去，初始吸引的選取一般都根 據報酬多寡來給定，通常以該選擇的平均報酬當作初始吸引，但是以報酬來決定 初始吸引，似乎有些許不恰當，本文在估計時，也沒有例外，因此本文試著去設 定一些初始吸引的分配，來比較不同的初始吸引，是否對其他參數的估計會有影 響。本文共設立了三種模型，分別為類似均勻分配Uni(0,1)2的模型一、及類似 Beta(2,2)的模型二和Beta(2,5)的模型三，圖4.6為初始吸引所設定的點，從圖中可 看出這三種設定的差異極大模型一最為平坦，模型三最為陡峭。
圖 4.6：初始吸引設定圖
本文以人為設定10個點，將初始吸引所設定的點繪製於圖4.6，以三個分配 抽出10個點，來代替所要估計的十個初始吸引估計參數值(表4.6為各分配初始吸 引所設定的數值)，所以本文在這部分的估計上，只會估計五個參數值，分別為 N(0)、ψ、ρ、δ及λ，其他參數的限制設定仍然一樣，參數估計的結果如表4.7。
2此處並無機率概念，也就是所給定的 10 個初始吸引點的連線會構成類似如三個分配的機率密度
分配的圖形，只是一個簡單的概念。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
38
表 4.6：各模型初始吸引數值
從表4.7可看出N(0)、ψ、ρ、δ及λ，這五個參數上，在不同的初始吸引分配，
會有些許的變化(數值上的差異)，但本研究認為，就算初始吸引的分配差異很大，
如模型一與模型三，也無法導致整個策略行為逆轉，像是δ及ρ這兩個介於0至1 之間的參數，並不會因為初始吸引分配有極大差異的，ρ值就從原本遞減較慢(大 於0.5)變為遞減較快(小於0.5)，而δ從原本遞減較快(小於0.5)變為遞減較慢(大於 0.5)，而其他參數方面，也未見明顯的改變，雖然這些參數值，單純以數值來看，
都會有些微的差異，而在下一小節本研究，也將採用概似比檢定，來檢驗此論述。
此外，本文也試圖從這些不同初始吸引分配設定中，找出所估計參數的規則，以 尋找不同的學習行為，但從估計結果來看，並無強烈的證據顯示，其變動的規則。
參數 模型一 模型二 模型三
數值
𝑨𝟏(𝟎) 1.0000 0.4959 1.8628 𝑨𝟐(𝟎) 1.0000 0.8926 2.4443 𝑨𝟑(𝟎) 1.0000 1.1901 2.2890 𝑨𝟒(𝟎) 1.0000 1.3884 1.7890 𝑨𝟓(𝟎) 1.0000 1.4876 1.2071 𝑨𝟔(𝟎) 1.0000 1.4876 0.6985 𝑨𝟕(𝟎) 1.0000 1.3884 0.3338 𝑨𝟖(𝟎) 1.0000 1.1901 0.1207 𝑨𝟗(𝟎) 1.0000 0.8926 0.0268 𝑨𝟏𝟎(𝟎) 1.0000 0.4959 0.0019
‧
初始吸引設定為 Uni(0,1)及 Beta(2,2)的模型下，不拒絕虛無假設，這也代表著在 初始吸引設定上，除非跟估計出來的初始吸引的分配有極大落差，否則沒有證據 顯示估計初始吸引的模型是比較好的模型，這也更加的驗證本文在上一章節的結 論，但在 Beta(2,5)的模型中，則是拒絕虛無假設；此外，若將信心水準放寬至 99%，則此三種設定，皆不拒絕虛無假設。參數 模型一 模型二 模型三
Initial Values
N(0) 4.8928 Decay Parameters
ψ 0.5219 Imagination Factor
δ 0.4523 Payoff Sensitivity
λ 2.9072
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
41