智能分數分為四等份結果

‧

N(0) 4.9999 Decay Parameters

ψ 0.6312 Imagination Factor

δ 0.5550 Payoff Sensitivity

λ 2.9311

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

47

第五章、結論

5.1 結論

經濟學家以選美賽局實驗，來驗證理論，發現多期的賽局，並不如理論所述，

發現在第一期時的行為，經常遠離均衡點，而且隨著時間的經過，選擇才會漸漸 收斂至均衡，因此紛紛開始提出各種學習模型來解釋學習的行為，而在研究學習 行為上，選美競賽賽局是非常有用的，因為其不會立刻地收斂，使能夠研究觀察 整個學習動態的過程。

在較早的實證中，這些解釋受測者在選美競賽賽局裡的學習行為理論與假說，

常常未納入與智能有關的分析，但在之後的研究中，智能與受測者在選美競賽賽 局的行為策略上的相關性，成為一個常被關注的議題，但在這些過去的研究，一 直都是直接觀察實際猜測行為與智能表現之間的關係，並未直接關注於學型模型 與智能之間的關係，來解釋智能表現對於行為策略的相關性，因此本研究才著重 於將智能與學習模型估計的結合。

本文參照過去文獻的選美競賽的實驗設計與方法，獲得真人實驗資料，並且 參照 Camerer and Ho(1999)方式處理這些資料，接著以經驗加權吸引模型來解釋 學習行為，在學習模型上，本文使用最大概似估計法，估計行為參數，作為實證 上的驗證。此外，在實驗上，為了取得受測者智能的資料，也實行了五個實驗，

分別為逆序記憶廣度作業(Backward Digit-Span Task)、空間短期記憶測驗(Spatial Short-Term Memory Test)、記憶更新作業(Memory Updating Task)、語句判斷作業 (Sentence-Span Task)以及運算廣度作業(Operation-Span Task)，這些工作記憶測驗 所得到的標準化分數，將被使用來作為資料的劃分，以獲得高智能與低智能受者 的資料，並將之與學習模型結合，以驗證智能對於學習行為的影響。分析之後的 結果得到如下幾個結論：

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

48

一、智力與學習行為的關聯性

從實證資料中，可以發現每一期選擇的平均，高智能受測者皆比低智能受測 者低，這代表高智能受測者所猜測的數字更靠近均衡，這與 Burnham et al. (2009) 的結果相當類似，且除了第二期及第四期外，猜測的分布相對於低智能受測者較 密集，這也與 Schnusenberg and Gallo (2011)的結果有些許雷同，雖然此篇文獻，

只發現在第一期時，高智能受測者猜測的分布相對於低智能者較密集。此外，本 文也觀察到高智能受測者在初期時對於低智能受測者的勝率差距並不大，但到了 最後一期時，高低智能分數受測者之間的差距，卻是相當明顯，也就是說智能高 的人，可能在學習速度上，比智能低的人來得更快速。

在學習模型參數估計上，低智能的受測者在初始吸引部分，所估計的分配結 果會與之後期間的分配較不相似，這可能代表著低智能的受測者，對於類似賽局 實驗以及此實驗的分析或想像較差；在ψ的參數估計上，低智能所估計結果小於 高智能，以理論而言，由於低智能的初始吸引與最後一期猜測的分配較不相似，

所以會遞減較快，也就是說會小於高智能所估計的結果，並且這也表示低智能受 測者，對於之前吸引遞減較快，遺忘地較快。在δ的部分，高智能的受測者明顯 地大於低智能的受測者，這表示高智能的受測者，對於失去的報酬比較敏感，會 較關心沒有選擇到的數字所能得到的報酬；此外，本文認為這也隱含低智能受測 者的行為較偏向強化學習，比較缺乏認知能力以及較為受限的推論能力，而高智 能受測者的行為，則較偏向信念學習，較有認知能力去了解現存對手，並意識到 對手的行為對於報酬的影響(Stahl,2000;Chen,2012)。在 N(0)的部分，高智能受測 者，稍微較大，這說明實驗前信念(經驗)權重較大；ρ 的部分，高智能受測者也 大於低智能受測者的結果，這代表高智能受測者，在對於實驗前信念(經驗)的部 分會遞減的較慢，從這些參數之間的差異，就可以發現高低智能，在行為參數上，

的確是有其差異的存在，而本文的對於數值上差異檢定的結果，也更加的說明之 間的異質性，但在受測者對於吸引敏感度λ的參數部分，本研究發現，此兩類受

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

49

測者並無太大差異，也就代表著智商高低，可能不是影響人們對於吸引敏感度的 原因。此外，本文以智能將資料劃分得更細微(從三等分至四等分)，可以見到更 為明顯的結果。

二、初始吸引的設定

本文試著去設定一些初始吸引的分配，分別為類似均勻分配 Uni(0,1)的模型 一、及兩個類似貝他分配 Beta(2,2)的模型二和 Beta(2,5)的模型三，來比較不同的 初始吸引，是否對其他參數的估計會有影響。從結果可看出 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，也就是數值上的差異，

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，其理由為像是δ 及 ρ 這兩個介於 0 至 1 之間的參數，並不會 因為初始吸引分配而翻轉，ρ 值就從原本遞減較慢變為遞減較快，而 δ 從原本遞 減較快變為遞減較慢，而其他參數方面，也未見明顯的改變，本研究以概似比檢 定，來檢驗此論述，也發現同樣的結果。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。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

50