因此,在一次试验后,有8种可能的最终财富(点的内绿色圆圈),在两次试验后,有64种可能的最终财富(外绿色圆圈)。通过计划评估树木在时间、工作记忆和代谢能量方面的计算代价很高。然而,有一些证据表明,人类可以通过基于模型的认知系统部分搜索这种大小的树,该系统评估基于状态的选项序列偶然性44,45。根据现有证据,基于树的搜索的性能似乎随着深度的增加而急剧下降,深度为5(分支因子为2)是达到区分最佳结果的机会性能的点。在补充图6a所示的简化游戏中,受试者在两次试验后评估最终财富时,可能会有机会表现出来。根据Goldstein的计算,对数效用的受试者在重复加法游戏中风险规避参数的变化,提前搜索两次试验(对于他的设置)将导致大约只有2%的变化,下降到0.98。这种风险厌恶程度的变化不足以解释观察到的风险厌恶程度的变化(图3k)。在这种短视的搜索能力下,Goldsteinresult提出的多周期模型导致风险规避的变化,其规模与图3c(下图)中所示的规模相当。计算开销随搜索深度呈指数增长。例如,为了提前搜索4个试验,Supp图6b显示必须评估1536个TerminalWealth。即使在认知上可以评估一棵树的这么多节点,但事实并非如此,那么风险厌恶感也只会下降约5%。这个实验的实际游戏树。
|