|
接下来,对每个受试者,这些标准化的猜测进行平均(并重新标准化),以评估其信念的正确性。我将该值与亲Rep新闻评估和亲Dem新闻评估之间的标准化平均差异相关联。使用R,新闻评估中的变异解释了13%的变异。相比之下,本实验收集的所有非政治人口统计数据——年龄、性别、种族、教育程度、记录的收入、是否信仰宗教,以及是否来自2016年投票给特朗普或克林顿的州——解释了7%的信仰差异。这表明,在预测信念方面,我对激励因素的衡量至少与经常讨论的人口统计学表现一样好。其次,有动机的推理有助于解释由于错误校准的置信区间而导致的特定形式的过度准确。特别是,我们假设激励因素形成了有方向性偏差的信念分布,从而导致他们过度估计答案在其置信区间内的概率。这样一个故事意味着,对于政治化的人来说,过分精确比中立的人更为严重,对于党派的人来说,过分精确比温和派的人更为严重:尽管这可能仅仅是由于MTurksample的不代表性,以及以党派为条件。例如,在这个样本中,只有76%的共和党人支持特朗普总统的表现;在同一时间(6月25日至7月1日)进行的盖洛普民意调查中,87%的受访者认可他的表现(盖洛普2018)。这些都是未经调整的值。
|