假新闻效应：实验识别动机推理

特别地，我们将方程（2）修改如下：logit P（θ| x）=logit P（θ）+logP（x |θ）P（x |θ）！+ν（m（θ）- m（θ））+, （3） 在哪里 ~ N（0，~n）。代理更新时会产生噪声，这取决于信号结构，但与动机无关。噪声项为正态分布，其标准偏差为敏感性的新定义。C.1 WTP小组详细信息在第12轮中，一半的受试者被告知他们将收到通常的信息或在“大于”/“小于”字样上方带有黑条的信息，并给出了黑条信息的示例。然后要求他们的WTP删除邮件中的黑条。WTP由标准的贝克尔-德根-马尔沙克机制引发。支付单位为积分；实验中所有回合的平均分决定了在实验中赢得10美元奖金的概率。受试者可以选择任何一种情况。如果敏感性假设为线性，则很难从动机函数的线性倍数中识别出该线性倍数，这就是为什么这里不引入额外参数的原因。为了简单起见，使用了普通噪声，而且选择是相当随意的。当假设整个区域的噪声均匀时，结果在质量上是相同的[-比如说。更严格地说，这一轮的新闻评估分数会加分或减分。估值介于-25点和25点之间。然后在-25到25之间随机选择一个非整数。如果这个数字大于估值，则将其添加到下一页的分数上，受试者会看到一个黑条；否则，将不添加任何点，并显示标准消息。受试者还被告知，正数表示他们更喜欢看到信息，而负数表示他们不喜欢。

由于受试者在回答这个问题后很快就能找到真正的答案，因此WTP似乎是一个合理的信号评估指标。C.2易感性和信息需求本小节旨在使用评估和信息需求（WTP）中的方差来表明易感性，а，是积极的，并论证受试者不知道他们的方向性动机推理。这使用了等式（3）中的参数化；在这种情况下，敏感性可以通过使用噪声的标准偏差来经验定义，以更新缺乏动机推理的主题。这项测试有助于表明易感性为阳性，预期易感性为阳性。如果φ=0，受试者的WTP=0，且不会改变他们的答案。如果受试者的期望值为0，但实际值大于0，则他们的WTP=0，但答案各不相同。如果受试者希望有魟>0且确实有魟>0，但没有意识到这是一个错误，那么他们将有积极的WTP，因为他们希望用消息来表现。同时，没有证据表明受试者意识到他们的政治动机推理的动机部分。在WTP中，这与政治化和中立的新闻不同：如果受试者希望有动机地对政治化新闻进行推理，并且这会导致表现不佳，那么他们对这些信号的WTP会更低。表8显示，受试者的WTP是积极的，对于政治化的人来说并不小。党派之争并不会导致政治化主题信息的WTP大幅增加。

然而，之前评估的较大标准差与WTP高度相关，表明受试者希望发现这些信息有用。WTP问题有三个主要观察结果，都表明受试者根据其感知到的预期有用性为信息付费，但不重要的是，这些受试者没有被要求进行二次猜测，因此信息的唯一价值在于推断新闻来源的真实性。意识到政治动机推理的影响：1。对于政治化和中立的话题，WTP显著大于零，这表明受试者确实希望信息具有信息性。2.WTP类似于政治化和中性话题；也就是说，在这种环境下，没有证据表明道德摇摆或意识到有动机的推理。3.WTP显著增加了P的方差（真实信息）；也就是说，受试者意识到他们的信仰易感性。C.3结构估计利用上述敏感性定义，可以对方程（3）进行分析性结构估计。特别是，我们将线性动力函数miq（θq）=miq·θq限定为受试者更新过程中噪声的标准偏差，如上所述。在以下假设下，我们可以将miqup估计为线性倍数：1。对于中性话题，miq（θq）=0。这允许通过对中性主题的评估差异来识别。2.在问题和个人之间固定。

前者假设噪声是先验和信号可能性的函数，而不是信息的主题或方向；这一假设对于分别识别miq（θq）和ν是必要的。这一假设假设，受试者在考虑动机之前，首先将他们的φ设置为真实可能性的函数，然后才对更新产生偏见。如果允许不同个体之间存在差异，则模型是完全确定的，且估计值不稳定。假设受试者具有正态分布的先验知识，方程（3）可以重写：iq=logit aiq- 罗吉特^皮酒店- ^^miqRiq，在哪里智商~ N（0，^k）是iid，同样，它显著增加了上述第1点中受试者预期分数的测量值。也就是说，对于每个问题，φ（大于IQ）=φ（小于messageiq），但这只是因为接收每个信号的概率是1/2。例如，对于恰好对三个中性问题进行了相同评估的代理，不存在最大似然估计，因为当|iis任意小而|miq |任意大时，就达到了可能性的上限。其中带帽变量是要估计的变量，其中Riq≡ Ei[θq |θq>uq]- Ei[θq |θq<uq]与受试者的上限和下限猜测之间的差异成正比。也就是说，我们将以下对数似然函数最大化：Xi，qlog fiq=IQ log（2π）log^~n+2^~nXi“Xn（logit ain- logit^pi）+Xy（logit aiy- 罗吉特^皮酒店- ^^miyry）#，（4）其中i=1，I为受试者编制索引，q=1，Q索引所有问题，y=1，i指数激励问题，n=1，N索引中性问题。为了最大化对数似然，我们对参数^miq、logit^pi和^~n取偏导数，并得出以下估计：^miy=logit aiy- 罗吉特·皮里。logit^pi=NXnlogit ain^~n=IQXi，n（logit ain- 罗吉特^pi）。

（5） 估计的动机与logit评估和logit先验之间的变化以及易感性的降低成正比。估计的先验知识等于中性问题的平均逻辑评估。估算的敏感性是关于先验^pi的Aiqa的二次矩之和除以总I·Q。对于所讨论的每个I和Q，我们求解方程（5）中的方程组。^^估计值为0.47，平均估计值为0.58。铃鼓≡ （上界）- 下限（IQ）·√πErfc-1(1/2)≈ （上界）- 下限q）·1.183，其中Erfc-1是逆互补误差函数。从技术上讲，这些是“气”、“意”和“倪”，因为一些受试者碰巧看到的问题数量略有不同。我并不是为了使结构估计方程更容易理解而编制索引。详情见附录C.5。我们除以I·Q而不是I·N，因为在最大化可能性的过程中，每个政治化问题完全是通过动机而不是易感性来解释后验差异。这一特征取决于所选择的动机函数。C.4比较问题中的估计动机，按主题分类的结果与简化形式的测量结果在质量上相似。我们使用主要预测的三种变体在表9中看到了这一点。首先，几乎每一个问题上，估计动机的迹象都与表1中的假设方向一致。其次，在几乎每个问题的假设方向上，支持代表和支持代表的受试者的估计动机是不同的。第三，估计动机与几乎每个问题的初始猜测都呈正相关。一般来说，线性动机的斜率没有解释，就像线性效用函数的斜率没有解释一样。然而，我们可以相互比较情绪斜率。

例如，平均| mi，难民和犯罪|为0.045，平均| mi，奥巴马和犯罪|为0.126，平均| mi，枪支和犯罪|为0.026。这表明，由于德国的难民法，巴拉克·奥巴马治下的犯罪率增加1个单位，其权重大约是犯罪率增加1个单位的三倍，而澳大利亚的枪支法之后，其权重是犯罪率增加1个单位的五倍。鉴于这些问题的数量级不同，这一发现表明，犯罪变化的信号比受害者的数量更重要。C.5结构估算计算细节称为对数似然：Xi，qlog fiq=IQ log（2π）log^~n+2^~nXi“Xn（logit ain- logit^pi）+Xy（logit aiy- 罗吉特^皮酒店- ^^miyry）#，其中i=1，I为受试者编制索引，q=1，Q索引所有问题，y=1，i指数激励问题，n=1。

N索引中性问题。我们解决关于^miq的问题： （Plog fiq） ^miq=0=2^(-2^^Riy（后勤所有）- 罗吉特^皮酒店- ^^miyry）=0==> ^miy=logit aiy- 由于极端的异常值，logit^pi^riymotions在5%的水平上获胜。关于罗吉特o皮： （Plog fiq）（logit^pi）=0=2^-Xn2（洛吉特艾因酒店- 罗吉特（伊皮）-Xy2（后勤）- 罗吉特^皮酒店- ^^miyry）#==> logit^pi=Q“Xqlogit aiq- ^^Xy^miyry#。插入由中性评估确定的先验信息：logit^pi=NXnlogit ain。关于^И的解决： （Plog fiq） ^~n=0=IQ^~n-Xi“^^Xn（洛吉特艾因）- 罗吉特^pi）+罗吉特^Xy[（罗吉特所有）- 罗吉特（罗吉特艾伊）- 罗吉特^皮酒店- ^^miyry）]#==> 智商+席，Y·米利- 罗吉特（伊皮）^φ-Xi“Xn（罗吉特艾因）- 罗吉特（伊皮）-Xy（后勤部）- logit^pi）#=0==> ^φ = -2IQXi，y^miyry（后勤部）- 罗吉特^pi）+vuuut2IQXi，y^miyry（后勤部）- 罗吉特（伊皮）+IQXi，q（洛吉特aiq）- 罗吉特^pi）。插入对^miyand^Pis的估计值可以大大简化这一点，并表明^也完全由中性评估确定：^^^=IQXi，n罗吉特艾因酒店-NXi，nlogit ain=伊克西，n（洛吉特）- 罗吉特^pi）。表8：支付意愿的决定因素（1）（2）（3）（4）政治化话题0.572 0.576（1.722）（1.723）评估标准差18.187 18.190 18.928（8.377）（8.403）（8.472）问题FE否否否否否对象控制是是是服务482 482 482R0。03 0.04 0.04 0.06括号内的平均9.257 9.257 9.257 9.257标准误差注：OLS，稳健标准误差。因变量为支付意愿；这发生在第12轮。包括不同的派对主题。控制因素：种族、性别、原木（收入）、教育（年数）、宗教信仰，以及2016年州政府是否投票支持特朗普或克林顿。党派之争是共和党和民主党之间的绝对差异。评估SD是受试者在所有其他轮中的新闻真实性评估的标准偏差。

表1中定义了政治化主题。表9：估计动机：按方向、按党派和按优先权。方向Pro-R与Pro-D的区别。（0.7）（0.0）种族（0.001）种族（0.001）种族（0.001）美国（0.001）美国）奥巴马犯罪（0.01）奥巴马犯罪（美国）奥巴马犯罪（美国）奥巴马犯罪（美国）奥巴马犯罪（奥巴马）人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口人口0.002）（0.001）介质主题0.000 0.015 0.018（0.004）（0.009）（0.004）代表评分主题0.028 0.069 0.022（0.006）（0.014）（0.006）Dem评分主题0.032 0.051 0.024（0.006）（0.013）（0.006）自己的表现主题0.007 0.013（0.003）（0.003）问题FE否是的保留8765括号中的标准错误注：对于每个主题，估计动机按5%的水平分类。如果上界和下界相等，则会放弃观测，因为没有有效的估计。列对应于不同的自变量和因变量。第1列按表1中假设的方向测量问题估计的平均动机。估计动机乘以1表示赞成动机，乘以-1表示反对动机。第2列将每个问题的预测动机回归到一个假人上，乘以表1中的方向。第3栏根据每个问题的初始猜测的z分数回归估计动机；猜测在5%的水平上获胜。D在线附录：ReplicationI为本文的发现预先注册了一份副本。我把它和一种减债治疗结合起来；复制测试样本中的对照组是否满足本实验的假设。

本节报告了泰勒（2019年）预分析计划中规定的所有复制结果。复制样本和原始样本之间存在一些差异。复制大约在一年后，即2019年7月8日至9日进行。复制问题包括原始问题的附加主题和变体。没有中立的问题。样本包括从亚马逊的Mechanical平台招募的1050名受试者，这些受试者通过了与原始实验类似的预先指定的理解检查。在复制样本中，有982名受试者支持Rep或Pro Dem，这些受试者对政治化话题进行了5314次新闻真实性评估。D.1主要结果最重要的主要结果都是强烈重复的。如表10第一列所示，受试者对亲党新闻的评价在统计学上显著高于对反党新闻的评价（p<0.001）。第二栏显示，这种差距在党派之争中正在扩大（p=0.006）。下一个最重要的主要结果是强烈重复的。表10显示，受试者对FakeNews的评价在统计学上显著高于对真实新闻的评价。这适用于亲党/反党新闻不受控制的情况（第3栏），以及亲党/反党新闻受控制的情况（第4栏）；这两个结果在p<0.001时具有统计学意义。动机推理的主要替代指标是暗示性复制。特别是，增加了两个新的政治化话题：工资增长和医疗保健。

在六个政治化话题中，受试者收到的原始问题版本略有不同。在复制过程中，系数较小，这在很大程度上是由于新增加的问题。对于与原始研究措辞完全相同的问题，治疗效果为7.1个百分点（即1.2个百分点）。在其他政治化问题上，治疗效果为3.5个百分点（s.e.1.0个百分点）。在最初的问题中，以下主题在预测方向上的影响显著（p<0.05）：气候变化、种族、难民、枪支法、政党表现、自身表现。在p<0.05时，对以下主题的影响不显著：奥巴马与犯罪、性别、媒体。如表11第一列所示，结果表明，与反党信息相比，受试者更倾向于向亲党信息的方向更新（p=0.055）。第三栏显示，正如第4.4节所述，这种差异消失了，新闻真实性评估指标是受控制的。D.2次要结果表现不佳的结果（未在正文中讨论）被强烈复制。受试者在政治化新闻评估中平均得分为66.3分（s.e.0.4分），在绩效新闻评估中平均得分为65.5分（s.e.1.6分）。这两项得分在统计学上都显著低于75分，即如果受试者回答“信息来自真实新闻的概率为5/10”（p<0.001），他们将获得的分数。结果表明，受试者的置信区间过于精确，这一结果得到了强烈的复制。在政治化话题上，受试者50%的置信区间包含44.1%的正确答案（s.e.0.8%）；这在统计学上与50%有显著差异（p<0.001）。