对幸福计量经济学的批判：我们是否低估了

我将其称为“焦点值”值得注意的是，到目前为止，这些焦点值在SWL文献中一直被忽视。按教育程度划分的分布显示出另一个显著特征。为了做到这一点，我使用了2011年至2012年的加拿大社区健康调查周期，这是一项年度横断面调查，其中包括一个11点的SWL问题。虽然这项调查包括较年轻的受访者，但我只调查了25岁以上的受访者。受教育程度仅记录在四个类别中：高中以下毕业生、高中毕业生、一些大专培训和完成的大专培训。记录第三类的受访者相对较少。图3显示了每个类别的响应分布。定性地说，我们可以说焦点值增强随教育程度的增加而单调减少，在最高类别中，没有两个额外的峰值，仅在SWL=8附近留下单峰分布，在SWL=0时略有增强。这表明，除了教育水平与总体生活满意度的某些内部表征或认知评估之间可能存在的关联外，不同教育水平的人在将满意度转化或投射到反应选项上的方式也存在差异。加权平均值显示在图3的每个面板中。高中毕业生的平均SWL略高于接受过一些高等教育（但没有大学学历）的学生。这可以反映Stutzer（2004）报告的非单调性，也可以反映目前调查中的偏差。如前所述，许多研究发现，SWL的功能形式和估计关系及其相关性在国家、文化和语言之间是一致的（Helliwell et al。

(2010); Exton、Smith和Vandendriessche（2015），但参见Lau、Cummins和Mcpherson（2005））。此外，各国的平均SWL差异很大，一些国家的平均值一直低至~3而其他人一直报告平均值接近8，生活条件解释了各国以及每个国家内的SWL差异。这些特征表明，不同生活环境的受访者对量表的解释和使用方式大致相当。然而，在最近将土著和非土著居民与印加达人进行比较的工作中，Barrington Leigh和Sloman（2016年）发现，土著受访者样本的平均值非常高，与加拿大其他人的平均值相似，尽管各群体之间在客观情况上存在巨大差异。此外，报告的收入与我们对土著样本的回归没有统计相关性。该研究中的数据来自三项加拿大调查：平等，0 1 2 3 4 5 6 7 8 9 10 N=17440<高中HSWLI=7.68±0.030 1 2 3 4 5 6 7 8 9 10 N=16739高中毕业HSWLI=7.92±0.030 1 2 3 4 5 6 8 10 SWL反应=3997一些中学后HSWLI=7.84±0.050 1 2 3 4 6 8 10 SWL反应=58761中学后HSWLI=8.04±0.01图。CCHS 11-12：SWL反应与教育。在CCHS中，教育分为四类。重点价值观的使用似乎随着教育程度的提高而减少。0.00.10.20.3原始ESC=7.91±0.100.00.10.20.3一般ESC=8.04±0.021 2 3 4 5 6 7 8 9 10生活满意度（SWL）0.00.10.20.3原始GSS=7.38±0.091 2 3 4 6 7 9 10生活满意度（SWL）0.00.10.20.3一般GSS=7.62±0.02图。4、加拿大人的生活满意度（左图）和整个人口的生活满意度（右图）。

原住民ESC是与一般ESC不同的样本，而标有“原住民GSS”的面板只是完整GSS样本的子集。安全和社区调查（ESC）；后续的加拿大大草原安多夫保护区第一民族和梅蒂斯人小样本（土著ESC）；以及第24周期的一般社会调查（详情见Barrington Leigh和Sloman，2016），其中包括保护区第一民族和梅提斯调查对象。如图4的第一个面板所示，土著ESC样本中SWL=10时的“增强”使其成为最常见的反应，可能在某种程度上解释了高平均报告SWL。事实上，这可能是首次报告的SWL分布在最高值上具有如此显著的响应。另一方面，大量的样本也有7、8或9个响应，每个响应的频率都高于SWL=5。下面，我将应用在更大的数据集上开发的方法，以查看是否可以对图4所示的结果以及在分析这些数据时发现的结果进行更多的了解。作为下一个第5节所述方法的最后一个实证动机，我在图5中展示了对生活满意度问题的回答分布，该问题的分辨率高于标准的11点格式。这些数据来自一项在线“vignette”调查，在该调查中，受访者根据对假设个人生活环境的简短描述来预测其生活满意度。这里需要注意的唯一相关特征是，虽然0-10标度的精度对受访者有影响，但根据整数值和半整数值，它似乎不同于回答的数量20406080100120回答图。5、在分辨率为0.1的量表上对SWB问题的回答的分布简化了自己的量表。

界面是一个滑块，它对任何特定值都没有偏好；换言之，受访者选择非整数答案而非整数答案的成本是纯粹的认知成本。事实上，如果受访者心中有一个特定的精度，大于0.1，那么观察到的焦点值的存在表明，为了将滑块精确地保留在半个或整个积分值上，付出了额外的努力。这可以被解释为有助于忠实交流精神结果的证据，其动机完全是出于自我表达的愿望。少数研究至少对焦点价值问题进行了评论，但没有完整的描述或解释。Landua（1992年）分析了德国社会经济小组的反应转移概率，Frick等人（2006年）证实了他的报告，即随着时间的推移，受访者有离开终点的趋势。事实上，这在很大程度上可能是由于小组参与者，尤其是那些计算能力低的参与者，对量表越来越熟悉和熟悉，焦点价值行为逐渐减弱。Dolan、Layard和Metcalfe（2011）提到，一项研究中的SWL评分与人们预期的生活环境呈正相关，但在量表的顶部除外，即“将生活满意度定为‘十分之十’的人比那些生活满意度为十分之九的人年龄大，收入少，受教育程度低。”他们推测这一观察结果的原因与认知局限性无关，但宣称“这个问题值得进一步研究”。

本论文可能完全解开这个谜团。3偏差的实证评估（启发式），目的是评估教育与焦点值使用之间的关联强度，并量化此响应行为引入规范（典型）SWL回归的偏差，与下文第§5节中描述的更具理论基础的框架相比，一些启发式经验方法是有用的，并且更容易估计。作为定量估计焦点值响应行为引入的偏差的一种方法，下面描述的启发式方法可作为与latermethod的比较点。然而，本文的主要贡献在于§5节的方法，匆忙的读者现在可以跳过这一节。本节的目的是模拟在反应的认知过程中没有任何优先选择焦点值的反事实情况下，生活满意度的非经典模型可能估计的结果。规范SWL估计对该问题的稳健性的第一个测试就是简单地放弃焦点价值响应，即所有给出SWL的受访者∈ {0，5，10}，并重新估计模型。这引入了许多新的偏差，但正如我们将看到的，描述SWL文献的一般结果对这种测试相对稳健。第二种方法与之类似：将回答空间缩小到焦点值。为此，我建议将观察到的11个调查响应值（CCHS数据）映射到新的3点标度：{0，1，2}-→ 0{3, 4, 5, 6, 7} -→ 5{8, 9, 10} -→ 10（1）3.1全响应分布建模第三种方法更为复杂，并引入了一种建模WL响应的新方法。

用于此目的的传统方法（如OLS、有序logit和有序probit）利用了关于响应量表每一步解释变量效应对称性的强大假设。后两种是离散选择模型，提供了对可能离散响应的全概率分布的估计。这意味着，对于每个个体，预测还包括一个完整的11点概率分布。然而，由于这些模型中假设的对称性，这些规范不足以解释预测因子（如焦点和非焦点响应值教育）的异质性影响。出于演示目的，这些加拿大数据在§4节中使用，相反，可以放宽响应选项的顺序性假设，并独立或几乎独立地建模每个响应的概率，仅受概率加起来等于1的约束。这样做可以明显看出教育对使用焦点价值的倾向的影响。这可以通过一个OLS或logit系统“看似未相关的回归”，然后是一个规范化步骤来实现。或者，可以使用多项式逻辑选择模型，这就是我所追求的方法。严格来说，这三个选项中的每一个都是错误的，因为多项式logit模型的不相关选项的形式独立性（IIA）假设被SWL问题的编号选项所破坏，并且OLS或logit方程系统生成的概率事后归一化掩盖了方程组的独立性。然而，在OLS和logit系统的情况下，这些概率归一化相对较小，而在多项式logit的应用中，IIA要求经常被忽略。

多项概率模型放松了IIA假设，但无法用于编码。实际上，所有这些方法都给出了类似的概率和边际效应估计。多项式logit模型在其潜变量公式中，由生成分数Y的方程组组成*i、 j针对每个i和响应选项j∈ {0…10}：Y*i、 0=β·xi+εY*i、 1=β·xi+ε·Y*i、 10=β·xi+ε（2），其中εj~ EV（0，1），即误差项具有标准的1型极值分布。个体i的预测响应是Y最大的j值*i、 j.如果上述方程式中的一个被视为“基本情况”，则每个个体的每个响应的概率已经完全确定。3.2使用修改响应分布的模拟数据使用单个受访者水平的估计概率分布，我修改概率，以“撤销”焦点值偏差。显然，这是一个有点特别的实验，但本文的目的是量化受访者使用焦点值的不同趋势所引入的偏差规模。我假设那些受到全面反应量表过度挑战的受访者会进行方程式（1）中给出的收缩。为了模拟这一过程的逆转，我利用了一个事实，即加拿大调查中的大多数预测分布在SWL=8左右有一个峰值。在个人反应概率分布中有明显证据表明存在焦点值增强的情况下，我重新分配概率以消除异常。特别是，1。如果PSWL=0>PSWL=1且PSWL=2>PSWL=1，则PSWL=0将减小到与PSWL=1.2匹配。如果PSWL=10>PSWL=9且PSWL=8>PSWL=9，则PSWL=10将减少，以匹配PSWL=9.3。

如果PSWL=5>PSWL=6，PSWL=5>PSWL=4，且PSWL=7>PSWL=6或PSWL=3>PSWL=4，则PSWL=5减少为PSWL=4和PSWL=6的平均值。这些条件相当于检测到多模态分布。在每种情况下，通过重新规范化方程（1）左侧的每组，将移除的分量重新分布到相邻值，从而使其在分布中的和保持不变。使用这些在个人层面上计算的修改后的分布，通过适当地为每个Hindividual绘制单个响应来创建新的模拟数据集。该模拟反事实数据集可用于SWL的规范估计，以便与真实数据进行比较。我对数据集进行多次乘法（引导），以确保标准错误是由数据中的变化而不是模拟过程引起的。4启发式评估结果§2节介绍了取自2011-2012年加拿大社区健康调查周期的数据。生活满意度根据2个规范进行建模。其中一个指标包括性别、年龄的二次方、家庭收入的对数、婚姻状况的一个指标、劳动力市场状况的两个指标、移民的一个指标以及被视为连续变量的教育程度指标。另一方面，仅包括教育和收入，以关注§1.3节中讨论的影响。25岁及以上人群的教育水平分布以及每个教育子样本的相应SWL分布如图3所示。4.1多项式logit估计教育效果的主要估计如图6左面板所示。这些都是平均边际效应，即教育程度提高一步（例如高中毕业）对每个SWL问题的回答概率的影响。

原则上，人们可能会认为，随着反应值的增加，系数会单调上升，因为收入或教育水平越高，对生活评价的预测越强。由于解释变量之间的相关性，实际模式可能稍微复杂一些。除了焦点响应值0、5和10之外，这种边缘效应在SWL响应中是非负的，并且呈弱增长。相比之下，对局部价值反应的影响具有很高的统计显著性，负向值远远低于基于相邻价值模式的预期值。他们表明，更多的教育显著降低了每个解释变量的每个焦点的概率，对概率的所有边际影响的总和必须是贝塞罗。图6：。教育和收入对反应概率的边际影响。多项式logit估计个体对生命评估问题做出每个可能反应的概率。对于教育而言，除了0、5和10的例外值外，边际效应表现出一种随响应值增加而增加的增长模式。这表明教育是一个重要的预测因素，可以预测人们对焦点价值的反应趋势。误差条表示95%的置信区间。值响应。虽然准确估计了这些影响，但这些影响并不是压倒性的；PSWL=9和PSWL=10的边缘效应之间的差异略高于3%。相比之下，总体而言，原始数据表明PSWL=10比PSWL=9高19%，教育变量的标准偏差为1.2。因此，该估计不能解释在响应分布中观察到的整个焦值增强。

这并不奇怪，因为正规教育只能被视为是处理11分反应量表所需的计算能力或认知能力的弱代理。事实上，如果没有更具结构性的模型，就很难解释图6中的效应，即使它们显示了一个显著的模式，因为对于边际效应的趋势作为成功响应值的函数没有先验的预期。这是因为变量之间可能存在复杂的相关性。事实上，放松响应选项之间的顺序性假设是首先使用多项式logit模型的动机。另一方面，该模型确实成功预测了焦点价值响应的显著增强。这允许采用§3.2节中所述的方法，其中预测概率被修改为“撤销”方程式（1）的收缩，目的是估计收缩产生的偏差。如果仅使用教育变量作为预测变量来估计模型，则结果显示基本相同的模式，对焦点值的影响更大。然而，在这种情况下，也可以排除SWL边缘效应的单调性≤6，甚至不包括焦点值。0.0 0.1 0.2 0.3 0.4 0.5 0.6调查（OLS）调查（mlogit）p模拟（mlogit）无焦点（OLS）塌陷为焦点（OLS）修改的p模拟（mlogit）LNHH收入-0.015-0.010-0.005 0.000 0.005 0.010survey（OLS）survey（mlogit）p-simulation（mlogit）no focal（OLS）collapsed to focal（OLS）Modifiedy-p simulation（mlogit）education4Fig。对预期生活满意度的边际影响。