📈 economics

Dynamic Non-Bayesian Persuasion

该论文证明，当接收者非贝叶斯更新信念时，发送者可通过动态序列实验获得比静态实验更高的收益，并指出“可分性”是区分发送者在静态与动态劝说中收益是否无差异的关键特征。

原作者： Masanori Kobayashi

发布于 2026-04-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Masanori Kobayashi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章探讨了一个非常有趣的问题：在说服别人时，是“一次性把话说完”好，还是“分步骤慢慢说”好？

为了让你轻松理解，我们把这篇学术文章里的复杂概念，变成一个关于**“推销员（发送者）”和“挑剔的顾客（接收者）”**的故事。

1. 故事背景：推销员与挑剔的顾客

想象你是一名推销员（发送者），你想让一位顾客（接收者）买你的产品。

传统观点（贝叶斯理性人）： 以前经济学家认为，顾客是完美的逻辑学家。无论你是一次性给他看所有证据，还是分十次给他看，只要证据的总内容一样，他最后的判断（买或不买）应该是一样的。所以，推销员没必要费心搞“分步推销”，一次性说完就行。
现实情况（非贝叶斯人）： 但现实中的顾客并不完美。他们会有偏见，会记性不好，或者对某些信息反应过度/不足。比如，他们可能更相信第一印象，或者容易忽略基础概率（比如觉得中奖率很高，其实很低）。

这篇文章的核心问题就是： 如果顾客是个“有偏见、不完美”的人，推销员分步骤（动态）说服，能不能比一次性（静态）说服赚更多的钱？

2. 核心发现：什么时候“分步走”有用？

作者发现，这取决于顾客的**“更新规则”**（即他如何根据新信息改变想法）：

情况 A：顾客是“几何扭曲型”（Divisible）

有些顾客的偏见非常有规律。比如，他们总是把新信息的重要性打一个固定的折扣（比如总是觉得新消息只有一半可信），或者总是把旧印象放大固定的倍数。

比喻： 想象顾客戴着一副度数固定的墨镜。无论你是一次性给他看一张大图，还是分十次给他看十张小图，这副墨镜把画面扭曲的方式是完全一致的。
结论： 在这种情况下，“分步走”和“一次性说完”效果完全一样。推销员不需要费心搞复杂的分步策略，直接一次性说完最省事，因为结果不会变。

情况 B：顾客是“线性反应不足型”（Linear Underreaction）

有些顾客的偏见比较“死板”。比如，他们总是把新信息和旧印象平均一下。如果你告诉他“这产品很好”，他可能只信一半，另一半还停留在“这产品一般”的旧印象里。

比喻： 想象顾客的大脑像一个混音台。每次新信息进来，他都会把新声音和旧声音混在一起。
- 如果你一次性给他所有证据，他可能因为旧印象太重，直接忽略了新证据。
- 但如果你分步来：先给一点点证据，让他稍微改变一点想法；再给第二点证据，这时候他的“旧印象”已经变了，对新证据的反应也会不同。通过这种“温水煮青蛙”的方式，你可以把他引导到一个完全不同的结论上。
结论： 在这种情况下，“分步走”能带来巨大的优势。推销员可以通过精心设计的步骤，利用顾客的偏见，让他做出原本不会做的决定。

3. 文章的主要贡献：划清界限

这篇文章最厉害的地方在于，它不仅仅说了“有时候有用”，而是给出了一个精确的数学公式（称为“可分性 Divisibility"），用来判断什么时候可以用简单的“一次性策略”，什么时候必须用复杂的“分步策略”。

如果顾客的更新规则符合“可分性”： 就像戴固定墨镜的人，你随便怎么给信息，结果都一样。这时候，偷懒（用静态策略）是完全没有损失的。
如果不符合： 就像那个混音台，分步策略能帮你绕过他的防御机制，这时候必须用动态策略。

4. 举个具体的例子（法官与检察官）

文章里用了一个经典的“法官 - 检察官”例子：

场景： 检察官想说服法官判被告有罪。法官如果认为被告有罪的概率超过 50%，就会判有罪。
如果法官有“基础率忽视”（Base-rate neglect）： 法官容易忽略初始概率，只盯着新证据。
- 静态： 检察官一次性给证据，法官可能还是觉得证据不够。
- 动态： 检察官先给一点点无关痛痒的信息，让法官的“心理基准”慢慢漂移，然后再给关键证据。这时候，法官对新证据的反应会完全不同，更容易被判有罪。
结果： 只要法官的偏见符合“几何扭曲”（比如只是单纯地高估或低估证据权重），分步和一次性没区别；但如果法官是“线性反应不足”（总是把新旧信息平均），分步策略就能让检察官大获全胜。

5. 总结：这对我们意味着什么？

这篇文章告诉我们，在信息设计（比如广告、政治宣传、甚至日常沟通）中：

不要想当然： 如果你面对的是一个有特定类型偏见（如线性反应不足）的人，“慢慢来”确实比“一口气说完”更有效。
识别偏见类型： 关键在于识别对方是如何处理信息的。如果对方的偏见是“乘法性质”的（几何扭曲），那怎么给信息都行；如果对方的偏见是“加法/平均性质”的（线性反应不足），那么时机和顺序就是决定胜负的关键。
简化工作： 对于大多数符合“可分性”的常见偏见模型，我们可以放心地使用简单的“一次性说服”模型，不需要把问题搞得太复杂，因为结果是一样的。

一句话总结：
如果对方的偏见像固定的滤镜，你怎么给信息都没区别；如果对方的偏见像不断混合的颜料，那么分步给料就能调出你意想不到的颜色（结果）。这篇文章就是教你怎么分辨对方是哪种“颜料”。

论文技术总结：动态非贝叶斯说服

1. 研究问题 (Problem)

在经典的贝叶斯说服（Bayesian Persuasion）框架中，发送者（Sender）通常通过设计一个单一实验（Single Experiment）来影响接收者（Receiver）的后验信念，进而影响其行动。然而，现实中的信息传递往往是动态的（即发送者可以按顺序提供一系列实验），且接收者的信念更新往往偏离贝叶斯法则（非贝叶斯更新）。

本文旨在解决以下核心问题：

当接收者是非贝叶斯理性（Non-Bayesian）且存在系统性认知扭曲时，发送者采用动态说服（一系列顺序实验）是否比静态说服（单一实验）能获得更高的期望收益？
在什么条件下，静态说服框架在动态环境中是“无损”的（Without Loss of Generality）？即何时动态信息提供的时机（Timing）不会改变发送者的价值？

2. 方法论与框架 (Methodology & Framework)

2.1 环境设定

状态空间： $\Theta$ 为有限集合，先验信念 $p$ 具有全支撑（Full Support）。
行动空间： $A$ 为紧度量空间。
效用函数：发送者和接收者均为期望效用最大化者，效用函数连续。
非贝叶斯更新规则：接收者采用**系统性扭曲（Systematic Distortions）**模型（基于 De Clippel and Zhang, 2022）。
- 接收者首先根据信号计算贝叶斯后验 $q$ ，然后通过一个依赖于先验 $p$ 的扭曲函数 $D_p$ 得到最终后验： $q' = D_p(q)$ 。
- 此类规则涵盖了 Grether 的 $\alpha-\beta$ 规则、线性反应不足（Linear Underreaction）等。

2.2 静态与动态模型对比

静态说服：发送者选择一个实验 $\sigma$ ，接收者观察到信号 $s$ 后更新信念 $q' = D_p(\mu^B(\sigma, p)(\cdot|s))$ 并行动。
动态说服：
1. 发送者选择第一阶段实验 $\sigma_1$ 。
2. 接收者观察到 $s_1$ ，更新信念为 $q_1 = D_p(\mu^B(\sigma_1, p)(\cdot|s_1))$ 。
3. 发送者根据 $s_1$ 选择第二阶段实验 $\sigma_2^{s_1}$ 。
4. 接收者观察到 $s_2$ ，基于 $q_1$ 再次更新： $q_2 = D_{q_1}(\mu^B(\sigma_2^{s_1}, q_1)(\cdot|s_2))$ 。
5. 接收者行动。

2.3 核心分析工具

中间问题（Interim Problem）：利用 Alonso and Cˆamara (2016a) 的技术，将动态问题中的第二阶段转化为一个具有“异质先验”的静态非贝叶斯说服问题。
诱导扭曲规则（Induced Distortion Rule）：定义 $D^{II}_q(r; p)$ $D_{q}^{I I} (r; p)$ 为从发送者视角看，经过两步更新后的有效扭曲规则。
- 公式： $D^{II}_q(r; p) = D_{D_p(q)} \left( \mathcal{B} \left( \frac{D_p(q)}{q}, r \right) \right)$ ，其中 $\mathcal{B}$ 为贝叶斯更新算子。
可行集分析：比较静态说服下的可行后验分布集 $T^1(p, D)$ 与动态说服下的集合 $T^2(p, D)$ 。

3. 关键贡献与定义 (Key Contributions & Definitions)

3.1 可分性（Divisibility）
本文的核心贡献是引入了**可分性（Divisibility）**这一概念，用于刻画接收者的更新规则。

定义：一个正则扭曲规则 $D$ 是可分的，如果对于任意全支撑信念 $p, q, r$ ，满足：
$D_p(r) = D^{II}_q(r; p)$
即：在第一步直接应用扭曲 $D_p$ 得到的结果，与经过两步更新（先更新到 $q$ 再更新到 $r$ ）后得到的有效扭曲结果一致。
直观含义：可分性意味着信息提供的时机（Timing）不影响最终信念的分布结构。

3.2 弱可分性（Weak Divisibility）
针对某些不满足强可分性条件的规则（如线性反应不足），作者提出了弱可分性概念。

允许第一步和第二步的扭曲之间存在仿射变换（Affine Transformation）的差异，即存在满秩列随机矩阵 $M_{p,q}$ 使得 $D_p(M_{p,q}r) = D^{II}_q(r; p)$ 。

4. 主要结果 (Key Results)

4.1 主要定理 (Theorem 1)
在满足正则性条件（非递减支撑、连续性、单射性）和确定性下的先验独立性（Prior Independence under Certainty）假设下，以下命题等价：

接收者的扭曲规则 $D$ 是可分的。
在任何说服环境中，静态与动态说服下发送者的**可行事前收益集（Feasible Ex Ante Payoffs）**完全重合： $V^1(p, D) = V^2(p, D)$ 。
在任何说服环境中，发送者在静态与动态说服下的最大期望收益无差异。

结论：如果接收者的更新规则是可分的（例如贝叶斯更新、几何扭曲），那么动态说服不会带来额外收益，研究者可以安全地仅使用静态框架进行分析。

4.2 具体案例：Grether 的 $\alpha-\beta$ 规则

几何扭曲（Geometric Distortion）：当 $\alpha=1$ （无基率忽视）且 $\beta > 0$ 时，规则是可分的。此时静态与动态无差异。
基率忽视（Base-rate Neglect, $\alpha < 1$ ）：规则不可分。
- 命题 1：在法官 - 检察官模型中，若 $\alpha < 1$ ，发送者在动态说服下能获得严格更高的收益。
- 直觉：由于基率忽视，接收者会随时间推移将信念向均匀分布（先验）漂移。发送者可以利用这一特性，在第一阶段不提供信息，让接收者的信念“漂移”到更有利的区间，然后在第二阶段提供信息。
基率过度重视（ $\alpha > 1$ ）：虽然规则不可分，但在该特定模型中，发送者仍可通过静态策略达到最优，但在一般环境中可能不同。

4.3 弱可分性定理 (Theorem 3)
在**状态独立偏好（State-independent Sender Preference）**的特定环境下，若移除“确定性下的先验独立性”假设，弱可分性是静态与动态收益无差异的充要条件。

推论：线性反应不足（Linear Underreaction, $\lambda \in (0,1)$ ）不是弱可分的，因此在某些环境中，动态说服优于静态说服。

5. 技术细节与证明思路

可行集重合性：证明的核心在于展示 $T^1(p, D) = T^2(p, D)$ $T^{1} (p, D) = T^{2} (p, D)$ 。
- 若 $D$ 可分，则 $D^{II}_q(r; p) = D_p(r)$ ，导致动态更新路径与静态更新路径在分布上等价。
- 利用分离超平面定理（Separating Hyperplane Theorem）：如果发送者在所有环境中的最大收益相同，则可行集必须重合（在特定构造的效用函数下）。
函数形式刻画：
- 通过引入同胚映射 $F$ ，将可分性条件转化为平移方程（Translation Equation）。
- 证明了可分规则具有特定的函数形式： $D_p(q) = F^{-1} \left( \frac{F(p)}{p} q \right)$ （归一化后）。这涵盖了贝叶斯更新（ $F(x)=x$ ）和几何扭曲。

6. 意义与启示 (Significance)

理论边界界定：本文明确了静态非贝叶斯说服框架（De Clippel and Zhang, 2022）在动态环境中的适用范围。只有当接收者的更新规则满足“可分性”时，静态分析才是无损的。
动态价值的来源：揭示了非贝叶斯接收者认知扭曲的时间依赖性。如果扭曲规则不可分（如基率忽视或线性反应不足），发送者可以通过控制信息释放的时机（Timing）来利用接收者的认知偏差，从而获得额外收益。
方法论贡献：
- 将动态非贝叶斯问题转化为具有异质先验的静态问题。
- 引入了“可分性”作为连接静态与动态非贝叶斯模型的关键数学性质。
应用价值：对于设计广告策略、媒体传播或政治宣传的从业者，如果受众表现出不可分的认知偏差（如忽视基率），分阶段释放信息比一次性释放信息更有效。

总结：该论文通过严谨的数学推导，证明了在存在系统性认知扭曲的非贝叶斯世界中，信息提供的时机（动态 vs 静态）至关重要。只有当接收者的更新规则具有特殊的“可分”结构时，时间维度才无关紧要；否则，动态策略将为发送者带来显著优势。