-Sorting(Play)Sorting (Opt Out) —-Standard 10 0.6 0 02 0.0 0.2 0.4 -0.6 -0.8 -10 50 51 5253545556575859510 Amount shared with recipient 上图展示了不同行为所对应的平均社会行为适宜度.实线表示在Standard模式下的情况 虚线表示Sorting的情况。两条线较为相似，表现出无论是否被要求参与实验，独裁者博弈 中人们的行为都是相似的。 ■Standard Take51 51050.050505100515052.005250$30s3505405450550 Standard (predicted)Take 51(predicted) hh.- 310000005160515052052503605a505400450550 aam 9
9 上图展示了不同行为所对应的平均社会行为适宜度，实线表示在 Standard 模式下的情况， 虚线表示 Sorting 的情况。两条线较为相似，表现出无论是否被要求参与实验，独裁者博弈 中人们的行为都是相似的
以上展示的是以独裁者可以从接受者那里拿取1美元为规则的实验结果并将其与Standard 模式进行比较，新的规则减少了均分的状况。 —-Standard-+Take51 1.00 080 0.60 0A0 20 0.0 020 040 060 -0.80 -1.0 5100s0.0050.5051.0051.5052.0052.50530053.50540054505.0 nt shared with recipient 上图展示了不同行为所对应的平均社会行为适宜度，实线表示在Standard模式下的情况 虚线表示Tke$1的情况。当独栽者给接受者25美元或更多时，两条曲线最为贴合 则Take$1更加符合社会行为适宜度。此图有助于解释为什么在Standard模式中分享较多 金额的个体在Tke$1中给予更少，一方面由于规则的引入使得拿走1美元变得更加合理适 宜，另一方面这使独裁者获得了拿到更高报酬的机会
10 以上展示的是以独裁者可以从接受者那里拿取 1 美元为规则的实验结果并将其与 Standard 模式进行比较，新的规则减少了均分的状况。 上图展示了不同行为所对应的平均社会行为适宜度，实线表示在 Standard 模式下的情况， 虚线表示 Take $1 的情况。当独裁者给接受者 2.5 美元或更多时，两条曲线最为贴合。反之 则 Take $1 更加符合社会行为适宜度。此图有助于解释为什么在 Standard 模式中分享较多 金额的个体在 Take $1 中给予更少，一方面由于规则的引入使得拿走 1 美元变得更加合理适 宜，另一方面这使独裁者获得了拿到更高报酬的机会
数据分析 谭权2013201112 reg percshared sorting,hc3 Linear regression Number of obs 168 F( 。16)- 12.39 =0.0704 Root MSE .18724 percshared Coet. ad. t P>Itl l95 Conf,Interval】 102452 029118 .159942 -.044962 .1942169 .0221355 88 .1505135 .2379202 这个回归检验了加入sorting选择后， 独裁者分享的金钱钱占总钱数的比例的变化。结果显 示，sorting显著降低了独裁者愿意分享的金钱的比例。 reg percshared sorting Barcelona sortBarcelona,he3 Linear regression 164)= R-squared Root MSE =18697 percshared Coet. t P>Itl t95告conf.Interva11 .0793478 0429158 85 0.066 .164086 0053909 012631 045 0.789 -.101591 07632 ,05032 .0300654 6.65 0.000 1406349 加入了Barcelona这个地区变量与交互项是为了检验在巴塞罗那和伯克利两地sorting的影 响是否相同 由于p>0.1,这表明在两地 sorting的影响没 显著差 运用Tobit和Probit模型得到了相同的结论。不过，在OLS时，稳健标准差采用的是hc3. Tobit模型采用的是jackknife,Probit采用的是robust。. Robust运用的标准差是o2=/(n-k)×u2,U表示残差。Hc3优点在于如果数据确 实存在异方差性，那么HC3可以得到一个较好的稳健方差，得到的置信区间相 比于robust的更小。Jackknife是指运用刀切法来减少估计的误差
11 数据分析 谭权 2013201112 _cons .1942169 .0221355 8.77 0.000 .1505135 .2379202 sorting -.1024522 .0291182 -3.52 0.001 -.159942 -.0449623 percshared Coef. Std. Err. t P>|t| [95% Conf. Interval] Robust HC3 Root MSE = .18724 R-squared = 0.0704 Prob > F = 0.0006 F( 1, 166) = 12.38 Linear regression Number of obs = 168 . reg percshared sorting , hc3 这个回归检验了加入 sorting 选择后，独裁者分享的金钱钱占总钱数的比例的变化。结果显 示，sorting 显著降低了独裁者愿意分享的金钱的比例。 _cons .2 .0300654 6.65 0.000 .1406349 .2593651 sortBarcel~a -.0503283 .0578216 -0.87 0.385 -.1644991 .0638425 Barcelona -.0126316 .0450534 -0.28 0.780 -.1015911 .076328 sorting -.0793478 .0429158 -1.85 0.066 -.1640866 .0053909 percshared Coef. Std. Err. t P>|t| [95% Conf. Interval] Robust HC3 Root MSE = .18697 R-squared = 0.0843 Prob > F = 0.0002 F( 3, 164) = 7.13 Linear regression Number of obs = 168 . reg percshared sorting Barcelona sortBarcelona , hc3 加入了 Barcelona 这个地区变量与交互项是为了检验在巴塞罗那和伯克利两地 sorting 的影 响是否相同。由于 p＞0.1，这表明在两地 sorting 的影响没有显著差异。 运用 Tobit 和 Probit 模型得到了相同的结论。不过，在 OLS 时，稳健标准差采用的是 hc3， Tobit 模型采用的是 jackknife，Probit 采用的是 robust。 Robust 运用的标准差是σ²=n/（n-k） × u²，u 表示残差。Hc3 优点在于如果数据确 实存在异方差性，那么 Hc3 可以得到一个较好的稳健方差，得到的置信区间相 比于 robust 的更小。Jackknife 是指运用刀切法来减少估计的误差
Linear regression r of obs (15, 150 P>1t .009546 0331643 -024 0.774 -.0750763 .055982 eth 0 032926 0107 0.8 3667 05349 728 8562 036 -0g 03 0.21 936 363 将性别、宗教、年龄等因素作为自变量，分享比例作为因变量，发现除了拥有1个兄弟姐妹 会使分享比例降低是显著的，其余因素都是都是不显著的。 Linear regression Prob >F 0.0003 Robuat HC3 percshared Std.Err. P>Itl [95*Conf.Interval] -.1042077 .0328945 -3.17 0.00 -.1692077 -.0392078 0 0 0 .00108 05714 0.0 -.1118 00e7381 0. SES_upmid ,005473 042914 0.89 -.090273 ,0793 Major INDI-n .036072 036571 0.99 0.32 -.10833g 03619 .02 0. 144779 036481 07082 103473 176435 1D_ .035 0.9 0502 -,032545 ,0318501 0.309 -.095482 ,030391 2639472 069927 3.77 0.000 1257751 .4021193 加入sorting选择后，同样也只有拥有1个兄弟姐妹的因素是显著的.其余因素都不显著
12 _cons .2138629 .0755797 2.83 0.005 .0645245 .3632013 likerisk .0426384 .0341996 1.25 0.214 -.0249368 .1102136 donations -.0465453 .0340023 -1.37 0.173 -.1137308 .0206401 Sib_more -.0472013 .0570368 -0.83 0.409 -.1599006 .0654981 Sib_1 -.0778686 .037241 -2.09 0.038 -.1514532 -.0042839 Sib_0 .0534937 .0668728 0.80 0.425 -.0786406 .185628 schoolUPF -.0649541 .0501777 -1.29 0.197 -.1641004 .0341922 schoolBerk~y .0107827 .0672528 0.16 0.873 -.1221025 .1436679 Major_INDI~n -.04013 .0366698 -1.09 0.276 -.112586 .0323261 EducHighDegr -.0100861 .053017 -0.19 0.849 -.1148427 .0946705 SES_upmid -.0058091 .0431482 -0.13 0.893 -.0910658 .0794477 SES_middle -.0049804 .0393627 -0.13 0.899 -.0827574 .0727965 ethWhite -.0749886 .0571361 -1.31 0.191 -.1878841 .0379069 ethAsian .0161914 .0576208 0.28 0.779 -.0976618 .1300446 ethCatalan .0284554 .0444615 0.64 0.523 -.0593962 .116307 female -.0095468 .0331643 -0.29 0.774 -.0750763 .0559827 percshared Coef. Std. Err. t P>|t| [95% Conf. Interval] Robust HC3 Root MSE = .19086 R-squared = 0.1173 Prob > F = 0.2067 F( 15, 150) = 1.30 Linear regression Number of obs = 166 将性别、宗教、年龄等因素作为自变量，分享比例作为因变量，发现除了拥有 1 个兄弟姐妹 会使分享比例降低是显著的，其余因素都是都是不显著的。 _cons .2639472 .0699247 3.77 0.000 .1257751 .4021193 likerisk .0294008 .034346 0.86 0.393 -.0384673 .0972689 donations -.0325456 .0318505 -1.02 0.309 -.0954827 .0303915 Sib_more -.0581244 .05484 -1.06 0.291 -.166489 .0502402 Sib_1 -.0832267 .0353529 -2.35 0.020 -.1530844 -.0133689 Sib_0 .036481 .0708269 0.52 0.607 -.1034739 .1764359 schoolUPF -.072972 .0492072 -1.48 0.140 -.170206 .0242621 schoolBerk~y .0209299 .0626764 0.33 0.739 -.1029194 .1447792 Major_INDI~n -.0360726 .0365714 -0.99 0.326 -.1083381 .036193 EducHighDegr -.0116944 .0529898 -0.22 0.826 -.116403 .0930141 SES_upmid -.0054739 .0429144 -0.13 0.899 -.0902733 .0793256 SES_middle .0063867 .0375863 0.17 0.865 -.0678844 .0806578 ethWhite -.073818 .0534826 -1.38 0.170 -.1795003 .0318642 ethAsian .0010833 .0571413 0.02 0.985 -.1118287 .1139952 ethCatalan .0415223 .044172 0.94 0.349 -.0457621 .1288068 female -.012775 .0321093 -0.40 0.691 -.0762234 .0506734 sorting -.1042077 .0328945 -3.17 0.002 -.1692077 -.0392078 percshared Coef. Std. Err. t P>|t| [95% Conf. Interval] Robust HC3 Root MSE = .18383 R-squared = 0.1866 Prob > F = 0.0003 F( 16, 149) = 2.91 Linear regression Number of obs = 166 加入 sorting 选择后，同样也只有拥有 1 个兄弟姐妹的因素是显著的，其余因素都不显著
按照分享的比例分为6个组，0-10%.10%-20%，20-30%，30-40%，40-50%，超过50%。 分别进行回归。发现分享比例在30-50%，也就是分享3-5美元的组中，s0rtig的选择显著 降低了分享的金钱的比例。 实验2是在实验1的基础上进行的，按照实验1中被试者的行为 我们可以将被试者 分为三种类型：乐意分享者一无论在什么情况下都选择分享：不情愿的分享者一在可以选择 不进行游戏时就不进行游戏，否则进行游戏且分享数额为正；不分享者一无论什么情况都不 分享。当选择进行游戏分配的数额大于不进行游戏分配的数额，也就是说，参加游戏有补偿 时，不情愿的分享者和不分享者的行为会如何改变。实验2就探究了这个问题。 Probit regression,reporting marginal effects 00000 Log pseudolikelihood =-137.05482 Pseudo R2 =0.2283 Robust play dF/dx std.Err >1z1 x-bar【958c.1.1 NonShar+ -.1542714 .0773288 -2.170.030 .25-.305833-.00271 (at x-bar) Probit regression,reporting marginal effects 322 Log pseudolikelihood 120.89326 Pseudo R play d. zg>1zlx-bar【 95tc.1.1 :609719 9868888688 898g96:89786 3阴8g58g6at女-bae 以是否参加游戏为被解释变量，然后对三类被试者分别进行检验。对于乐意分享者和不 情愿的分享者整体而言，分享比例和是否进入没有关系
13 按照分享的比例分为 6 个组，0-10%，10%-20%，20-30%，30-40%，40-50%，超过 50%。 分别进行回归。发现分享比例在 30-50%，也就是分享 3-5 美元的组中，sorting 的选择显著 降低了分享的金钱的比例。 实验 2 是在实验 1 的基础上进行的，按照实验 1 中被试者的行为，我们可以将被试者 分为三种类型：乐意分享者—无论在什么情况下都选择分享；不情愿的分享者—在可以选择 不进行游戏时就不进行游戏，否则进行游戏且分享数额为正；不分享者—无论什么情况都不 分享。当选择进行游戏分配的数额大于不进行游戏分配的数额，也就是说，参加游戏有补偿 时，不情愿的分享者和不分享者的行为会如何改变。实验 2 就探究了这个问题。 pred. P .8311593 (at x-bar) obs. P .7435897 Endow .0676818 .0090451 6.74 0.000 13.3782 .049954 .08541 Reluct~r* -.3457762 .0600679 -5.79 0.000 .451923 -.463507 -.228045 NonSha~r* -.1542714 .0773288 -2.17 0.030 .25 -.305833 -.00271 Play dF/dx Std. Err. z P>|z| x-bar [ 95% C.I. ] Robust Log pseudolikelihood = -137.05482 Pseudo R2 = 0.2283 Prob > chi2 = 0.0000 Wald chi2(3) = 70.92 Probit regression, reporting marginal effects Number of obs = 312 pred. P .7745998 (at x-bar) obs. P .7307692 Endow .0586186 .0097159 5.69 0.000 13.5256 .039576 .077661 InitPe~d .0032652 .1747729 0.02 0.985 .365278 -.339283 .345814 Play dF/dx Std. Err. z P>|z| x-bar [ 95% C.I. ] Robust Log pseudolikelihood = -120.89326 Pseudo R2 = 0.1131 Prob > chi2 = 0.0000 Wald chi2(2) = 32.45 Probit regression, reporting marginal effects Number of obs = 234 以是否参加游戏为被解释变量，然后对三类被试者分别进行检验。对于乐意分享者和不 情愿的分享者整体而言，分享比例和是否进入没有关系