有限属性注意力如何塑造随机选择？

两种规则共享注意力但聚合方式不同

两种规则建立在相同的基本要素上：每个属性有一个注意力概率，以及每个属性下备选方案之间的一种偏好排序。模型假设各属性的注意力相互独立，且决策者总体上保持关注，即每个属性被考虑的可能性大于不被考虑。两种规则的区别在于注意力落到某个属性之后如何计分。

乘法注意力规则（MAR）在每个属性内只看排名第一：备选方案只在它排名第一的属性上得分，这些得分在各属性之间相乘。一个在所有属性上都排第二的备选方案，从任何属性都得不到正奖励。加法注意力规则（AAR）则对注意力取平均，并按备选方案在菜单内的完整序数排名给分，因此排第二也有价值。

这一聚合方式的差异是论文的核心解释工具。作者用可观测选择数据上的公理分别刻画两种规则，并证明在两种情形下，注意力参数和基于属性的偏好都能从这些数据中被唯一识别。识别所需的数据很节省：偏好排序可从单一属性集下的两两比较中恢复，注意力参数可从单一属性集下的单一备选方案集中恢复。

只计第一名的乘法得分导致默认选项占优

MAR 的公式使延迟选择成为结构性结果，而不是附加设定。在论文的三备选方案、两属性示例中，注意力概率为 0.6 和 0.9，且两个属性各自的第一名不同，三个列出的备选方案分别得到 0.03、0.18 和 0.01 的概率。默认选项吸收剩余概率，为 0.78。

机制在于：备选方案必须在吸引注意力的属性上排名第一，而这些属性的得分要相乘。当不同属性指向不同赢家时，决策者被拉向相互冲突的方向，常常落到列出的菜单之外。论文将此描述为因关注过多属性带来的认知负荷所导致的选择延迟。

作者的示例进一步说明了这一点。即使存在帕累托占优备选方案，较高的注意力概率和较少的属性仍可能让该方案胜过默认选项：两个属性分别为 0.9 和 0.85 时，占优方案得到 0.765，默认选项概率为 0.2275。把两个注意力概率都降到 0.6，占优方案降到 0.36，默认选项升到 0.56。再增加高注意力的属性，占优方案降到 0.4698，默认选项为 0.530196。这些都是在给定参数值下的模型计算结果，不是实证估计。

对排名取平均可在属性不变时复现吸引效应

AAR 的行为标志是吸引效应。加入一个被某一备选方案支配、但不被另一备选方案支配的诱饵，可能使原来两个备选方案的选择排序发生反转，而相关属性集在各菜单之间保持不变。论文指出，MAR 只有在属性集本身发生变化时才能产生这一效应，因为 MAR 是只看第一名规则的随机版本。

论文还说明了为什么更简单的归一化会失败。若某规则除以菜单规模，而不是除以排名和 N(S) = |S|(|S|+1)/2，它仍保留平均和完整排名计分，甚至能复现相同的吸引反转条件，但它不是真正的随机选择规则。当注意力权重为 0.4 和 0.5 时，三备选方案菜单上的概率之和为 0.9，加入第四个备选方案后变为 1.125，迫使默认选项概率为 −0.125。排名和归一化正是让概率在菜单扩大时保持有效的关键。

加法线性排除了妥协效应

让 AAR 捕捉吸引效应的同一种线性，也使它无法捕捉妥协效应。在论文的设定中，中间备选方案 z 在两个属性上都排在 x 和 y 之间；要让 z 成为最可能的选择，注意力权重必须同时满足 γ(b) > γ(a) 和 γ(a) > γ(b) 这两个互斥条件。没有任何参数值能同时满足。

MAR 在妥协效应上失败的原因不同：它只看第一名，而妥协备选方案从不在任何属性上排第一。作者指出，要容纳该效应，需要对排名做非线性（例如凹）变换，这超出了他们所刻画的加法类。这是两种规则明确的范围限制，而不是断言任何基于属性的模型都无法产生该效应。

可观测公理精确锁定两种规则

对 MAR，定理 1 表明：一个随机选择规则满足所列公理（包括跨属性集的独立性、有限性、一致性、支配性、二元区分性和一个传递性条件），当且仅当它是 MAR。证明先从单一属性下的两两比较构造出各属性的线性排序，再用支配性说明只有第一名重要，并用独立性把概率拆分再重组为乘法形式。

唯一性由此直接得出。若两组参数族都在 MAR 下表示同一选择数据，单一备选方案菜单会迫使注意力概率一致；而属性排序若有分歧，就会迫使某个注意力概率等于二分之一，与它必须大于二分之一的要求矛盾。AAR 有平行的公理刻画，拥有自己的公理和唯一性结果。

论文还证明了 MAR 在属性上的正则性：增加相关属性会弱化给定备选方案被选中的概率，这是“属性越多、选择越难”的形式对应。

属性数量与注意力水平决定谁胜出

论文的应用讨论直接来自其自身变量。销售帕累托占优产品的企业，在平台限制相关属性数量、且这些属性的注意力较高时受益，因为 MAR 会在产品排名第一的属性上把注意力相乘。作者把与平台协商消费者可使用哪些筛选条件，描述为降低相关属性数量的一种方式。

示例还显示相对意义上的稳健性。在 99 个属性、注意力为 0.9 时，一个在所有属性上都排第一的备选方案概率为 0.9^99，约为 0.0000295，而对手的概率接近于零；加入一个有利于对手的属性会降低前者的绝对概率，但其相对优势保持不变。因此绝对选择概率和相对排序的变动方式不同，论文将二者分开处理。

论文支持的实践优先级是有条件的，而非普遍的：占优备选方案还是默认选项胜出，取决于相关属性的数量以及注意力概率高出二分之一的程度。同一个模型既解释了属性很多时默认选项占优的行为，也预测属性少且注意力高时占优备选方案会胜出。

注意力独立是模型的关键限制

模型假设各属性的注意力相互独立，作者在自己的示例中也指出了这一限制：谷物选择中的营养属性和水果类型是相关的，而框架不允许这种相关。他们把注意力相互依赖（对一个属性的高注意力提高对互补属性的注意力）列为未来工作。

这些结果是在给定公理下对选择规则的刻画，并用参数化示例说明，而非在数据上估计。示例中的概率是给定注意力权重和排序下的模型输出，因此它们展示的是规则蕴含什么，而不是消费者被观测到的行为。在这一范围内，论文的独特贡献在于它使比较成为可能：乘法式只看第一名的聚合换来延迟选择和默认选择，加法式排名聚合换来属性固定时的吸引效应，而两者都换不来妥协效应。

本文引用的文献