Цель: проверить гипотезу, что при сравнении карт с фиксированной ставкой и карт с льготным периодом проявление потери аверсии ослабевает (consumers are less loss‑averse when cost is delayed/framed as deferred interest).
Краткий дизайн
- Популяция: репрезентативная выборка потребителей кредитных карт (онлайн-панель или полевой RCT среди реальной базы клиентов).
- Рандомизация по индивиду: участники случайно попадают в 2 основных условия:
1. Fixed-APR — карточка с фиксированной годовой ставкой и без льготного периода.
2. Grace-Period — карточка с нулевой ставкой в льготный период и ставкой после его окончания (тот же ожидаемый ЕCOST).
- Фактор дополнительной манипуляции (факторный дизайн, опционально): в каждой из двух групп рандомно добавляется Salience‑boost (явное числовое напоминание о будущем начислении процентов / пример начисления на среднем балансе) либо No‑boost. Это позволяет проверить роль осведомлённости/внимания.
- Примерная процедура: участнику показывают пару офферов (Fixed vs Grace) с одинаковым ожидаемым ежегодным расходом, затем просят выбрать одну карту и/или пройти MPL (multiple price list) для выяснения indifference point. Включить самостоятельную симуляцию платежей (реальные маленькие выплаты или реальный тест-период по картам при полевом эксперименте) для стимулы к правдивому выбору.
Ключевые метрики
- Primary: выбор карты Grace vs Fixed — доля выборов $p_{Grace}$. Третий показатель — разница долей $\Delta p=p_{Grace}-p_{Fixed}$.
- Secondary:
- Индивидуальная indifference price (MPL): уровень дополнительной выгоды/платы, при котором респондент переключается — даёт меру WTP/ценности льготного периода.
- Время на странице/внимание (как proxy salience).
- Экономические исходы (в полевом эксперименте): фактическое использование кредитного лимита, просрочки, уплаченные проценты за период.
- Поведенческие мерки: отдельный стимулный лотерейный тест для оценки loss aversion $\lambda$, временное предпочтение $\beta ,\delta$, финансовая грамотность.
Идентификация эффекта
- Основная оценка: ITT регрессия
$$Y_i=\alpha +\beta \cdot Trea{t}_i+\gamma X_i+{\epsilon }_i,$$ где $Y_i$ — бинарный индикатор выбора Grace, $Trea{t}_i\in \{0,1\}$ — индикатор Grace treatment, $X_i$ — контрольные переменные (возраст, доход, кредитная история). Оценка $\beta$ — причинный эффект благодаря рандомизации.
- При невыполнении инструкции (noncompliance) использовать IV: рандомизация как инструмент для фактического получения информации/напоминания.
- Гетерогенность: взаимодействовать $Trea{t}_i$ с индивидуальной мерой loss aversion ${\lambda }_i$ и финансовой грамотностью:
$$Y_i=\alpha +{\beta }_{1}Trea{t}_i+{\beta }_2{\lambda }_i+{\beta }_3(Trea{t}_i\times {\lambda }_i)+\dots$$ Значимый отрицательный ${\beta }_3$ укажет, что эффект сильнее у менее loss‑averse.
Power / размер выборки (пример)
- Формула для сравнения долей (n — размер на группу):
$$n=\frac{2(z_{1-\alpha /2}+z_{1-\beta }{)}^{2}p(1-p)}{{\Delta }^2}.$$ - Пример: взять уровень значимости $\alpha =0.05$ ($z_{1-\alpha /2}=1.96$), мощность $1-\beta =0.8$ ($z_{1-\beta }=0.84$), базовую долю $p=0.5$, минимально значимый эффект $\Delta =0.08$. Тогда
$$n\approx \frac{2(1.96+0.84{)}^2\cdot 0.5\cdot 0.5}{0.08^2}\approx 613$$ т.е. около $613$ участников на группу (итого ~$1226$ для двух групп). Подстройте $p,\Delta$ под ожидаемые величины.
Дополнительно — реализация и надёжность
- Проверки понимания: обязательные comprehension checks (и исключение или стратификация по непонявшим).
- Incentive compatibility: использовать реальные денежные выплаты или реальный тест‑период по офферам, чтобы уменьшить гипотетическую предвзятость.
- Предрегистрация гипотез и анализов; корректировка множественных сравнений (например, Benjamini–Hochberg).
- Robustness: альтернативные спецификации (logit/probit для бинарного выбора), кластерованные стандартные ошибки, баланс тестов по ковариатам.
- Угрозы идентификации: селективное невовлечение (аттрит), неверное понимание льготного механизма, информационные внешние воздействия — смягчать через контрольные вопросы, повторные напоминания, дополнительные экспликации и полевые метрики.
Краткая интерпретация ожидаемых результатов
- Если loss aversion ослабевает при отложенных потерях, то $p_{Grace}$ будет выше в Grace‑Treatment по сравнению с эквивалентным Fixed‑APR, и indifference point будет показывать меньшую требуемую компенсацию за потерю льготного периода. Heterogeneity по ${\lambda }_i$ подтвердит поведенческую механику.
Это предложение даёт воспроизводимый RCT‑план с чёткими метриками, статистическими тестами и мерами для контроля и robustness, необходимых для надёжной идентификации эффекта.