具体描述
Mathematical thinking provides a clear, crisp way of defining problems. Our whole technology is based on it. What is less appreciated is that mathematical thinking can also be applied to problems in the social and behavioral sciences. This book illustrates how mathematics can be used to understand human and animal behavior, using examples in psychology, sociology, economics, ecology, and even marriage counseling.
行为的数学：探寻人类决策与互动的量化之道 图书简介 《行为的数学》并非一本关于《The Mathematics of Behavior》这本书的简介，而是一本聚焦于现代行为科学、决策理论、博弈论以及复杂系统分析等交叉领域，旨在揭示人类行为背后深层数学逻辑的权威著作。本书旨在为跨学科研究者、经济学家、社会学家、心理学家以及对复杂系统建模感兴趣的读者，提供一套全面、深入且富有洞察力的量化工具箱，用以理解和预测个体选择、群体动态乃至社会演化。 第一部分：个体决策的理性与非理性边界 本书伊始，我们将带领读者深入传统经济学理性人假设的起源与局限。第一章：从冯·诺依依曼到“有限理性”，详细梳理了期望效用理论的数学基础及其在不确定性下的决策框架。然而，真正的挑战在于偏离。第二章聚焦于前景理论的数学重构，探讨了人们如何系统性地高估小概率事件，以及损失厌恶如何不成比例地影响选择结构。我们将严谨地推导和分析卡尼曼与特沃斯基提出的价值函数（$v(x)$）的非线性特性，并引入累积概率函数（$pi(p)$），解释为何人们在面对风险时表现出倾向于规避确定性和倾向于投机的矛盾行为。 接下来的章节转向更细致的心理学考量。第三章：时间折现与冲动控制的微分方程模型，不再将时间偏好视为单一的贴现率，而是引入双曲贴现模型（Hyperbolic Discounting），探讨即时满足感如何通过非指数衰减的函数形式，精确地描述人类在长期规划中常见的自我约束失败现象。我们构建并求解了相关的常微分方程组，以模拟“意图-执行差距”的动态过程。 第四章：认知负荷与启发式决策的计算复杂性，深入探讨了在信息过载或时间压力下，大脑如何采用启发式（Heuristics）和快速-近似（Fast-and-Frugal）方法。本书采用信息论的视角，量化了不同启发式规则的信息熵和计算成本，并展示了在特定环境参数下，次优的启发式如何超越完全理性的复杂计算，成为进化的最优策略。我们将分析“代表性启发法”和“可得性启发法”的数学偏差，将其与贝叶斯推断的偏离程度进行量化比较。 第二部分：群体互动与博弈论的深化 行为的本质在于互动。《行为的数学》的第二部分将重点放在多主体系统，尤其是博弈论在行为科学中的应用。 第五章：纳什均衡的稳健性与演化博弈论的引入，首先回顾了经典的纳什均衡概念及其在纯策略和混合策略下的存在性证明。随后，我们引入演化博弈论（Evolutionary Game Theory, EGT），将其作为连接心理学和生态学的桥梁。我们着重分析了复制动态方程（Replicator Dynamics），展示了策略频率如何随着时间演化，以及演化稳定策略（Evolutionary Stable Strategy, ESS）如何描述在群体中具有抵抗入侵能力的共享行为模式。 第六章：重复博弈与社会规范的内化，研究囚徒困境（PD）等基本博弈如何在重复进行时催生合作。我们详尽分析了“以牙还牙”（Tit-for-Tat）策略的数学优势，并通过无限地平线模型，探讨了合作的临界贴现因子。更进一步，本章引入了信号博弈（Signaling Games），研究个体如何通过观察他人的行为或声誉来推断其内在的合作意愿或质量，构建了多层次的信任网络模型。 第七章：群体极化与意见动态的非线性传播，这一章将行为分析扩展到大规模社会群体。我们运用麦克法登（McFadden）的效用模型来描述群体中的偏好聚合，但重点在于意见动力学模型（Opinion Dynamics）。我们分析了如DeGroot模型和Krause模型，并展示了社会影响力的结构（即网络拓扑）如何决定最终的群体共识点，或者导致极化现象。通过引入非线性反馈机制，我们量化了“信息茧房”和“回音室效应”的形成条件。 第三部分：复杂系统与行为的涌现 本书的高潮部分在于将个体和群体的行为汇集到宏观的复杂性科学框架下。 第八章：异质性与涌现行为的计算模型，承认个体间的差异是理解社会现象的关键。我们使用基于主体的建模（Agent-Based Modeling, ABM）方法，构建了包含不同学习规则（如贝叶斯学习者、模仿者、规则使用者）的异质主体群体。通过大规模模拟，我们展示了简单的个体规则如何涌现出复杂的宏观模式，例如金融市场的泡沫与崩溃，或流行病的传播路径。本章详细介绍了如何校准模型参数以匹配真实世界观测数据。 第九章：适应性学习与强化学习的神经科学基础，将数学模型直接与神经科学观察相结合。我们详细探讨了TD(λ)算法在预测奖励误差（Reward Prediction Error, RPE）中的作用，以及多巴胺系统的活动如何对应于模型中的价值函数和策略更新规则。通过分析随机梯度下降（SGD）在生物学背景下的映射，本书展示了学习过程的数学本质，即最小化预测误差的迭代过程。 第十章：行为经济学的计量经济学挑战与前沿，最后，我们讨论了如何将上述理论模型应用于实际数据检验。本章重点介绍了面板数据分析中的时间序列模型，如GMM（广义矩估计）在解决内生性问题上的应用，以及如何使用结构模型（Structural Models）来识别和估计潜在的心理参数（如风险规避程度、耐心系数等）。本书提供了一套严谨的框架，用于量化政策干预（如“助推”Nudge）的真实效果，从而完成从理论到政策实践的闭环。 总结 《行为的数学》致力于提供一种超越定性描述的视角，揭示人类行为深层结构中的数学必然性。它不仅是理论的梳理，更是工具的传授，旨在激励读者用严谨的量化语言去理解我们自身和我们所处的社会世界。本书的深度和广度，使其成为行为科学研究领域不可或缺的参考指南。
作者简介
目录信息
读后感
评分
评分
评分
评分
评分
用户评价
评分
评分
评分
评分
评分
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.quotespace.org All Rights Reserved. 小美书屋 版权所有