Ekonomia behawioralna to jeden z tych kierunków, gdzie praca magisterska może być naprawdę ciekawa, pod warunkiem że od początku wiesz, z czym się mierzysz. To nie jest standardowa praca z mikroekonomii, gdzie wstawiasz dane do modelu i celujesz w regresję. Tu musisz zaprojektować eksperyment, zadbać o etykę badań, zrekrutować uczestników i poprawnie zinterpretować wyniki tak, żeby nie mylić korelacji z przyczynowością. Błędów jest dużo i popełniają je nawet doświadczeni badacze.
Ten poradnik przeprowadzi cię przez specyfikę kierunku, konkretne tematy, metodologię i najczęstsze pułapki. Żadnej teorii bez zastosowania.
Specyfika kierunku – co tak naprawdę badasz
Ekonomia behawioralna i psychologia ekonomiczna to dwie pokrewne, ale nieco różne dyscypliny. Warto to rozróżniać już na etapie pisania wstępu.
Ekonomia behawioralna
Bazuje na założeniu, że ludzie nie są racjonalnymi optymalizatorami (homo oeconomicus), tylko popełniają systematyczne błędy. Główne nurty:
- Ograniczona racjonalność (bounded rationality): Herbert Simon (1955) pokazał, że ludzie używają uproszczonych strategii (heurystyk), bo pełna optymalizacja kosztuje za dużo poznawczo
- Heurystyki i błędy poznawcze: Kahneman i Tversky od lat 70. dokumentowali, że te skróty myślowe generują przewidywalne błędy: heurystyka dostępności, reprezentatywności, zakotwiczenia
- Teoria perspektywy (Prospect Theory, 1979): kluczowa praca Kahnemana i Tversky’ego. Pokazuje, że ludzie oceniają wyniki względem punktu odniesienia (nie stanu końcowego), a straty bolą bardziej niż cieszą zyski tej samej wartości (awersja do strat, lambda ok. 2,25).
- Efekt ramowania (framing effect): ta sama treść przedstawiona różnie prowadzi do różnych decyzji. Klasyczny przykład: „6 na 10 przeżyje” kontra „4 na 10 umrze” – identyczna informacja, diametralnie różne wybory
- Nudge theory: Thaler i Sunstein (2008) zaproponowali, że środowisko decyzyjne można projektować tak, żeby delikatnie kierować ludzi ku lepszym wyborom bez zakazów i nakazów. Zapis automatyczny do funduszu emerytalnego zamiast opt-in to przykład
- Dyskontowanie hiperboliczne: ludzie nie dyskontują przyszłości stałą stopą procentową (dyskontowanie eksponencjalne), ale bardziej stromą krzywą dla krótkich horyzontów. Wolisz 100 zł dziś niż 110 zł jutro, ale 100 zł za rok to podobne jak 110 zł za rok i tydzień
Psychologia ekonomiczna
Bada subiektywne aspekty zachowań ekonomicznych: jak ludzie rozumieją pieniądze, co czują podczas transakcji, jak zaufanie wpływa na rynki.
Kluczowe obszary:
– Decyzje finansowe: jak ludzie zarządzają długiem, oszczędnościami, kredytem hipotecznym – i dlaczego robią to irracjonalnie.
– Pieniądz i emocje: mental accounting (Thaler, 1985) – ludzie traktują pieniądze z różnych „kont mentalnych” inaczej, premię wydają chętniej niż pensję.
– Rozumienie liczb finansowych: badania pokazują, że duża część społeczeństwa nie rozumie procentu składanego, APR, inflacji – ma to bezpośredni wpływ na zadłużenie.
– Zaufanie w transakcjach: gry ekonomiczne (ultimatum game, trust game) mierzą, ile gotowi jesteśmy stracić, żeby ukarać niesprawiedliwość albo nagrodzić zaufanie.
Polskie i europejskie ośrodki badawcze
Jeśli szukasz promotora albo danych: Centrum Badań nad Behawioralnymi Aspektami Rynku (CEBAM) na UW i GRAPE (Group for Research in Applied Economics) w Warszawie prowadzą aktywne badania w tym obszarze. Warto też śledzić prace z SGH (Zakład Psychologii Ekonomicznej).
Nobliści jako punkt odniesienia: Daniel Kahneman (2002, za integrację psychologii z ekonomią), Richard Thaler (2017, za ekonomię behawioralną i mental accounting), Vernon Smith (2002, za eksperymenty laboratoryjne w ekonomii).
Tematy prac – od czego zacząć
Dobry temat w ekonomii behawioralnej ma trzy cechy: jest weryfikowalny empirycznie, możliwy do zrealizowania przy twoich zasobach (czas, budżet, dostęp do uczestników) i osadzony w konkretnej literaturze. Unikaj tematów zbyt ogólnych, np. „wpływ błędów poznawczych na decyzje inwestycyjne” – to brzmi jak rozdział podręcznika, nie jak badanie.
Eksperymenty laboratoryjne i ankietowe
Efekt posiadania (endowment effect) na próbie studentów: dajesz połowie uczestników kubek i pytasz, za ile go sprzedadzą (WTA – willingness to accept); drugiej połowie dajesz pieniądze i pytasz, ile zapłacą za ten sam kubek (WTP – willingness to pay). Kahneman, Knetsch i Thaler (1990) pokazali, że WTA konsekwentnie przewyższa WTP, co jest niezgodne z teorią użyteczności. Na n=60-80 osób możesz to replikować i sprawdzić, czy efekt pojawia się też w grupach o wyższej wiedzy ekonomicznej.
Weryfikacja teorii perspektywy w decyzjach ryzykownych: konstruujesz zestaw loterii (np. paradoks Allaisa, pary pewnych i ryzykownych wypłat), prezentujesz je uczestnikom (n=120 daje przyzwoitą moc) i sprawdzasz, czy preferencje naruszają aksjomaty teorii oczekiwanej użyteczności. Incentivized design jest tu kluczowy – uczestnicy muszą grać naprawdę, a nie hipotetycznie.
Framing effect w decyzjach ubezpieczeniowych: ta sama polisa opisana jako „100% szans na ochronę” vs „brak ryzyka straty 10 000 zł” vs „0% prawdopodobieństwo katastrofy finansowej” – sprawdzasz, czy gotowość do zapłaty różni się. Możesz to zrobić przez Qualtrics z randomizacją warunków.
Testowanie efektu dyspozycji na danych GPW: efekt dyspozycji to tendencja inwestorów do zbyt wczesnej sprzedaży akcji rosnących i trzymania za długo akcji tracących na wartości (Shefrin i Statman, 1985). GPW udostępnia dane transakcyjne przez KDPW albo możesz użyć danych z rachunków maklerskich (jeśli masz dostęp przez promotora). Liczysz PGR (proportion of gains realized) vs PLR (proportion of losses realized) i testujesz, czy PGR > PLR.
Tematy z danymi wtórnymi
Analiza awersji do strat na rynku nieruchomości: dane GUS i NBP (raport o rynku nieruchomości) zawierają ceny ofertowe i transakcyjne. Hipoteza: sprzedający mają punkt kotwiczenia w cenie zakupu i nie zejdą poniżej, nawet jeśli rynek spada – to widać w dysproporcji między cenami ofertowymi a transakcyjnymi w dzielnicach z dużą zmiennością.
Badanie nudge’ów w oszczędzaniu emerytalnym: dane PFR (Polski Fundusz Rozwoju) i ZUS dotyczące PPK pokazują, jak opt-out design wpłynął na partycypację. Możesz porównać wskaźniki zapisów przed i po wdrożeniu PPK, z podziałem na grupy wiekowe i sektory, i zestawić z badaniami z UK (auto-enrolment w NEST od 2012) czy USA (Save More Tomorrow, Thaler i Benartzi 2004). PPK weszło w życie od 2019 roku dla dużych firm i stopniowo obejmowało kolejne grupy pracodawców, więc masz dane za kilka lat na wyciągnięcie ręki.
Mental accounting w wydatkach konsumenckich: Thaler (1985) opisał, że ludzie traktują pieniądze z różnych źródeł inaczej, nawet gdy mają tę samą wartość. Premię wydają chętniej niż pensję, wygraną w loterii traktują jako „ekstra” środki. Możesz to przetestować eksperymentalnie: dajesz uczestnikom do dyspozycji wirtualne środki opisane różnie („nagroda”, „zwrot z ubezpieczenia”, „oszczędności”) i mierzysz gotowość do zakupu ryzykownych vs bezpiecznych produktów. Albo analizujesz dane z badań konsumenckich GfK albo TNS (dostępne przez uczelnię) pod kątem wzorców wydatków po określonych zdarzeniach finansowych.
Metodologia – jak zaprojektować badanie
To najważniejszy rozdział twojej pracy. Słaba metodologia zabija dobry temat.
Eksperymenty laboratoryjne: oTree i platformy online
oTree to standardowe narzędzie dla eksperymentów ekonomicznych. To framework w Pythonie (Django-based) do projektowania gier sekwencyjnych, jednoczesnych, wielorundowych. Możesz w nim zbudować ultimatum game, public goods game, lottery task. Instalacja to pip install otree, dokumentacja na otree.readthedocs.io.
Alternatywy dla rekrutacji online: Prolific (polecany, lepsza jakość danych niż MTurk, możesz filtrować po kraju i wykształceniu) i Amazon Mechanical Turk. Różnica: Prolific płaci uczestnikom uczciwie (~9 GBP/h), MTurk jest tańszy ale dane bywają gorszej jakości.
Incentivized vs hypothetical: w ekonomii behawioralnej obowiązuje zasada, że badania z prawdziwymi stawkami finansowymi (incentivized) są ważniejsze niż hipotetyczne. Dlaczego? Bo przy hipotetycznych pytaniach ludzie wybierają inaczej niż gdyby naprawdę tracili albo zyskiwali pieniądze. Jeśli robisz pracę z eksperymentem i nie możesz zapłacić uczestnikom, musisz to wyraźnie zaznaczyć jako ograniczenie.
Kluczowe zagrożenia dla trafności
Efekty kolejności pytań (order effects): jeśli pokazujesz uczestnikom kilka warunków po kolei, odpowiedzi na późniejsze pytania są zaburzone przez wcześniejsze. Remedium: randomizuj kolejność, albo stosuj design between-subjects (każdy uczestnik widzi tylko jeden warunek).
Social Desirability Bias: ludzie odpowiadają tak, jak uważają, że „powinni” odpowiedzieć, nie jak naprawdę myślą. Szczególnie widoczne w pytaniach o zaufanie, solidarność, preferencje polityczne. Anonimowość ankiety zmniejsza efekt, ale go nie eliminuje.
Efekt Hawthorne’a: świadomość bycia obserwowanym zmienia zachowanie. W eksperymentach laboratoryjnych możesz go ograniczyć przez double-blind design albo debrief po badaniu (wyjaśnienie celu po zakończeniu).
Projektowanie poprawne statystycznie
Przed badaniem oblicz minimalną wymaganą próbę. Do tego służy G*Power (darmowe oprogramowanie). Musisz znać: test, który stosujesz (t-test, ANOVA, chi-kwadrat), spodziewaną wielkość efektu (d Cohena dla t-testów; d=0,2 mały, d=0,5 średni, d=0,8 duży), poziom istotności (alpha=0,05 standardowo), moc (1-beta=0,80 minimum, lepiej 0,90).
Przykład: dla t-testu niezależnych prób, efekt średni (d=0,5), alpha=0,05, moc=0,80 potrzebujesz n=64 na grupę (128 łącznie). Przy efekcie małym (d=0,2) to już 394 na grupę.
Analiza danych
R: pakiety ggplot2 (wizualizacje), stargazer (tabele regresji do LaTeX/HTML), lme4 (modele mieszane), psych (statystyki opisowe, alfa Cronbacha). Regresja logistyczna: glm(y ~ x1 + x2, family = binomial).
Python: statsmodels dla regresji i testów statystycznych, scipy.stats dla t-testów i ANOVY, pingouin dla bardziej zaawansowanych testów (ANCOVA, testy bayesowskie).
Przy danych ankietowych na skalach Likerta: skale 5-punktowe i 7-punktowe możesz traktować jako ciągłe (choć technicznie są porządkowe) przy n>30, to standardowa praktyka. Dla porządkowej analizy: test Manna-Whitneya zamiast t-testu, Kruskal-Wallis zamiast ANOVY.
Do pomiaru tolerancji na ryzyko i preferencji czasowych masz gotowe walidowane skale: Domain-Specific Risk-Taking Scale (Weber, Blais, Betz, 2002) i Consideration of Future Consequences Scale (Strathman i in., 1994). Używaj gotowych narzędzi z literaturą walidacyjną zamiast wymyślać własne skale – recenzenci będą pytać o właściwości psychometryczne, a przy gotowej skali masz alfa Cronbacha z dziesiątek badań do porównania.
Jeśli używasz analizy regresji: zgłoś sprawdzenie założeń. Dla OLS: normalność reszt (test Shapiro-Wilka dla n<50, Kołmogorowa-Smirnowa dla n>50), homoskedastyczność (test Breusha-Pagana w R: lmtest::bptest()), brak multikolinearności (VIF, wartości >10 są problemem). Dla regresji logistycznej: sprawdź Hosmer-Lemeshow goodness of fit i pseudo-R2 (Nagelkerke, McFadden).
Pomiary EEG i fMRI
Część uczelni ekonomicznych współpracuje z wydziałami psychologii lub medycyny, które mają sprzęt do neuroekonomii. Jeśli twój promotor ma taki kontakt, możesz dodać obiektywny pomiar reakcji emocjonalnych (EEG: elektrody na skórze głowy, mierzy aktywność elektryczną; fMRI: rezonans magnetyczny, mierzy aktywność hemodynamiczną). Przy pracy magisterskiej to raczej wyjątek, ale warto wiedzieć, że ta opcja istnieje. EEG jest tańsze i szybsze w analizie (koszt sprzętu rzędu 5-20 tys. zł dla zestawów badawczych), fMRI wymaga zlecenia na zewnątrz (koszt: 500-1500 zł za godzinę skanowania).
Wyślij fragment tekstu, bezpłatną wycenę otrzymasz w 24 h. Poprawki bez limitu w cenie usługi.
Kluczowa literatura
Pozycje niezbędne
Daniel Kahneman, „Thinking, Fast and Slow” (2011) – popularnonaukowe podsumowanie dorobku, dobre do poznania tematyki, ale w pracy cytuj oryginalne artykuły naukowe, nie tę książkę.
Richard Thaler, Cass Sunstein, „Nudge” (2008) – przystępna prezentacja nudge theory, też raczej dla wprowadzenia.
Dan Ariely, „Predictably Irrational” (2008) – analogicznie.
Colin Camerer, George Loewenstein, Matthew Rabin (red.), „Advances in Behavioral Finance” tom II (2004) – to już poważna literatura naukowa, artykuły techniczne.
George Loewenstein, „Exotic Preferences” (2007) – zebrane eseje o emocjach, ryzyku i decyzjach.
Kahneman D., Tversky A. (1979), „Prospect Theory: An Analysis of Decision under Risk”, Econometrica 47(2): 263-292 – to jest oryginalna praca, którą musisz cytować jeśli piszesz o teorii perspektywy.
Thaler R.H. (1985), „Mental Accounting and Consumer Choice”, Marketing Science 4(3): 199-214.
Polskie podręczniki
Tomasz Zaleśkiewicz, „Psychologia ekonomiczna” (PWN, 2012) – solidne polskie wprowadzenie, dobre do przeglądu literatury na początku pracy.
Tadeusz Tyszka (red.), „Psychologia ekonomiczna” (GWP, 2010) – bardziej akademickie, z rozdziałami pisanymi przez różnych autorów.
Bazy i czasopisma
PsycINFO (APA) – artykuły z psychologii, w tym psychologii ekonomicznej. Dostęp przez uczelnianą bibliotekę.
JSTOR – archiwum artykułów z ekonomii i nauk społecznych.
SSRN (ssrn.com) – working papers, często dostęp do artykułów przed ich oficjalną publikacją. Dużo prac z ekonomii behawioralnej jest tu zamieszczanych wcześniej niż w czasopismach.
Czasopisma specjalistyczne: „Journal of Economic Behavior & Organization”, „Journal of Behavioral Decision Making”, „Judgment and Decision Making” (open access), „Experimental Economics”.
Wyzwania i etyka badań
Komisja bioetyczna
Jeśli twoja praca obejmuje badania z udziałem ludzi – a przy eksperymentach i ankietach zawsze tak jest – musisz uzyskać zgodę komisji bioetycznej uczelni. Procedura różni się w zależności od uczelni, ale zwykle wymaga: opisania protokołu badania, uzasadnienia doboru próby, wzoru formularza zgody uczestnika, informacji o sposobie przechowywania danych.
Złóż wniosek jak najwcześniej. Na niektórych uczelniach procedura trwa 2-3 miesiące. Brak zgody komisji uniemożliwia publikację wyników i może zagrozić obronie pracy.
RODO i dane ankietowe
Każda ankieta zbierająca dane od polskich respondentów podlega RODO. Konkretnie: musisz mieć klauzulę informacyjną (kto zbiera dane, w jakim celu, jak długo przechowuje), formularz zgody (oddzielny od samej ankiety), plan usunięcia danych po zakończeniu badania.
Jeśli korzystasz z Prolific albo MTurk, te platformy mają własne procedury RODO dla europejskich uczestników – sprawdź ich dokumentację.
Anonimizacja: nie przechowuj adresów IP razem z odpowiedziami dłużej niż potrzebujesz do weryfikacji jakości danych.
Trafność ekologiczna
Jeden z poważniejszych zarzutów wobec ekonomii behawioralnej: czy wyniki z laboratorium przekładają się na realne decyzje? Eksperyment z 50 studentami ekonomii w sali komputerowej może nie odzwierciedlać tego, jak Kowalski decyduje o hipotece.
W pracy musisz wprost omówić ten problem jako ograniczenie. Możesz też go częściowo adresować: wybierz zadania jak najbliższe realnym decyzjom (zamiast abstrakcyjnych loterii testuj decyzje o realnie istniejących produktach), zastosuj mix wyników laboratoryjnych i danych obserwacyjnych.
Kryzys replikacji
W 2015 roku Open Science Collaboration (Nosek i in., 2015, Science) opublikowało wyniki próby replikacji 100 badań z psychologii. Tylko ok. 36-39% udało się zreplikować z podobnym efektem. Kilka klasycznych wyników ekonomii behawioralnej też jest kwestionowanych (np. ego depletion, niektóre efekty primingu).
Co to oznacza dla twojej pracy: jeśli replicujesz znane badanie, niepowodzenie replikacji to nie porażka, to wynik. Napisz o tym wprost. Jeśli twoje hipotezy bazują na efekcie, który jest kontrowersyjny w literaturze (sprawdź cytowania do 2020-2024), zaznacz to w przeglądzie literatury.
Problem reprezentatywności próby
Studenci ekonomii to WEIRD sample: Western, Educated, Industrialized, Rich, Democratic (Henrich i in., 2010). Są bardziej zaznajomieni z pojęciami ekonomicznymi, bardziej skłonni do strategicznego myślenia, młodsi niż populacja ogólna. Większość klasycznych badań ekonomii behawioralnej była robiona na studentach i często się replikuje, ale różnice pojawiają się przy decyzjach finansowych z wyższymi stawkami.
Typowe błędy
Brak pilotażu
Zawsze przetestuj ankietę lub eksperyment na grupie pilotażowej (n=10-15). Pilotaż ujawnia: niezrozumiałe pytania, zadania za trudne lub za łatwe, błędy w kodzie oTree, złe ustawienie czasu sesji. Bez pilotażu ryzykujesz, że część wyników będzie nieużywalna, bo uczestnicy nie rozumieli instrukcji.
Za mała próba
n<30 na grupę to za mało dla efektów małych i średnich. Przy n=20 na warunek twoja praca ma moc statystyczną rzędu 30-40% dla efektu d=0,5 – to znaczy, że w 60-70% przypadków nie wykryjesz efektu, nawet jeśli on istnieje. Oblicz moc przed badaniem w G*Power i podaj te obliczenia w rozdziale metodologicznym.
Brak obliczenia mocy statystycznej przed badaniem
Powiązane z poprzednim: analiza post-hoc mocy (obliczona po zebraniu danych) jest mało wartościowa, bo jest zależna od uzyskanych danych. Moc oblicz a priori i dobierz n na podstawie spodziewanego efektu z literatury.
Confirmation Bias w interpretacji
„Potwierdzamy hipotezę” – to zdanie powinno cię zaniepokoić. Zamiast szukać potwierdzenia, testuj alternatywne wyjaśnienia. Jeśli efekt posiadania nie wyszedł, rozważ: może próba była zbyt mała, może design był błędny, może efekt nie jest tak silny w twojej populacji. Napisz to wprost zamiast szukać interpretacji, która „ratuje” hipotezę.
Cytowanie popularnonaukowych opracowań zamiast oryginałów
„Kahneman (2011)” jako jedyne źródło teorii perspektywy to błąd. Teoria perspektywy pochodzi z Kahneman i Tversky (1979) w Econometrica. Popularnonaukowa książka z 2011 to opis dla szerokiej publiczności, nie oryginalne badanie. Promotor na pewno to wyłapie. Śledź oryginalne artykuły przez Google Scholar, JSTOR albo SSRN.
Pomieszanie korelacji z przyczynowością
Jeśli analizujesz dane obserwacyjne (np. ceny na GPW), nie możesz stwierdzić, że efekt dyspozycji powoduje niższe zwroty portfela. Możesz powiedzieć, że inwestorzy wykazujący efekt dyspozycji mieli niższe zwroty w badanym okresie. Różnica pozornie drobna, ale kluczowa.
FAQ
Czy praca magisterska z ekonomii behawioralnej musi zawierać własne badanie empiryczne?
Niekoniecznie, ale mocno zależy od uczelni i promotora. Na większości kierunków ekonomicznych praca z przeglądem literatury i analizą danych wtórnych jest akceptowalna. Własny eksperyment albo badanie ankietowe podnosi ocenę i jest bardziej wartościowe merytorycznie. Jeśli masz możliwość, zrób własne badanie – to inaczej wygląda na CV i daje ci doświadczenie, które jest trudne do zdobycia inaczej.
Jak zrekrutować uczestników do eksperymentu?
Kilka opcji: ogłoszenia na grupach studenckich na Facebooku/MS Teams (szybkie, bezpłatne, ale ogranicza się do studentów), platformy Prolific lub Clickworker (płatne, lepsza reprezentatywność, możliwość filtrowania), współpraca z uczelnią (dostęp do list mailingowych studentów przez promotora). Budżet na uczestników w Prolific: przy n=120 i wynagrodzeniu 40 zł/osoba to ok. 4800 zł + prowizja platformy. Część uczelni ma granty na badania studenckie – zapytaj w dziekanacie.
Co to jest oTree i czy muszę umieć programować, żeby go używać?
oTree to platforma w Pythonie do eksperymentów ekonomicznych. Podstawowa znajomość Pythona (zmienne, funkcje, pętle) wystarczy do konfiguracji standardowych eksperymentów – większość gotowych szablonów (ultimatum game, public goods, lottery task) jest dostępna na GitHub i wymaga tylko dostosowania parametrów. Jeśli nie programujesz: Qualtrics z randomizacją warunków (survey experiment) to alternatywa dla prostszych badań.
Jak wygląda analiza danych z GPW do tematu efektu dyspozycji?
Potrzebujesz danych o transakcjach indywidualnych inwestorów: kiedy kupili, kiedy sprzedali, po jakiej cenie. KDPW (Krajowy Depozyt Papierów Wartościowych) takich danych nie udostępnia publicznie. Realna opcja dla pracy magisterskiej: anonimizowane dane z konkretnego biura maklerskiego za pośrednictwem promotora, albo badania symulacyjne (tworzysz wirtualny portfel, uczestnicy eksperymentu podejmują decyzje o sprzedaży w oTree). Czyste dane GPW publiczne (kurs, wolumen, bid/ask) są dostępne na stooq.pl i bossa.pl.
Jakie są różnice między teorią oczekiwanej użyteczności a teorią perspektywy w praktyce badawczej?
Teoria oczekiwanej użyteczności (von Neumann i Morgenstern, 1944) to model normatywny: jak racjonalny agent powinien decydować. Teoria perspektywy (Kahneman i Tversky, 1979) to model deskryptywny: jak ludzie faktycznie decydują. W badaniach: prezentujesz uczestnikom pary wyborów, część z nich naruszy aksjomaty EUT (np. naruszenie aksjomatu niezależności w paradoksie Allaisa), i te naruszenia są dowodem na to, że PT lepiej opisuje zachowanie. Różnica w projektowaniu: EUT przewiduje stałe preferencje niezależnie od punktu odniesienia, PT zakłada, że punkt odniesienia (status quo, cena zakupu, punkt aspiracji) jest centralny dla oceny wyników.
