行为改变的激励和动机：

睡眠和锻炼的激励措施：

该实验将估计提供激励行为改变的随机临床试验的注册偏差。 在此实验中，我们将测试那些最有动力改变行为的人在为行为改变提供经济或社会激励时是否也最有可能参加（假设的）RCT。

我们假设那些最有可能注册的人在注册之前就已经有动力改变他们的行为，这可能是对无效的偏见试验。 我们将通过估计改变行为的动机是否预示着加入针对该行为的 RCT 的兴趣来检验这一假设。 我们还将测试基线行为是否可以预测加入这些 RCT 的兴趣。

我们将使用模拟邀请进行此实验，以了解并可能加入 RCT。 研究结果将是对此邀请的回应。 我们不会提供实际试验的邀请，但刺激（对“幽灵”试验的模拟邀请）和任务（对邀请的回应）从根本上类似于试验的对应物。 邀请将指定一个机会来获得财务或社会奖励以改善健康行为。

我们将邀请参与者通过增加睡眠或锻炼来获得经济或非经济奖励。 在这项研究中，主要结果将衡量他们是否对参与“不感兴趣”、“稍微感兴趣”或“非常感兴趣”。

在收到邀请之前，他们将完成一份在线问卷调查，衡量他们增加每种行为的动机，以及他们最近的行为和社会人口统计数据。

将针对财务和社会激励以及睡眠与运动试验邀请进行单独分析。 我们将报告行为和动机的点估计和 95% 置信区间 (CI)。

分析将检查他们加入 RCT 的兴趣是否由 1) 他们的基线行为（即睡眠或运动量）​​或 2) 他们改变特定行为的动机预测。 如上所述，我们假设他们改变特定行为的动机水平将预测对针对该行为的试验的兴趣。

测试相对大小的疫苗接种激励措施：

使用单独的样本，该实验将测试提供大额或小额财政激励的政策是否有可能加强 COVID-19 疫苗接种意愿。 该实验将个体随机分配到四个研究组之一，包括 1) 控制条件，2) 教育信息，3) 关于相对较大的经济激励的信息，或 4) 关于相对较小的经济激励的信息。 正如一些专家警告的那样，这项研究的目的是估计任何一种激励政策是否可能对疫苗接种意愿产生负面影响。

在分析相对较大和较小的经济激励措施对疫苗接种意向的影响时，我们将报告总体样本和人口统计子组的点估计值和 95% 置信区间。 我们还将报告所有总体样本和亚群的汇总统计数据。 我们将测试，与控制条件相比，经济激励是否增加、减少或对想要接种疫苗的百分比没有影响。 在第四个研究组中，受试者将收到教育信息，该信息也将与对照条件进行比较。

测试疫苗激励加上不同的疫苗意向测量：

在相关实验中，我们将分别测试 10 种实验条件的影响，使用 FDA 批准消息进行平衡实验操作，外加控制条件。 本研究的目的是比较专家提出的更广泛的疫苗干预措施的效果，包括激励措施和强制措施。

此外，我们还将随机个体进行问卷调查，使用不同的方法测量疫苗接种意向，即研究结果。

比较估计疫苗意图的不同方法：在测试不同提议的疫苗政策的实验中，我们将测试主要结果的响应选项的方法差异是否影响报告“是”的百分比。 为此，我们将测试 2 个（是和否）与 3 个（是、否和不确定）级别的响应选项，并随机排列两组。

该方法论实验将检查对同一问题（关于他们是否想尽快接种疫苗）回答“是”的比例是否会根据回答选项的顺序以及它们是否包含可能/不确定选项而变化。 我们将针对 2 对 3 响应水平和顺序运行交叉表和卡方检验。 仪器测试将针对 COVID-19 疫苗加强剂、初始注射以及流感疫苗进行。

在测试潜在疫苗政策的效果时，没有提供疫苗政策的对照组将与： 1000 美元、200 美元或 100 美元的现金奖励进行比较； 1,000 美元的税收抵免； 100,000 美元、200,000 美元或 100 万美元的彩票；对未接种疫苗的人征收 1,000 美元的税；以及雇主或航空公司、酒吧和餐馆的要求。 主要结果是考虑到假设的疫苗政策，他们是否愿意尽快接种疫苗。

（那些被分配到雇主强制条件的人如果报告不太可能有雇主，将被排除在分析之外。）

OLS 规范将是我们的主要结果，其他措施作为稳健性检查提供。

OLS 模型可以排除所有人口统计控制并对治疗变量运行二元因变量。 （请注意，这种方法是合法的，因为治疗是在受访者之间随机进行的。） 处理包括消息中注明的财务政策（不同金额和类型的激励和惩罚）和（不同类型的）授权。

模型类型：我们将对回答“是”的受访者百分比进行成对 t 检验，将接受激励的受访者与对照组进行比较。 我们将按种族、性别、收入、教育和其他社会人口统计数据对子集执行这些成对测试。

此外，我们将按治疗类型进行这些成对测试。 比较彩票和现金激励，比较正向激励和惩罚，比较激励的大小，以及比较雇主的命令和控制。

我们还将对汇集的数据集进行回归分析，其中左侧观察结果是个体反应，其中回答“是”的人将被编码为 1，而那些回答“否”或“不确定”的人将被编码为零。 我们将包括一组控制（种族、性别、收入、教育等）以及反映受访者是否接受治疗的指标变量。 回归模型将包括普通最小二乘法、probit、最近邻匹配和倾向得分匹配。 我们还将运行这些回归，其中治疗变量被分成几个指标变量，反映所提供的治疗类型以及 FDA 批准的指标。

我们将使用二元结果因变量（如果受访者想接种疫苗则等于 1，否则等于 0）来估计模型（或者使用普通最小二乘法和逻辑回归）。 对于解释变量，我们为十个治疗组中的每一个都包括了虚拟变量。

统计显着性标准：我们将使用 .05 作为我们统计显着性的阈值。

比较 10 种不同疫苗政策的调查实验的样本量计算：我们估计，如果每种情况的最终样本量至少包括 300 名受试者，我们可以检测到大约 5% 或更大的差异。 我们计划将控制和 1000 美元条件的分配增加一倍，以便进行计划比较。

所有实验：每个受试者将被随机分配到一个条件。 参与者将被随机分配以减少观察到的效果是由于未测量的因素造成的机会。 此外，所有研究程序都是自动化的，这改善了对如何进行实验的控制，从而使所有程序始终如一地标准化。

这些研究将招募通过 MTurk 和/或 Prolific 平台招募的基于理论的国家样本。 为了减少招生偏见，招聘和招生材料将用模糊的术语描述研究（例如，“我们有兴趣了解您对健康的看法和偏好）。 每个实验还将测量社会人口变量以用于描述目的。

每个实验的推荐数据清理程序：注意力检查可以识别那些应该从主要分析中排除的人。 （无论注意力检查的表现如何，所有参与者都将获得时间补偿。） 分析将排除那些具有重复 ID 或高欺诈分数的人，我们将进行分析，包括和排除那些完成最快（最快 5%）的人。

复制研究将包括相同的研究设计和程序。