我们研究了拥有一件商品如何影响对其质量的学习和信念。 我们表明，与非拥有商品的相同信息相比，人们对他们拥有的商品的信息有更极端的React：所有权在收到积极信号后会导致更乐观的信念，而在收到消极信号后会导致更悲观的信念。 将学习与规范性基准进行比较表明，人们过度推断有关他们拥有的商品的信号，从而导致对信息的过度React； 相比之下，对于非拥有商品，学习接近贝叶斯。 我们提供的直接证据表明，这种影响是由所有权将更多注意力引导到相关信息所驱动的，这导致人们在形成信念时过度重视最近的信号。 所有权和信念之间的关系对贸易和市场预期具有可检验的影响。 与这些预测一致，我们表明禀赋效应在响应积极信息时加倍并随着消极信息而消失，并在有关股市预期的调查数据中证明所有权与过度推断之间存在显着关系。

针对不平衡数据中特征维数高、标记样本缺乏问题,提出一种基于遗传算法和BiasedSVM的不平衡数据半监督特征选择算法。该方法首先利用初始的标记样本集训练处理不平衡数据的Biased-SVM模型,然后用训练好的Biased-SVM模型为未标记样本加上标签,再把新标记样本加入到初始标记样本集中,得到新标记样本集,最后采用基于遗传算法的不平衡数据特征选择方法选出最优的特征子集。实验结果表明,所提方法在不同的标记样本率下均具有较高的平均特征子集缩减率和平均小类识别率。