一些研究通过直接估计的方法求解出损失厌恶参数。本部分将回顾已有文献如何在非风险情境和风险情境下实现对损失厌恶参数的直接估计。

在非风险情境下，常用的方法是通过实验获得禀赋效应中卖方愿意出售该产品的最低价格（willingness to accept，WTA）和买方愿意为该物品所支付的最高价格（willingness to pay，WTP）的数据，借助于同一物品的WTA和WTP比值，直接估计损失厌恶参数。一般而言，WTA的中位数约为WTP中位数的两倍（Gächter、Johnson、Herrmann，2007；Novem sky、Kahneman，2005；Sayman、Öncüler，2005）。

在风险情境下，一般通过被试在风险决策中的行为选择构建效用函数，描述被试风险决策行为背后的效用比较过程，并通过求解参数直观地估计出损失厌恶的具体值。具体而言，若被试在风险决策时选择A而没有选择B，则证明A选项的效用大于B选项，反之亦然。通过对效用函数的参数估计，可以得出每个被试的损失厌恶值。直接估计的损失厌恶值能真实地反映被试的损失厌恶程度，而不是得到随着潜在收益值变化而改变的相对序数变量。这类方法根据采用的函数类型可以主要分为以下几种：

1.简化的线性效用函数

该方法假定效用函数是线性形式而非指数形式（Canessa et al.，2013；Tom et al.，2007）。具体思路是以行为上的具体选择——参与或拒绝参与风险决策——为0、1变量，以损失、收益金额的绝对值为自变量进行logit回归。根据损失厌恶的定义将损失值系数和收益值系数的比值λ作为损失厌恶参数。比值λ刻画了被试在参与风险决策过程中对损失值和收益值的敏感程度。与之类似，也有学者直接将潜在收益与潜在损失金额之比作为自变量，以接受或拒绝风险决策的选择行为作为因变量（虚拟变量）进行logit回归，找到“接受”和“拒绝”的决策边界（P接受＝P拒绝＝0.5），此时潜在收益与潜在损失之比即为λ（Gelskov et al.，2015）。(www.daowen.com)

通过参数λ和1的大小比较可以确定被试是否具有损失厌恶的特征，以及损失厌恶程度。λ等于1表示损失值与收益值对被试决策行为的影响一样大；λ大于1代表损失厌恶现象存在；λ越大，表示被试的损失厌恶越强。选用线性效用函数的优点在于函数形式简单，而不足之处在于其只能应用于包含潜在损失和潜在收益的风险决策类型，并且线性效用函数并不能真实反映被试做决策时所采用的效用函数。

2.基于前景理论的结构模型

该方法将前景理论中的价值函数作为效用函数（Harrison，2008；Rutledge et al.，2014；Rutledge et al.，2015），以指数型函数实现对价值函数的量化表的，并考虑风险态度α和损失厌恶λ两个参数，通过对损失域的金额赋予λ的权重表达价值函数在损失域比在收益域更陡峭的函数特点。对损失和收益同样敏感的被试的λ＝1，对损失更敏感的被试的λ＞1，对收益更敏感的被试的λ＜1。该参数决策模型可以广泛地应用于包含混合型、损失型、收益型决策试次的风险决策任务。相比于简化的线性效用函数，基于前景理论的结构模型更能够反应价值函数在损益域的风险态度差异，但是在估计上比较复杂，一般采用最大似然估计的方法对风险态度和损失厌恶两个参数进行估计。