Determinants of elapsed time to switch between auctions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Online auctions, which have become an important aspect of online sales, are generally regarded as stand‐alone events. However, in contrast to offline auctions, online auctions can be subject to the presence of simultaneous competing auctions. The purpose of this study is to model and estimate determinants of elapsed time to switch across concurrent auctions, with special attention to unobserved heterogeneity among bidders. Design/methodology/approach Since auctions are dynamic and since the current winning bid progresses over time, the authors study time dependency over the course of an auction with hazard function models. To account for unobserved heterogeneity, the paper uses a latent class approach, which identifies bidder segments based on both observed and unobserved factors. Findings The findings show significant heterogeneity across bidders, revealed by their varying degrees of propensity to switch across auctions. The three segments of bidders are The Inerts – about 30 percent, The Switchers – less than 10 percent, and The In‐Betweens. According to the findings, bidders can induce other bidders to switch to a concurrent auction by responding quickly to the current high bid. Moreover, the paper finds a surprisingly high degree of inertia and reluctance to switch towards the end of the auction when bidding is most critical. Originality/value To the authors' knowledge, this study is the first to model elapsed time to switch from one auction to a simultaneous auction for an identical product, and to investigate determinants of the time required to switch, with special attention to unobserved heterogeneity across bidders.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,045 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle