MétaCan
Menu
Retour à la cohorte
Enregistrement W1589289334

Credence Goods, Consumer Misinformation, and Quality

2012· preprint· en· W1589289334 sur OpenAlexaff
Soham Baksi, Pinaki Bose, Di Xiang

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2012
Typepreprint
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Market Behavior and Pricing
Établissements canadiensUniversity of ManitobaUniversity of Winnipeg
Organismes subventionnairesnon disponible
Mots-clésCournot competitionProduct differentiationBertrand competitionEconomic surplusQuality (philosophy)MicroeconomicsOligopolyProfit (economics)EconomicsBusinessCredence goodNatural experimentIndustrial organizationWelfareInformation asymmetryMarket economy
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

For certain products, consumers' misinformation about quality is more endemic at intermediate levels of the quality spectrum rather than at the top or the bottom levels of quality. Using an oligopoly model of vertical product differentiation with three quality levels - green, natural, and brown - we examine the consequences of consumers' overestimation of the quality of the natural (i.e. intermediate quality) product. There are three firms in the market, with each type of firm producing the corresponding type of the product. The firms choose the quality level of their product before choosing its price (Bertrand case) or quantity (Cournot case). Irrespective of the nature of second stage competition, we find that quality overestimation by consumers increases profit of the natural firm, and motivates it to raise its product’s quality. In response, the green firm improves its quality even further, but ends up with lower profit. Overall, average quality of the vertically differentiated product improves, which raises consumer surplus. Social welfare increases when firms compete in prices but falls when they compete in quantities.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,022
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,022
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,003
Communication savante0,0040,004
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,000

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.

Tête enseignante Opus0,076
Tête enseignante GPT0,338
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetConsumer Market Behavior and PricingTravaux en français237 207