Incentives for care, litigation, and tort reform under self-serving bias
Notice bibliographique
Résumé
This chapter presents a strategic model of incentives for care and litigation under asymmetric information and self-serving bias, and studies the effects of damage caps. Our main findings are as follows. First, our results suggest that the defendant's bias decreases his expenditures on accident prevention, and hence, increases the likelihood of accidents. Second, both litigants' biases increase the likelihood of disputes. Third, our results indicate that, although self-serving bias help litigants commit on tough negotiation positions, it is economically self-defeating for the informed plaintiff. Fourth, our findings suggest that that the plaintiff's bias is always welfare reducing. The defendant's bias is welfare reducing if under-deterrence is present. We then illustrate the benefits of incorporating self-serving bias into the theoretical analysis of tort reform by studying the effects of damage caps. We find that this tort reform decreases the defendant's level of care if the biased defendant perceives the cap as relatively low. Importantly, we find that the positive effect of damage caps on lowering the likelihood of disputes, commonly attributed to this tort reform, might not necessarily be observed in environments with biased litigants: Caps might induce higher likelihood of disputes if the defendant perceives the cap as relatively low, and the plaintiff perceives the cap as relatively high. As a result, this tort reform might be welfare reducing.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».