Modeling Price Dynamics in eBay Auctions Using Differential Equations
Notice bibliographique
Résumé
Empirical research of online auctions has grown dramatically in recent years. Studies using publicly available bid data from such websites as eBay.com have found many divergences of bidding behavior and auction outcomes compared with ordinary offline auctions and auction theory. Among the main differences between online and offline auctions are the former's longer duration, anonymity of bidders and sellers, and low barriers of entry. All of these factors lead to dynamics in the bid arrival and price process that change throughout the auction. In this work we examine the price process in a large and diverse set of eBay auctions, for both low-and high-valued items, in terms of item, auction, bidder, and seller characteristics. We propose a family of differential equation models that captures online auction dynamics. In particular, we show that a second-order linear differential equation well approximates the dynamics that occur in our diverse set of auctions. We also introduce a multiple-comparisons test for comparing dynamic models of auction subpopulations, which we use to compare subpopulations of auctions grouped by characteristics of the auction, item, seller, and bidders. We find that price dynamics change throughout the auction and are influenced mostly by factors that affect the level of uncertainty about the outcome (e.g., seller rating, item condition) and the level of competitiveness (e.g., early bidding, number of bids). We accomplish the modeling tasks within the framework of principal differential analysis and functional data models.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».