Bayesian Model Averaging in Consumer Demand Systems with Inequality Constraints
Notice bibliographique
Résumé
Share equations for the translog and almost ideal demand systems are estimated using Markov Chain Monte Carlo. A common prior on the elasticities and budget shares evaluated at average prices and income is used for both models. It includes equality restrictions (homogeneity, adding up and symmetry) and inequality restrictions (monotonicity and concavity). Posterior densities on the elasticities and shares are obtained; the problem of choosing between the results from the two alternative functional forms is resolved by using Bayesian model averaging. The application is to USDA data for beef, pork and poultry. Estimation of elasticities and shares, evaluated at mean prices and expenditure, is insensitive to model choice. At points away from the means, the estimates are sensitive, and model averaging has an impact. On estime les équations de partage des systèmes translog et de demande quasi idéale par la méthode de Monte Carlo en chaînes de Markov. Ces deux modèles reposent sur une prémisse commune, celle de l'évaluation des élasticités et des pans du budget à des prix et à des revenus moyens. Les analyses supposent certaines restrictions au niveau de l'égalité (homogénéité, addition et symétrie) et de l'inégalité (monotonie et concavité). On établit la densité des élasticités et des pans a posteriori. Le calcul de la moyenne par le modèle bayesien rend le choix entre les résultats de l'une ou l'autre fonction plus facile. L'auteur a appliqué cette méthode aux données de l'USDA sur le bœuf, le porc et la volaille. L'estimation des parts et des élasticités selon des dépenses et des prix moyens est insensible au modéle utilisé. Néanmoins, elle devient sensible quand on s'éloigne des valeurs moyennes, auquel cas, le modèle employé pour calculer la moyenne a une incidence sur les résultats.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,000 | 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 ».