MétaCan
Menu
Retour à la cohorte
Enregistrement W2096928782 · doi:10.34989/swp-2013-14

Are Sunspots Learnable? An Experimental Investigation in a Simple General-Equilibrium Model

2021· preprint· en· W2096928782 sur OpenAlex
Jasmina Arifovic, George W. Evans, Olena Kostyshyna

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueEconstor (Econstor) · 2021
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic theories and models
Établissements canadiensBank of Canada
Organismes subventionnairesnon disponible
Mots-clésSteady state (chemistry)Stochastic gameEconomicsConvergence (economics)Production (economics)Function (biology)ProductivityMathematicsSunspotSimple (philosophy)EconometricsMathematical economicsExternalityPhysicsMicroeconomicsChemistry

Résumé

récupéré en direct d'OpenAlex

We conduct experiments with human subjects in a model with a positive production externality in which productivity is a non-decreasing function of the average level of employment of other firms. The model has three steady states: the low and high steady states are expectationally stable (E-stable), and thus locally stable under learning, while the middle steady state is not E-stable. There also exists a locally E-stable sunspot equilibrium that fluctuates between the high and low steady states. Steady states are payoff ranked: low values give lower profits than higher values. We investigate whether subjects in our experimental economies can learn a sunspot equilibrium. Our experimental design has two treatments: one in which payoff is based on the firm’s profits, and the other in which payoff is based on the forecast squared error. We observe coordination on the extrinsic announcements in both treatments. In the treatments with forecast squared error, the average employment and average forecasts of subjects are closer to the equilibrium corresponding to the announcement. Cases of apparent convergence to the low and high steady states are also observed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,713
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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

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 Opus0,049
Tête enseignante GPT0,247
Écart entre enseignants0,198 · 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