Recent Developments in Empirical IO: Dynamic Demand and Dynamic Games
Notice bibliographique
Résumé
Introduction Important aspects of competition in oligopoly markets are dynamic. Demand can be dynamic if products are storable or durable, or if utility from consumption is linked intertemporally. On the supply side, dynamics can be present as well. For example, investment and production decisions have dynamic implications if there is “learning-by-doing” or if there are sunk costs. Identifying the factors governing the dynamics is key to understanding competition and the evolution of market structure and for the evaluation of public policy. Advances in econometric methods and modeling techniques and the increased availability of data have led to a large body of empirical papers that study the dynamics of demand and competition in oligopoly markets. A key lesson learned early by most researchers is the complexity and challenges of modeling and estimating dynamic structural models. The complexity and “curse of dimensionality” are present even in relatively simple models but are especially problematic in oligopoly markets in which firms produce differentiated products or have heterogeneous costs. These sources of heterogeneity typically imply that the dimension of these models, and the computational cost of solving and estimating them, increases exponentially with the number of products and the number of firms. As a result, much of the recent work in structural econometrics in IO focuses on finding ways to make dynamic problems more tractable in terms of computation and careful modeling to reduce the state space while properly accounting for rich heterogeneity, dynamics, and strategic interactions.
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,003 |
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 ».