Notice bibliographique
Résumé
We ask why, in many circumstances and many environments, decision-makers choose to act on a time-regular basis (e.g. adjust every six weeks) or on a stateregular basis (e.g. set prices ending in a 9), even though such an approach appears suboptimal. The paper attributes regular behaviour to adjustment cost heterogeneity. We show that, given the cost heterogeneity, the likelihood of adopting regular policies depends on the shape of the benefit function: the flatter it is, the more likely, ceteris paribus, is regular adjustment. We provide sufficient conditions under which, when policymakers differ with respect to the shape of the benefit function (as in Konieczny and Skrzypacz, 2006), the frequency of adjustments across markets is negatively correlated with the incidence of regular adjustments. On the other hand, if policymakers differences are due to the level of adjustment costs (as in Dotsey, King and Wolman, 1999), then the correlation is positive. To test the model we apply it to optimal pricing policies. We use a large Austrian data set, which consists of the direct price information collected by the statistical office and covers 80% of the CPI over eight years. We run cross-sectional tests, regressing the proportion of attractive prices and, separately, the excess proportion of price changes at the beginning of a year and at the beginning of a quarter, on various conditional frequencies of adjustment, inflation and its variability, dummies for good types, and other relevant variables. We find that the lower is, in a given market, the conditional frequency of price changes, the higher is the incidence of time- and state-regular adjustment. JEL Classification: E31, L11, E52, D01
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».