Accounting for Respondent Uncertainty to Improve Willingness‐to‐Pay Estimates
Notice bibliographique
Résumé
In this paper, we develop an econometric model of willingness to pay (WTP) that integrates data on respondent uncertainty regarding their own WTP. The integration is utility consistent, there is no recoding of variables, and no need to calibrate the contingent responses to actual payment data, so the approach can “stand alone.” In an application to a valuation study related to whooping crane restoration, we find that this model generates a statistically lower expected WTP than the standard contingent valuation (CV) model. Moreover, the WTP function estimated with this model is not statistically different from that estimated using actual payment data suggesting that, when properly analyzed using data on respondent uncertainty, CV decisions can simulate actual payment decisions. This method allows for more reliable estimates of WTP that incorporate respondent uncertainty without the need for collecting comparable actual payment data. Dans le présent article, nous avons élaboré un modèle économétrique d’estimation qui internalise l’incertitude des répondants quant à leur propre consentement à payer. L’internalisation est fidèle à la notion «d’utilité»; il n’a pas été nécessaire de transformer les variables ni de calibrer les réponses des répondants avec des paiements réels. L’application de la méthode n’est donc pas dépendante d’autres données ou méthodes. Dans une étude d’évaluation sur le rétablissement de la grue blanche d’Amérique dans laquelle ce modèle a été utilisé, nous avons trouvé que le consentement à payer attendu était statistiquement plus faible que celui obtenu à l’aide de la méthode d’évaluation contingente standard. Par ailleurs, la fonction de consentement à payer estimée à l’aide de ce modèle n’est pas statistiquement différente de celle estimée à l’aide de paiements réels. Cette observation autorise à penser que, lorsque le modèle tient compte des données sur l’incertitude des répondants, les décisions obtenues à l’aide de la méthode d’évaluation contingente peuvent simuler les décisions obtenues à l’aide de paiements réels. Cette méthode permet d’obtenir des estimations du consentement à payer plus fiables, lesquelles intègrent l’incertitude des répondants sans la nécessité de collecter des données comparables de paiements réels.
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 | 0,040 | 0,126 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».