Notice bibliographique
Résumé
In chapter 1, I study how spillover effects from competitors' choices affect a firm's decision to open a store. Using panel data from the United Kingdom's fast food industry, I propose and estimate a game of entry under incomplete information that incorporates spillover effects between firms' entry decisions. A positive spillover is identified for Burger King - increasing the stock of existing McDonald's by 1 outlet increases Burger King's estimated equilibrium probability of opening a new store by approximately 18 percentage points. Chapter 2 advances our collective knowledge about the impact of learning from others in industry dynamics, and whether it can generate the clustering of rival retailers. Uncertainty about new markets provides an opportunity for learning from others, where one firm's past entry decisions signal to others the potential profitability of risky markets. The setting is Canada's hamburger fast food industry from its inception in 1970 to 2005, where I introduce a new estimable dynamic oligopoly model of entry/exit with unobserved heterogeneity, common uncertainty about demand, learning through entry, and learning from others. I find that the presence of uncertainty induces retailers to herd into markets that others have previously done well in. Finally, chapter 3 (joint with Feng Chi) studies the early adoption of Twitter in the 111th House of Representatives. Our main objective is to determine whether successes of past adopters have the tendency to speed up Twitter adoption, where past success is defined as the average followers per Tweet - a common measure of "Twitter success" - among all prior adopters. The data suggests that accelerated adoption can be associated with favorable past outcomes: increasing the average number of followers per Tweet among past adopters by a standard deviation (of 8 followers per Tweet) accelerates the adoption time by about 112 days.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».