The effects of competitive reserve prices in online auctions
Notice bibliographique
Résumé
Purpose This paper aims to investigate how competition among online auction sellers influences the setting of both open and secret reserve prices, thereby affecting auction outcome. Design/methodology/approach Using a data set collected from eBay consisting of 787 identical product auctions, three empirical models have been proposed. Model 1 simultaneously estimates the effects of auction competition on a seller’s own open and secret reserve price strategies; Model 2 estimates the effects of auction competition on bidder participation; and Model 3 estimates the direct and indirect effects of auction competition on selling price. Findings Competition among sellers is central to shaping sellers’ reserve price strategies. When there are more concurrent auctions for identical items, sellers tend to specify a low open reserve and are less likely to set a secret reserve. Sellers are strongly influenced by competitors’ reserve price strategies, and tend to follow competition. Finally, auction competition and competitive reserve price strategies influence both bidder entry and selling prices. Practical implications This study has important implications for both sellers and bidders. It highlights the importance for sellers to adapt their reserve price strategies in light of their competitors’ reserve price strategies and offers implications for bidders regarding auction selection. An auction with low starting bid does not necessarily lead to a lower selling price as it attracts more bidders. Originality/value This paper focuses on competition among auction sellers, whereas previous literature has focused on competition among bidders. This paper is the first to study the impact of competing reserve prices in auctions.
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 | 0,025 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».