MétaCan
Menu
Retour à la cohorte
Enregistrement W2946058452 · doi:10.1017/jwe.2019.4

Who Will Replace Parker? A Copula Function Analysis of Bordeaux<i>En Primeur</i>Wine Raters

2019· article· en· W2946058452 sur OpenAlexaff
Don Cyr, Lester M.K. Kwong, Ling Sun

Notice bibliographique

RevueJournal of Wine Economics · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueWine Industry and Tourism
Établissements canadiensBrock University
Organismes subventionnairesnon disponible
Mots-clésWineOenologyBivariate analysisCopula (linguistics)Successor cardinalEconomicsStatisticsEconometricsMathematicsViticultureArt

Résumé

récupéré en direct d'OpenAlex

Abstract The influence of the wine rater Robert Parker Jr. on Bordeaux wine extended over a 40-year period, with a particular impact onen primeurwine prices. Consequently, his announcement in 2015 that he would no longer rateen primeurwines creates some uncertainty for many chateaux that have purposely designed their production with his palate and preferences in mind. Although the wine rater Neal Martin was named by Parker to be his successor in terms ofen primeurwine ratings, there are several other wine critics who have consistently rateden primeurwines over several years. Consequently, we employ copula function analysis to explore which wine critics’ ratings exhibit the closest linear and nonlinear relationship, for right banken primeurwines, with those of Parker. The study employs data over the period of 2005 through 2012, during which time several wine critics, including Neal Martin for the period of 2010–2012, rateden primeurwines alongside Parker. Our results indicate that of the wine critics that continue to rateen primeurwines, the ratings of James Suckling exhibit the highest rank correlation and also bivariate upper tail dependence, identified through copula function analysis, with those of Parker. (JEL Classifications: C19, G13, L66)

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,069

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,024
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,002

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,198
Écart entre enseignants0,191 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Wine EconomicsMême sujetWine Industry and TourismTravaux en français237 207