Catch and release? NHL expansion draft endowment effects
Notice bibliographique
Résumé
Purpose The purpose of this paper is to investigate National Hockey League (NHL) expansion draft decisions to measure divestment aversion and endowment effects, and analyze bias and its affect on presumed rational analytic decision making. Design/methodology/approach A natural experiment with three variables (age, minutes played and presence of a prior relationship with a team’s management), filtered athletes that were exposed or protected to selection. A machine learning algorithm trained on a group of 17 teams was applied to the remaining 13 teams. Findings Athletes with pre-existing management relationships were 1.7 times more likely to be protected. Athletes playing fewer relative position minutes were less likely to be protected, as were older athletes. Athlete selection was predominantly determined by time on ice. Research limitations/implications This represents a single set of independent decisions using publicly available data absent of context. The results may not be generalizable beyond the NHL or sport. Practical implications The research confirms the affect of prior relationships on decision making and provides further evidence of measurable sub-optimal decision making. Social implications Decision making has implications throughout human resources and impacts competitiveness and productivity. This adds to the need for managers to recognize and implement de-biasing in areas such as hiring, performance appraisal and downsizing. Originality/value This natural experiment involving high-stakes decision makers confirms bias in a setting that has been dominated by students, low stakes or artificial settings.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,000 | 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 ».