Expected Utility Theory and Inner and Outer Measures of Loss Aversion
Notice bibliographique
Résumé
We introduce a weak rank dependent utility (RDU) model, with one extra parameter compared to the canonical expected utility (EUT) model, which makes many of the same predictions as cumulative prospect theory (CPT). The model extends a set of nonconvex preferences to its maximal inner convex subset, satisfies stochastic dominance principles, resolves the Allais paradox, predicts CPT fourfold pattern of risk attitudes, and characterizes reference dependent preferences. Unlike extant RDU models that transform probability weighting functions (pwfs), our model transforms ranked choice sets while leaving objective probabilities intact. So pwfs are hidden in our model. CPT’s loss aversion index is a special case of the interior solution for the extra parameter for unconstrained utility maximization, and it is driven by tail probabilities in our model. We provide several examples to show how popular formulae for the loss aversion index can be classified into inner and outer measures of loss aversion via an approximate Radon–Nikodym formulation of the model. This resolves sources of disparity in estimating the loss aversion index with experimental data. We show that under extant approaches, the loss aversion index is best estimated by a mixture of inner and outer measures of itself. Furthermore, we identify a CPT paradox: The utility loss aversion index is unmeasurable under CPT nonexpected utility framework for mixed lotteries; but measurable for same under the expected utility paradigm adapted to our model.
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 | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| 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 ».