No Claim? Your Gain: Design of Residual Value Extended Warranties Under Risk Aversion and Strategic Claim Behavior
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Traditional one-price-for-all extended warranties do not differentiate customers according to their risk attitudes, usage rates, or operating environment. These warranties are priced to cover the cost of high-usage customers who have more failures and are willing to pay a risk premium for their risk aversion. That makes traditional warranties economically unattractive to low-usage customers and those who are less risk averse. These issues can be addressed by residual value warranties, which refund part of the up-front price to customers who have zero or few claims according to a predetermined refund schedule. Residual value warranties may induce strategic claim behavior, since customers may prefer to pay for small failures out of pocket rather than claim failures now and give up potential refunds later. We design and price residual value warranties to maximize expected profits, taking into account strategic claim behavior and risk attitudes. For the constant absolute risk aversion model, we characterize customers’ optimal claim strategy as well as the net value and support cost for residual value warranties. Surprisingly, the total support cost to the service provider, including repair costs and refunds, is lower for more risk-averse customers under the residual value warranties, whereas their willingness to pay is higher. As contingent contracts, residual value warranties can better price discriminate customers than traditional warranties. We identify conditions under which residual value warranties are strictly more profitable than traditional warranties in a homogeneous market, as well as in heterogeneous markets that differ in various dimensions, such as risk attitude, failure rate, and repair cost.
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.
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 | 0,001 | 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 | 0,000 |
| 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 découle