MétaCan
Menu
Retour à la cohorte
Enregistrement W3122518478 · doi:10.1086/677297

Trial and Settlement: A Study of High-Low Agreements

2014· article· en· W3122518478 sur OpenAlexaff
J.J. Prescott, Kathryn E. Spier, Albert Yoon

Notice bibliographique

RevueThe Journal of Law and Economics · 2014
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueLaw, Economics, and Judicial Systems
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésPlaintiffSpeculationSettlement (finance)Actuarial scienceOutlierBusinessEmpirical evidenceEmpirical researchEconomicsLawPolitical scienceFinancePaymentComputer science

Résumé

récupéré en direct d'OpenAlex

This article presents the first systematic theoretical and empirical study of high-low agreements in civil litigation. A high-low agreement is a private contract that, if signed by litigants before trial, constrains any plaintiff’s recovery to a specified range. In our theoretical model, trial is both costly and risky. When litigants have divergent subjective beliefs and are mutually optimistic about their trial prospects, cases may fail to settle. In these cases, high-low agreements can be in litigants’ mutual interest because they limit the risk of outlier awards while still allowing mutually beneficial speculation. Using claims data from a national insurance company, we describe the features of these agreements and empirically investigate the factors that may influence whether litigants discuss or enter into them. Our empirical findings are consistent with the predictions of the theoretical model. Other applications include the use of collars in mergers and acquisitions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,229
Score d'incertitude au seuil0,442

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,215
Écart entre enseignants0,187 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations23
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Law and EconomicsMême sujetLaw, Economics, and Judicial SystemsTravaux en français237 207