A Structural Model of Correlated Learning and Late-Mover Advantages: The Case of Statins
Notice bibliographique
Résumé
We propose a structural model of correlated learning with indirect inference to explain late-mover advantages. Our model focuses on a class of products with the following two features: (i) products that build on a common fundamental technology (e.g., computer processor, car, smartphone, etc.) and (ii) that consumers can observe some product attributes of a product (e.g., CPU clock speed, horsepower of a car engine, screen size of a smartphone, etc.), but when making their purchase decisions, consumers are not sure how efficiently the product can translate its observed attributes to performing tasks that they care about. For products that base on a similar technology, it is plausible that consumers use the information signals of one product’s technological efficiency to help them update their belief about another product’s technological efficiency within the same product category. As a result, a late entrant could benefit from the information spillover generated by an early entrant. We apply our framework to the statin market in Canada, where drugs rely on a similar mechanism to reduce the cholesterol level. In our model, patients/doctors can observe a statin’s efficacy in reducing the cholesterol level, but they are uncertain about how effectively it can convert its cholesterol-reducing ability to reducing heart disease risks. Our estimation results show that the combination of correlated learning and informative and persuasive detailing explain the success of the two late entrants in the statin market: Lipitor and Crestor. This paper was accepted by Matthew Shum, marketing.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».