MétaCan
Menu
Retour à la cohorte
Enregistrement W3124661297

Risk aversion and framing effects

2012· preprint· en· W3124661297 sur OpenAlexaff
Louis Lévy‐Garboua, Hela Maafi, David Masclet, Antoine Terracol

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2012
Typepreprint
Langueen
DomaineDecision Sciences
ThématiqueDecision-Making and Behavioral Economics
Établissements canadiensCenter for Interuniversity Research and Analysis on Organizations
Organismes subventionnairesnon disponible
Mots-clésLotteryFraming effectFraming (construction)NormativeStochastic gameRisk aversion (psychology)PsychologySocial psychologyEconomicsLoss aversionIncentiveEconometricsSalientMicroeconomicsExpected utility hypothesisMathematical economicsComputer sciencePolitical scienceArtificial intelligence
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

We present a new experimental evidence of how framing affects decisions in the context of a lottery choice experiment for measuring risk aversion. We investigate framing effects by replicating the Holt and Laury's (Am. Econ. Rev. 92:1644-1655, 2002) procedure for measuring risk aversion under various frames. We first examine treatments where participants are confronted with the 10 decisions to be made either simultaneously or sequentially. The second treatment variable is the order of appearance of the ten lottery pairs. Probabilities of winning are ranked either in increasing, decreasing, or in random order. Lastly, payoffs were increased by a factor of ten in additional treatments. The rate of inconsistencies was significantly higher in sequential than in simultaneous treatment, in increasing and random than in decreasing treatment. Both experience and salient incentives induce a dramatic decrease in inconsistent behaviors. On the other hand, risk aversion was significantly higher in sequential than in simultaneous treatment, in decreasing and random than in increasing treatment, in high than in low payoff condition. These findings suggest that subjects use available information which has no value for normative theories, like throwing a glance at the whole connected set of pairwise choices before making each decision in a connected set of lottery pairs.

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)0,014
score de la tête « metaresearch » (Gemma)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,942
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0140,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0020,004
Intégrité de la recherche0,0010,003
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 Opus0,091
Tête enseignante GPT0,415
Écart entre enseignants0,324 · 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.

Devis d'étudeAutre devis
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

Citations1
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetDecision-Making and Behavioral EconomicsTravaux en français237 207