Synthesizing Econometric Evidence: The Case of Demand Elasticity Estimates
Notice bibliographique
Résumé
Econometric estimates of the responsiveness of health-related consumer demand to higher prices are often key ingredients for policy analysis. Drawing on several examples, especially that of cigarette demand, we review the potential advantages and challenges of synthesizing econometric evidence on the price-responsiveness of consumer demand. We argue that the overarching goal of research synthesis in this context is to provide policy-relevant evidence for broad brush conclusions and propose three main criteria to select among research synthesis methods. We also contribute a new empirical exercise that puts the results of previous research synthesis to the test. In particular, we ask whether the “best” consensus estimates of the price-elasticity of smoking help predict trends in smoking from 1995 to 2010. The demographics of the smoking population in our baseline year predict a downward trend in smoking even if cigarette prices remained constant. Average cigarette prices, however, more than doubled in real terms by 2010. We find that the observed declines in smoking over this period are considerably smaller than smoking demographics combined with prior consensus elasticity estimates would predict. Our results suggest that these consensus estimates may have systematically overestimated the price responsiveness of cigarette demand.
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 | 0,333 | 0,761 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,005 |
| Bibliométrie | 0,028 | 0,019 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,014 | 0,017 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,008 | 0,008 |
| 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 ».