MétaCan
Menu
Retour à la cohorte
Enregistrement W3164326199 · doi:10.3386/w28838

Efficiency and Incidence of Taxation with Free Entry and Love-of-Variety Preferences

2021· preprint· en· W3164326199 sur OpenAlexafffund
Kory Kroft, Jean‐William Laliberté, René Leal Vizcaíno, Matthew Notowidigdo

Notice bibliographique

RevueNational Bureau of Economic Research · 2021
Typepreprint
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Market Behavior and Pricing
Établissements canadiensUniversity of TorontoUniversity of Calgary
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaBooth School of Business, University of ChicagoUniversity of Chicago
Mots-clésVariety (cybernetics)EconomicsComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This paper develops a theory of commodity taxation with love-of-variety preferences and endogenous firm entry and exit. We consider a framework that encompasses a wide range of firm conduct and derive formulas for efficiency and pass-through of specific and ad valorem taxes. These formulas unify existing canonical ones in the literature and lead to novel economic insights for both welfare and incidence. We use them to derive a desirability condition for when ad valorem taxation is more efficient than specific taxation and a condition for when ad valorem taxation leads to greater pass-through than specific taxation. Finally, we consider an empirical application that illustrates how to estimate the key parameters of the tax formulas in a theoretically consistent way. Our results indicate that specific taxes are more efficient at the margin than ad valorem taxes and that product variety is below the socially optimal level.

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,066
Score d'incertitude au seuil0,636

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
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 Opus0,146
Tête enseignante GPT0,396
Écart entre enseignants0,250 · 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'étudeObservationnel
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

Citations11
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetConsumer Market Behavior and PricingTravaux en français237 207