Stochastic Dynamic Revealed Preferences for Non-Linear Budget Constraints
Notice bibliographique
Résumé
This paper proposes a nonparametric framework to test and estimate the classic exponential discounting, time separable consumer model in an environment with noisy data caused by the presence of measurement error. Our methodology extends the dynamic revealed preferences framework to make it applicable to survey data where measurement error causes a loss of distributional information that prevents us from applying the revealed preferences tools at the individual level. We combine the strengths of the revealed preferences approach to avoid making arbitrary parametric assumptions on the shape of the utility function, and we use a latent variable integration technique proposed in Schennach (2014) to deal with heterogeneity and measurement error without making strong distributional assumptions. We establish the asymptotic behavior of the estimator and prove the validity of inference using subsampling. Monte Carlo simulations show that an otherwise time-consistent consumer may often be mistakenly taken to be inconsistent in the presence of measurement error by the standard deterministic revealed preferences tests; our proposed methodology does not reject the exponential discounting model in such cases. We find support for exponential discounting behavior in a consumption panel survey for single-individual households, while rejecting the model for the case of couples. The second result is specially interesting, as we establish theoretically, that under measurement error, a version of the collective household exponential discounter model with intra-household preference heterogeneity presented in Adams et al. (2014) (that rationalizes the dataset we use) has the same implications that the standard exponential discounting model.
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 | 0,016 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».