MétaCan
Menu
Retour à la cohorte
Enregistrement W4321448461 · doi:10.1086/720904

Why Did Firms Practice Segregation? Evidence from Movie Theaters during Jim Crow

2022· article· en· W4321448461 sur OpenAlexaff
Ricard Gil, Justin Marion

Notice bibliographique

RevueThe Journal of Law and Economics · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHousing Market and Economics
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésFellRevenueSupreme courtMandateProfit (economics)DesegregationFor profitWhite (mutation)BusinessMarketingAdvertisingEconomicsPolitical scienceLawFinance

Résumé

récupéré en direct d'OpenAlex

Racial segregation by businesses during Jim Crow was often voluntary and practiced without a legal mandate. Voluntary segregation can be driven by profit-motivated business owners catering to racist white customers or discrimination by business owners. We assess the relative importance of customers’ and firms’ discrimination by examining the 1953 desegregation of Washington, DC, movie theaters, which occurred rapidly because of a Supreme Court ruling affecting only businesses in Washington. Using weekly data for a nationwide sample of theaters, we find that revenues of Washington theaters fell relative to other theaters, consistent with reduced demand from biased white customers. We use a test for firms’ discrimination based on a model of the screening decision for films with black actors cast in prominent roles. We cannot reject that the run length of these films was profit motivated. Together, our results point toward customer discrimination as a primary cause of public accommodation segregation.

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)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,720
Score d'incertitude au seuil0,598

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
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 Opus0,031
Tête enseignante GPT0,221
Écart entre enseignants0,190 · 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'étudeThéorique ou conceptuel
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

Citations7
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Law and EconomicsMême sujetHousing Market and EconomicsTravaux en français237 207