The Winner’s Curse in Dynamic Forecasting of Auction Data: Empirical Evidence from eBay
Notice bibliographique
Résumé
Problem definition: Dynamic forecasting models in auctions have fallen short on two dimensions: (i) the lack of an equilibrium model for final bids and (ii) the lack of a winner’s curse (i.e., a tendency to overpay conditional on winning the auction) adjustment to allow bidders to account for a common value component in the auction item. In this paper, we develop a methodology to accurately predict equilibrium stage bids from the initial bidding dynamics and quantify the impact of the winner’s curse. This methodology allows us to conduct policy simulations to optimize auction design parameters. Methodology/Results: Dynamic auctions typically have a stage of high exploratory activity, followed by an inactivity period, and then an equilibrium stage of last-minute bids with sharp jumps. With a Kalman filter approach, we use exploratory stage bids to predict an auction item’s valuation distribution. We feed this prediction into an equilibrium model and apply item-specific adjustments for winner’s curse, bidder heterogeneity, and inactivity period. We use the resulting equilibrium model to predict the equilibrium stage bids. Our methodology improves the forecast of equilibrium stage bids by 11.33%, on average, compared with a state-of-the-art benchmark. This improvement is even higher (18.99%) for common value auctions. We also find that (i) significantly more (respectively, fewer) bidders internalize the winner’s curse in common value (respectively, private value) auctions; (ii) bidders in common value auctions decrease their bids by 6.03% because of the winner’s curse; and (iii) the inactivity period has a lesser impact on the equilibrium stage bids in private value auctions. Managerial implications: Our proposed methodology is intended to facilitate the need in academia and practice for real-time bid predictions that encompass different levels of the common value component in auctions. Using our methodology, auction platforms can support their choice of minimum bid increment policies and decide how to allocate resources across different auctions to mitigate the adverse effects of the winner’s curse. Supplemental Material: The online appendix is available at https://doi.org/10.1287/msom.2022.1165 .
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 | 0,021 | 0,110 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 ».