Policy Forum: Cognitive Bias as a Factor in Determining the Efficiency of Sliding Scales
Notice bibliographique
Résumé
In tax law, sharp lines occur where a minimal change in a taxpayer's circumstances results in significantly different legal treatment. Sharp-line tests are criticized because they encourage taxpayers to alter their optimal behaviour for purely tax reasons, thereby producing deadweight loss. The most obvious alternatives to sharp-line tests are sliding scales, which operate by imposing tax proportionately on the basis of where taxpayers fall along a continuum. Scholars, including Edward Fox and Jacob Goldin, have suggested that the adoption of sliding scales in determining tax liability as opposed to the use of sharp-line tests could reduce deadweight loss in many contexts. However, the adoption of sliding scales generally comes at the cost of greater complexity, which can lead taxpayers to make systematic errors in selecting optimal behaviours and can also introduce cognitive biases. This article argues that smoothing existing sharp-line tests may not bring about predicted efficiency gains if such predictions rely on taxpayers behaving optimally. Rather, a more accurate determination of the change in deadweight loss occasioned by a shift from sharp lines to sliding scales would also account for the effects of cognitive bias. In order to illustrate the concepts dealt with herein, this article establishes a simplified example based on tax residence to explain the concepts of deadweight loss, sharp lines, and sliding scales in the context of Fox and Goldin's suggestion that sliding scales would be more efficient than sharp lines in many circumstances.
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 | 0,030 | 0,114 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,015 |
| Communication savante | 0,014 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,008 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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 ».