Effects of behavioral bias regarding demand forecasting in a competitive market
Notice bibliographique
Résumé
Abstract Considerable human judgment is involved in demand forecasting. When managers judge demands under uncertainty, they inevitably use signals to update their demand information. These signals are seldom perfect; hence, managers hold behavioral bias about the signal fidelity, that is, over‐ or under‐estimating the signal fidelity. This article models managers' behavioral bias about signal fidelity in Bayesian demand forecasting and explores its impact on competitive firms. We find that no matter whether the competitor's manager is unbiased or biased, a firm can benefit from its manager's slight overestimation, but the competitor can benefit from the firm's manager's underestimation. However, when one firm's manager is biased, improving the signal fidelity may not constantly improve firms' profits, revealing the potential risk of behavioral bias on the efficiency of the forecasting systems. We further consider the diversity of biased managers and the information asymmetry regarding the bias. Except that the benefits of behavioral bias exist, we additionally find that managers' heterogeneous behavioral bias can form a hedge effect and bring a win‐win situation. Under asymmetric information, managers' inference bias on the competitor's type may benefit firms by easing the negative impact of managers' behavioral bias about signal fidelity. We finally analyze the social welfare and consumer surplus, check the robustness of the main results and deliver additional findings by considering competing firms, different signal fidelity measures, and the signal‐dependent behavioral bias.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».