MétaCan
Menu
← Retour à la cohorte
Enregistrement W4403204530 · doi:10.2139/ssrn.4978832

On the Optimal Allocation of Policy-Making

2024· article· en· W4403204530 sur OpenAlexaff
Alessandro Dovis, Rishabh Kirpalani, Guillaume Sublet

Notice bibliographique

RevueSSRN Electronic Journal · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiquePolitics, Economics, and Education Policy
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésPolicy makingComputer scienceEconomicsLaw and economicsPublic economics

Résumé

récupéré en direct d'OpenAlex

How should society allocate policy-making between the legislative and the executive branches of government?We analyze a model in which biased and polarized policymakers set policy in response to shocks.We show that policy issues for which the policy-maker bias is small relative to the degree of polarization should be delegated to the legislature, while policy issues where the bias is large should be delegated to the executive.Moreover, when executive delegation is preferred, it is optimal to leave little discretion and impose a narrow mandate.This finding contrasts with conventional wisdom that executive delegation allows for greater flexibility.The main difference between the two institutional settings is the ability to restrict ex post bargaining under executive delegation.Thus, when the bias is large, executive delegation is preferred because it can effectively constrain policymakers' choices.In contrast, when the bias is small, the ability to bargain ex post allows for flexible responses to severe shocks while limiting political risk.We also study the credibility of these institutions and show that while delegating to the legislature is typically credible, executive delegation is typically not when the bias is exogenous but can be when the bias arises from time inconsistency problems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,054
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,027
Score d'incertitude au seuil0,090

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,054
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0050,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0020,006
Communication savante0,0080,009
Science ouverte0,0030,004
Intégrité de la recherche0,0070,005
Charge utile insuffisante (le modèle a refusé de juger)0,0270,001

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,264
Écart entre enseignants0,242 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2024
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueSSRN Electronic Journal→Même sujetPolitics, Economics, and Education Policy→Travaux en français237 207→