Appendix I Appendix for "Habit Persistence and Keeping Up with the Joneses: Evidence from Micro Data"
Notice bibliographique
Résumé
The data set used in the analysis is a random sample of credit card accounts, active and not delinquent as of July 1999. Each account is followed for the period between the third quarter of 1999 and the third quarter of 2002. The unit of observation is the account in a given quarter. The card could be used by more than an individual and therefore I will refer to the decision maker behind it as household (HH). Although the original sample covers the entire U.S. territory, I restrict the analysis to California, the only state for which retail sales are available at the city level and quarterly frequency. For the same reason, although the credit card data are available at monthly frequencies, I construct quarterly variables, a choice that has also the benefit of reducing the noise that plagues individual monthly consumption data. In constructing the sample, I exclude people whose accounts are inactive and those that don’t use the card very often, in order to obtain a more meaningful measure of consumption. For an account to be in the sample the expenditure can never fall below $50 in any given quarter. The choice of this cutoff is meant to compromise between sample size and representativeness. According to Lim and Benjamin (2001), the average transaction amount on a credit card is $87, 112 % higher than that made in cash. Following the literature, I also exclude retired account holders and people living in military areas, because their expenditures are influenced by special conditions and required specific modelling that is outside the scope of this paper. After this selection
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 | 0,002 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,669 | 0,170 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».