MétaCan
Menu
Retour à la cohorte
Enregistrement W853562174 · doi:10.1007/s10683-016-9507-y

Distributing scarce jobs and output: experimental evidence on the dynamic effects of rationing

2017· article· en· W853562174 sur OpenAlexafffund
Guidon Fenig, Luba Petersen

Notice bibliographique

RevueExperimental Economics · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic theories and models
Établissements canadiensSimon Fraser UniversityUniversity of Saskatchewan
Organismes subventionnairesSimon Fraser University
Mots-clésRationingEconomicsMicroeconomicsScarcityEconometrics

Résumé

récupéré en direct d'OpenAlex

Abstract How does the allocation of scarce jobs and production influence their supply? We present the results of a macroeconomics laboratory experiment that investigates the effects of alternative rationing schemes on economic stability. Participants play the role of worker-consumers who interact in labor and output markets. All output, which yields a reward to participants, must be produced through costly labor. Automated firms hire workers to produce output so long as there is sufficient demand for all production. In every period either output or labor hours are rationed. Random queue, equitable, and priority (i.e., property rights) rationing schemes are compared. Production volatility is the lowest under a priority rationing rule and is significantly higher under a scheme that allocates the scarce resource through a random queue. Production converges toward the steady state under a priority rule, but can diverge to significantly lower levels under a random queue or equitable rule where there is the opportunity for and perception of free-riding. At the individual level, rationing in the output market leads consumer-workers to supply less labor in subsequent periods. A model of myopic decision-making is developed to rationalize the results.

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)0,004
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,021
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,002
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,261
Écart entre enseignants0,222 · 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'étudeSimulation ou modélisation
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

Citations3
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueExperimental EconomicsMême sujetEconomic theories and modelsTravaux en français237 207