Bibliographic record
Abstract
Cette thèse est organisée en trois chapitres où sont développées des méthodes d’analyse économique et économétrique des marchés de l’énergie. Le Chapitre 1 propose une étude des incitations à la manipulation de marché générées par des opportunités de revenir sur ses engagements. Un modèle théorique est développé pour analyser le comportement d’un monopole face à une frange compétitive en présence d’une demande incertaine, de contraintes de capacité, et de possibilités de trahir ses engagements. Les entreprises se concurrencent avec des fonctions d’offre étant donnés leurs engagements. Le monopole revient sur ses engagements lorsqu’il retire sa production engagée en observant la réalisation de l’incertitude. Il peut ainsi exacerber son pouvoir de marché, réduire l’incertitude autour de la demande, et accroitre sa probabilité de devenir un offreur pivot. À l’équilibre, les stratégies d’offre dépendent du volume de production engagée et du coût d’opportunité de la retirer stratégiquement. En particulier, le monopole peut trouver profitable d’offrir sa production à des prix plus élevés lorsqu’il sait qu’il pourra revenir sur ses engagements si la demande est élevée. Finalement, cette stratégie est présentée comme un comportement de manipulation par perte, et des applications aux marchés de l’électricité sont discutées. Dans le Chapitre 2, nous développons de nouveaux résultats pour les régressions fonctionnelles où le prédicteur Z(t) et la réponse Y (t) sont des fonctions d’espaces de Hilbert, indexés par le temps ou l’espace. Le modèle peut être compris comme une généralisation de la régression multivariée où le coefficient de régression est maintenant un opérateur inconnu Π. Nous proposons d’estimer l’opérateur Π par régularisation de Tikhonov, ce qui revient à appliquer une pénalité sur sa norme L2. Nous dérivons le taux de convergence de l’erreur quadratique moyenne, la distribution asymptotique de l’estimateur, et développons des tests sur Π. Comme les trajectoires ne sont généralement pas complètement observables, nous considérons une situation où les données deviennent de plus en plus fréquentes (asymptotique de remplissage). Nous traitons aussi le cas où Z est endogène et des variables instrumentales sont utilisées afin d’estimer Π. Une application à la consommation d’électricité complète l’article. Le Chapitre 3 propose une nouvelle approche pour l’analyse empirique des enchères à unités multiples, dans lesquelles les participants choisissent des fonctions d’offre ou de demande. Cette approche permet d’évaluer le pouvoir de marché des entreprises dans une cadre d’information privée, en évitant d’avoir à modéliser le mécanisme du marché. Elle repose sur des méthodes économétriques qui traitent les fonctions de mise comme des éléments aléatoires à valeurs fonctionnelles. Notamment, un estimateur fonctionnel à variable instrumentale est développé. La méthode est appliquée au marché de l’électricité de l’état de New York sur des données micro-économiques de mises et de coûts à l’échelle des entreprises pour 2013-2015. J’estime le pouvoir de marché unilatéral des entreprises et compare les comportements observés aux comportements maximisant les profits sous information privée. Je trouve un faisceau d’indices sérieux de comportement optimal, qui suggère que les entreprises sont au courant de leur pouvoir de marché et se comportent en conséquence.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.004 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.029 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".