MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016933461
■00520240214101249
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379741938
■035    ▼a(MiAaPQ)AAI30529542
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a100
■1001  ▼aGalashin,  Mikhail.
■24510▼aEssays  on  Economics  of  Beliefs▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Los  Angeles.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(197  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  A.
■500    ▼aAdvisor:  Perez-Truglia,  Ricardo;Wasserman,  Melanie.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThis  dissertation  studies  the  effects  and  elicitation  of  beliefs.  In  the  first  chapter  we  estimate  the  effects  of  macroeconomic  expectations  on  consumer  decisions.  We  examine  this  question  using  an  experiment  with  2,872  credit  card  customers  at  a  large  commercial  bank.  We  provide  participants  with  expert  forecasts  of  inflation  and  the  nominal  exchange  rate  and  measure  the  consumption  response  to  this  information  using  detailed  data  on  individual  credit  card  transactions.  We  find  that  forecasts  strongly  affect  inflation  and  exchange  rate  expectations,  but  do  not  change  spending  or  self-reported  consumption  plans  as  predicted  by  standard  models  of  intertemporal  choice.  Results  from  a  supplementary  survey  experiment  suggest  that  consumers  are  sophisticated  enough  to  anticipate  nominal  rigidities  that  lower  expected  real  income  and  reduce  spending  on  durables  for  precautionary  reasons,  counteracting  the  effects  predicted  by  standard  models  of  intertemporal  optimization.  The  absence  of  a  link  between  consumer  expectations  and  behavior  has  potentially  important  implications  for  macroeconomic  policies  such  as  forward  guidance.The  counter-intuitive  results  motivate  development  of  more  flexible  method  of  belief  elicitation,  which  could  facilitate  understanding  of  the  subjects'  decision  making.  While  the  elicitation  of  numerical  variables,  such  as  inflation,  is  well  understood,  certain  beliefs,  such  as  action  plans  during  an  inflation  hike,  cannot  be  represented  numerically  and  require  verbal  elicitation.  Verbal  elicitation  forces  the  researcher  either  to  use  open-ended  questions  or  know  the  most  important  answers  in  advance.  We  propose  a  method  to  crowdsource  potential  answers  to  open-ended  questions.  This  ensures  that  the  survey  is  adaptive  and  does  not  miss  important  answers  while  maintaining  a  low-cost,  multiple-choice  format.  We  propose  two  measures  of  information  loss  to  evaluate  the  quality  of  multiple-choice  questions:  the  semantic  similarity  of  selected  answers  to  the  open-ended  answers  to  the  same  question  and  the  probability  of  selecting  any  answer  from  the  list.  We  conduct  an  experiment  to  examine  the  impact  of  monetary  incentives  and  characteristics  of  respondents  on  the  quality  of  crowdsourced  answers.  Our  findings  show  that  incentives  can  increase  quality  and  effort,  but  the  effects  are  relatively  small  compared  to  the  variation  across  respondents.  We  find  that  option  authors'  similarity  to  the  respondents  in  beliefs,  political  views,  and  demographics,  explains  a  large  fraction  of  the  variation  in  quality.  These  results  imply  that  sample  selection  is  likely  to  be  more  important  for  crowdsourcing  hypotheses  than  incentive  design.The  third  chapter  outlines  a  research  agenda  extending  the  work  on  the  verbal  elicitation  techniques.  In  particular,  we  focus  on  the  potential  of  large  language  models  (LLMs)  to  improve  belief  elicitation  techniques  with  natural  language.  We  review  the  current  state  of  belief  elicitation  in  economics.  Next,  we  introduce  the  main  architectures  and  relevant  fine-tuning  techniques  for  LLMs.  Lastly,  we  discuss  the  potential  applications  of  LLMs  to  belief  elicitation  and  the  utilization  of  beliefs  in  empirical  work.  This  includes  using  LLMs  for  representing  beliefs  numerically,  interacting  with  subjects  during  belief  elicitation,  and  generating  hypotheses  regarding  how  beliefs  affect  actions.
■590    ▼aSchool  code:  0031.
■650  4▼aEpistemology.
■650  4▼aPhilosophy.
■653    ▼aBelief  elicitation
■653    ▼aBeliefs
■653    ▼aExpectations
■653    ▼aField  experiment
■653    ▼aLab  experiment
■653    ▼aSpending
■690    ▼a0501
■690    ▼a0422
■690    ▼a0393
■71020▼aUniversity  of  California,  Los  Angeles▼bManagement  (MS/PHD)  0535.
■7730  ▼tDissertations  Abstracts  International▼g84-12A.
■773    ▼tDissertation  Abstract  International
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933461▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books