MARC

 008250123s2024        us                              c    eng  d
■001000017161147
■00520250211151316
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382742991
■035    ▼a(MiAaPQ)AAI31238506
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a330.9
■1001  ▼aMonk,  Kyle.
■24510▼aEssays  on  the  Economics  of  Search  Algorithms
■260    ▼a[Sl]▼bGeorgetown  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a159  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Rust,  John.
■5021  ▼aThesis  (Ph.D.)--Georgetown  University,  2024.
■520    ▼aThis  dissertation  explores  the  economics  of  search  algorithms  deployed  by  platforms.  Chapters  1  and  2  address  challenges  in  evaluating  market  power  associated  with  algorithms.  Chapter  3  explores  the  mechanisms  that  platforms  use  to  alter  search  outcomes  when  their  access  to  user  data  changes.In  Chapter  1,  I  develop  a  model  of  search  based  on  competition  over  algorithms  that  can  be  used  to  evaluate  the  market  power  of  an  algorithm  that  aids  a  consumer's  search  process.  In  the  model,  platforms  make  an  endogenous  choice  about  how  much  their  algorithms  should  favor  consumers'  preferences  versus  the  platform's  profitability-per-consumer.  This  decision  is  modeled  as  a  choice  to  set  a  distance  between  realized,  consumer-optimal,  and  platform-optimal  search  outcomes.  Finally,  a  general  framework  to  apply  this  model  across  platform  types  is  presented.  In  Chapter  2,  the  model  is  applied  to  JD.com  e-commerce  data.  First,  I  estimate  a  discrete  choice  model  of  consumer  purchase  decisions  given  their  search  outcomes.  Then,  I  estimate  the  structural  search  model.  I  find  that  the  algorithms  achieve  an  outcome  almost  identical  to  the  outcomes  that  maximize  the  platform's  profitability-per-user.  The  finding  suggests  one  of  two  possibilities:  JD.com  has  tremendous  market  power  in  the  market  studied,  or  JD.com  is  using  a  suboptimal  ranking  algorithm  that  maximizes  profits-per-consumer  rather  than  total  profits.  Realigning  the  incentives  of  the  platform  and  consumers  by  banning  first-party  participation  on  e-commerce  platforms  would  improve  the  market  outcomes  for  consumers  and  sellers,  however,  it  would  decrease  the  platform's  profitability-per-consumer  by  a  larger  magnitude.  In  Chapter  3,  I  calibrate  a  structural  model  of  consumer  search  that  allows  the  platform's  beliefs  about  the  consumer  to  be  incorrect.  The  model  estimates  the  weights  the  platform  places  on  user  preferences  and  expected  profits  when  choosing  to  display  search  results.  I  estimate  this  model  separately  for  JD.com  shoppers  that  the  platform  possesses  predictive  data  about  and  for  those  without  this  data.  Then,  I  simulate  search  and  purchase  outcomes  for  the  shoppers  with  predictive  data  as  if  this  data  did  not  exist.  Finally,  I  decompose  the  effects  into  those  from  price  discrimination,  those  from  personalized  steering,  and  those  from  changes  in  market  power.
■590    ▼aSchool  code:  0076.
■653    ▼aAlgorithms
■653    ▼aDigital  economics
■653    ▼aIndustrial  organization
■653    ▼aMarket  power
■653    ▼aPersonalized  pricing
■690    ▼a0501
■690    ▼a0796
■690    ▼a0338
■71020▼aGeorgetown  University▼bEconomics.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0076
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161147▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서