2.4.1.1 Taxis in New York City

Sawijining panliti digunakake data amba saka taxi meter kanggo sinau kaputusan-nggawe driver taxi in New York. Iki data iki uga cocog kanggo riset iki.

Tuladha saka daya prasaja pancacahan ing bab hak rawuh saka Henry Farber kang (2015) sinau saka prilaku mendhoan pembalap New York City. Senajan grup iki ora bisa muni sipate menarik iku situs riset strategis kanggo Testing kalih teori saingan ing ékonomi pegawe. Kanggo tujuan panelitèn Farber kang, ana loro fitur wigati babagan lingkungan karya mendhoan pembalap: 1) wage jam sing fluctuates saka dina-dina, adhedhasar ing bagean ing faktor kaya cuaca lan 2) nomer jam padha bisa bisa fluctuate saben dina adhedhasar pancasan pembalap kang. fitur iki mimpin kanggo pitakonan menarik bab hubungan antarane bayaran jam lan jam makarya. model Neoclassical ekonomi prédhiksi sing pembalap mendhoan bakal bisa luwih ing dina ngendi padha duwe bayaran jam luwih. Utawa, model saka ekonomi tindak tanduk prédhiksi persis ngelawan. Yen pembalap nyetel income tartamtu target-ngomong $ 100 per dina lan karya nganti target sing wis ketemu, banjur pembalap bakal mungkasi munggah apa jam kurang ing dina sing padha entuk liyane. Contone, yen iku earner target, sampeyan bisa mungkasi munggah apa 4 jam ing dina apik ($ 25 saben jam) lan 5 jam ing dina ala ($ 20 saben jam). Dadi, pembalap bisa luwih jam ing dina karo bayaran luwih jam (kados ingkang dening model Neoclassical) utawa luwih jam ing dina karo bayaran jam ngisor (kados ingkang dening model ekonomi tindak tanduk)?

Kanggo njawab pitakonan iki Farber dijupuk data ing saben trip mendhoan dijupuk dening kabin New York City saka 2009 - 2013, data-data sing saiki tersedia . data-kang iki diklumpukake dening meter elektronik sing kutha mbutuhake taksi kanggo nggunakake kalebu sawetara bêsik informasi kanggo saben trip: miwiti wektu, miwiti lokasi, wektu pungkasan, lokasi pungkasan, beya, lan tip (yen tip iki mbayar karo kertu kredit). In total, data Farber kang sing informasi ing kira-kira 900 yuta lelungan dijupuk sak kira-kira 40 yuta Nggeser (shift iku kira-kira karya siji dina kang siji driver). Ing kasunyatan, ana dadi luwih data, sing Farber mung digunakake sampel acak kanggo analisis. Nggunakake taxi meter data iki, Farber ketemu sing paling pembalap bisa luwih ing dina nalika bayaran sing luwih dhuwur, konsisten karo teori Neoclassical. Saliyane nemokake utama iki, Farber bisa pengaruh ukuran data kanggo pangerten luwih saka beda-beda lan dinamika. Farber ketemu sing liwat wektu pembalap anyar mboko sithik kanggo mangerteni bisa luwih jam ing dina wage dhuwur (eg, padha sinau kanggo nindakake minangka model Neoclassical prediksi). Lan, pembalap anyar sing nindakake liyane kaya earners target luwih kamungkinan kanggo metu kang driver mendhoan. Loro-lorone iki temonan liyane subtle, kang bantuan nerangake prilaku diamati saka pembalap saiki, mung bisa amarga ukuran perlengkapan data ing. Padha kang wis mokal kanggo ndeteksi ing pasinaon sing sadurungé dipigunakaké kertas trip sheets saka nomer cilik mendhoan pembalap liwat wektu cendhak wektu (eg, Camerer et al. (1997) ).

sinau Farber kang ana cedhak-cilik paling apik kanggo sinau nggunakake data amba. First, data padha ora non-wakil amarga kutha dibutuhake pembalap nggunakake meter digital. Lan, ing data padha ora andharaken ing data sing diklumpukake dening kutha iki cantik cedhak data sing Farber wis diklumpukake yen wis pilihan (siji prabédan sing Farber bakal duwe data wanted ing total bayaran-rego karcis plus tips- nanging data kutha ditetepaké tips mbayar ngenggo kertu kredit). Tombol kanggo riset Farber iki nggabungke pitakonan apik karo data apik. The data piyambak ora cukup.