Homogeneous Algorithms Can Reduce Competition in Personalized Pricing
Identification
- Clé publique
- radar:r-d48b5792238925b89bd41e333fcc8c72
- Auteurs
- Nathanael Jo · Ashia Wilson · Kathleen Creel · Manish Raghavan
- Année déclarée
- 2025
- Langue déclarée
- en
- Type source
- conference-paper
- Première détection
- 2026-11-13T12:38:33.958136+00:00
- Dernière observation des métadonnées
- 2026-11-13T12:38:33.958136+00:00
- Dernière vérification HTTP
- Non effectuée
Institutions déclarées par la source
Massachusetts Institute of Technology · Northeastern University
Pays d’affiliation déclarés
US
Résumé documentaire — langue originale
Firms' algorithm development practices are often homogeneous. Whether firms train algorithms on similar data, aim at similar benchmarks, or rely on similar pre-trained models, the result is correlated predictions. We model the impact of correlated algorithms on competition in the context of personalized pricing. Our analysis reveals that (1) higher correlation diminishes consumer welfare and (2) as consumers become more price sensitive, firms are increasingly incentivized to compromise on the accuracy of their predictions in exchange for coordination. We demonstrate our theoretical results in a stylized empirical study where two firms compete using personalized pricing algorithms. Our results underscore the ease with which algorithms facilitate price correlation without overt communication, which raises concerns about a new frontier of anti-competitive behavior. We analyze the implications of our results on the application and interpretation of US antitrust law.
Identifiants
- OPENALEX
- https://openalex.org/W4415286621
- DOI
- 10.52202/085713-3365
Repères documentaires
- Famille documentaire
- unknown
- Types déclarés par les sources
- conference-paper
Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.
Sources
OpenAlex · Document 1
Citer cette référence
Nathanael Jo; Ashia Wilson; Kathleen Creel; Manish Raghavan. Homogeneous Algorithms Can Reduce Competition in Personalized Pricing. 2025. https://doi.org/10.52202/085713-3365
JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·
APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.
- APA
- Nathanael Jo; Ashia Wilson; Kathleen Creel; Manish Raghavan. (2025). Homogeneous Algorithms Can Reduce Competition in Personalized Pricing. https://doi.org/10.52202/085713-3365
- Chicago
- Nathanael Jo; Ashia Wilson; Kathleen Creel; Manish Raghavan. Homogeneous Algorithms Can Reduce Competition in Personalized Pricing. 2025. https://doi.org/10.52202/085713-3365
- ISO 690
- Nathanael Jo; Ashia Wilson; Kathleen Creel; Manish Raghavan. Homogeneous Algorithms Can Reduce Competition in Personalized Pricing. 2025. https://doi.org/10.52202/085713-3365
Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31
UDTR — Bibliothèque juridique mondiale des droits de la Nature. Homogeneous Algorithms Can Reduce Competition in Personalized Pricing. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-d48b5792238925b89bd41e333fcc8c72/ · Dernière vérification HTTP : non effectuée
Données de cette version figée
Dossiers et relations documentaires
Rôles des sources
Source bibliographique / publication d’origine · https://doi.org/10.52202/085713-3365
Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.
Statut documentaire
Pertinence à examiner
Bibliothèque
Cette identité n’est pas encore intégrée à la Bibliothèque juridique.