RG
Richard Gonzalez
Author with expertise in Discrete Choice Models in Economics and Health Care
Achievements
Cited Author
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
12
(50% Open Access)
Cited by:
9,446
h-index:
68
/
i10-index:
240
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Curvature of the Probability Weighting Function

George Wu et al.Dec 1, 1996
When individuals choose among risky alternatives, the psychological weight attached to an outcome may not correspond to the probability of that outcome. In rank-dependent utility theories, including prospect theory, the probability weighting function permits probabilities to be weighted nonlinearly. Previous empirical studies of the weighting function have suggested an inverse S-shaped function, first concave and then convex. However, these studies suffer from a methodological shortcoming: estimation procedures have required assumptions about the functional form of the value and/or weighting functions. We propose two preference conditions that are necessary and sufficient for concavity and convexity of the weighting function. Empirical tests of these conditions are independent of the form of the value function. We test these conditions using preference “ladders” (a series of questions that differ only by a common consequence). The concavity-convexity ladders validate previous findings of an S-shaped weighting function, concave up to p < 0.40, and convex beyond that probability. The tests also show significant nonlinearity away from the boundaries, 0 and 1. Finally, we fit the ladder data with weighting functions proposed by Tversky and Kahneman (Tversky, Amos, Daniel Kahneman. 1992. Advances in prospect theory: Cumulative representation of uncertainty. J. Risk and Uncertainty 5 297–323.) and Prelec (Prelec, Dražen. 1995. The probability weighting function. Unpublished paper.).
0
Paper
Citation1,020
0
Save
0

The Effects of Oncologist Implicit Racial Bias in Racially Discordant Oncology Interactions

Louis Penner et al.Jun 21, 2016
Health providers' implicit racial bias negatively affects communication and patient reactions to many medical interactions. However, its effects on racially discordant oncology interactions are largely unknown. Thus, we examined whether oncologist implicit racial bias has similar effects in oncology interactions. We further investigated whether oncologist implicit bias negatively affects patients' perceptions of recommended treatments (i.e., degree of confidence, expected difficulty). We predicted oncologist implicit bias would negatively affect communication, patient reactions to interactions, and, indirectly, patient perceptions of recommended treatments.Participants were 18 non-black medical oncologists and 112 black patients. Oncologists completed an implicit racial bias measure several weeks before video-recorded treatment discussions with new patients. Observers rated oncologist communication and recorded interaction length of time and amount of time oncologists and patients spoke. Following interactions, patients answered questions about oncologists' patient-centeredness and difficulty remembering contents of the interaction, distress, trust, and treatment perceptions.As predicted, oncologists higher in implicit racial bias had shorter interactions, and patients and observers rated these oncologists' communication as less patient-centered and supportive. Higher implicit bias also was associated with more patient difficulty remembering contents of the interaction. In addition, oncologist implicit bias indirectly predicted less patient confidence in recommended treatments, and greater perceived difficulty completing them, through its impact on oncologists' communication (as rated by both patients and observers).Oncologist implicit racial bias is negatively associated with oncologist communication, patients' reactions to racially discordant oncology interactions, and patient perceptions of recommended treatments. These perceptions could subsequently directly affect patient-treatment decisions. Thus, implicit racial bias is a likely source of racial treatment disparities and must be addressed in oncology training and practice.
0
Citation278
0
Save
0

Design Heuristics in Engineering Concept Generation

Shanna Daly et al.Oct 1, 2012
Journal of Engineering EducationVolume 101, Issue 4 p. 601-629 Design Heuristics in Engineering Concept Generation SHANNA R. DALY, SHANNA R. DALY University of MichiganSearch for more papers by this authorSEDA YILMAZ, SEDA YILMAZ Iowa State UniversitySearch for more papers by this authorJAMES L. CHRISTIAN, JAMES L. CHRISTIAN Massachusetts Institute of TechnologySearch for more papers by this authorCOLLEEN M. SEIFERT, COLLEEN M. SEIFERT University of MichiganSearch for more papers by this authorRICHARD GONZALEZ, RICHARD GONZALEZ University of MichiganSearch for more papers by this author SHANNA R. DALY, SHANNA R. DALY University of MichiganSearch for more papers by this authorSEDA YILMAZ, SEDA YILMAZ Iowa State UniversitySearch for more papers by this authorJAMES L. CHRISTIAN, JAMES L. CHRISTIAN Massachusetts Institute of TechnologySearch for more papers by this authorCOLLEEN M. SEIFERT, COLLEEN M. SEIFERT University of MichiganSearch for more papers by this authorRICHARD GONZALEZ, RICHARD GONZALEZ University of MichiganSearch for more papers by this author First published: 02 January 2013 https://doi.org/10.1002/j.2168-9830.2012.tb01121.xCitations: 109AboutPDF ToolsRequest permissionExport citationAdd to favoritesTrack citation ShareShare Give accessShare full text accessShare full-text accessPlease review our Terms and Conditions of Use and check box below to share full-text version of article.I have read and accept the Wiley Online Library Terms and Conditions of UseShareable LinkUse the link below to share a full-text version of this article with your friends and colleagues. Learn more.Copy URL Share a linkShare onFacebookTwitterLinked InRedditWechat Citing Literature Volume101, Issue4October 2012Pages 601-629 RelatedInformation
Load More