В то время как данные азартных игр от индивидуального уровня — это довольно недавнее явление в области азартных игр, исследовательские исследования, использующие такие данные, способствовали лучшему пониманию поведения азартных игр в различных контекстах. Ранняя работа предоставила обзоры поведения онлайн-игроков со временем в азартных играх, таких как спортивные ставки, казино и покер (например, Labrie et al. 2007, 2008; laplante et al. 2009). Эти вклады использовали поперечное сечение азартных игр и поведенческие метрики, которые позволяют сравнивать между собой, например, представителя ежедневного объема ставок или частоты ставок Беттора в разнообразных азартных играх. Это приводит к лучшему пониманию поведенческих различий между формами онлайн-азартных игр. Совсем недавно некоторые эмпирические исследования азартных игр использовали данные счета игр для изучения того, как предыдущие убытки прогнозируют последующее поведение ставок. Эти исследования могут проанализировать либо внутри или между поведением сеанса. Внутри сеанса исследования расследуют немедленные реакции игроков на убытки с точки зрения того, и насколько они делают ставки во время их текущей сессии. Работа между сессией ориентирована на ли. Как скоро игроки вернутся на азартные игры после потерь. Интерес к поведению между сеансом связан с проблемами азартных игр, таких как DSM-V, спрашивая, возвращается ли человек, чтобы азартные игры еще один день, чтобы попытаться восстановить убытки. Нараянан и Манчанда (2012) изучали поведение ставок в «поездке» в казино. Они проанализировали случайную выборку клиентов карт лояльности 2000 года, чьи азартные игры наблюдались более 2 лет в определенном казино. Большинство ставок в их данных происходит от слотов. Средняя длина смежных игр в «поездке» длится около 2 ч. Нараянан и Манчанда (2012) обнаружили, что более 95% игроков казино было менее вероятно, чтобы продолжить азартные игры, если они выиграли в предыдущей ставке. Они также заметили, что средние игроки казино имеют тенденцию продолжать играть, когда убытки или победы были маленькими. Тем не менее, игроки выходят на сессию, когда их кумулятивные потери или победы превысили определенное большое количество. Suhonen и Saastamoinen (2018) изучали, как предыдущие результаты ставок предсказывают текущее потребление в сеансе, используя данные финских онлайн-гонок. Они сосредоточились на встрече лошадей в августе 2012 года, моделируя поведение ставок на гонку к гонкам 5217 онлайн Bettors. Настоящая статья проанализировала повседневное поведение ставок в течение 30 дней, и этот период включает в себя крепеж, на которой сосредоточены Suhonen и Saastamoinen (2018). Они обнаружили, что Бетторы имели тенденцию снизить объем ставок в следующей гонке на 4%, если они понесли убытки в предыдущих гонках. Однако если Беттор был впереди, он предсказал на 6% увеличение объема ставок в следующей гонке. Ma et al. (2014) проанализировано между поведением между ними сеанса с онлайн-азартными игральными данными из BWIN, крупнейшего оператора международных азартных игр с использованием счетов 22 304 новых клиентов, которые были использованы в течение 8 месяцев. Они использовали данные с агрегированными панелью на неделю, которые включали все игры азартных игр доступны (I.E., Poker, игры в казино, видеоигры и спортивные ставки). Их целью было изучение того, как совокупные результаты игроков. Последние результаты в азартных играх прогнозируют поведение игроков на следующей неделе. Они обнаружили, что клиенты, которые проигрывают в предыдущей неделе, имеют тенденцию сократить размеры ставок на 26% на следующей неделе. Forrest и MCHALE (2016) были первыми, которые использовали регресс выживаемости, чтобы изучить поведение, преследующую убытку сеанса, обладающими держателями карты лояльности, играя в игровые автоматы в казино Rank Group в течение 4 лет. Согласно их определению, поведение по убыткам присутствовало, когда игрок вернулся к воспроизведению после того, как атипично высокий проигрышный сеанс раньше, чем иным образом. Поскольку их эмпирическая модель требовала, чтобы человек занимался несколькими последовательными сеансами ставок, они ограничивали анализ регулярных игроков, которые сделали не менее 50 посещений казино в год. Они обнаружили, что для большинства игроков, будучи неудачником в последнем визите, прогнозирует более длительное время на следующий визит. Тем не менее, около 2% игроков имели тенденцию вернуться в игру раньше, чем обычно после нетипичной потерей, которые они рассматривали как указание по поведению потери. Чтобы обобщить, основное нахождение исследований, которые проанализировали ассоциацию между предыдущими убытками и текущими ставками, игроки, как правило, снижают свой риск в ставках после потери предыдущего ставки или по терям визита. Это указывает на то, что маловероятно, что представитель Bettor является убытком-Chaser. Однако исключением было нараянан и Манчанда (2012), который обнаружил, что наземные игроки казино реагировали в противоположном порядке к проигрышему ставке на азартной сессии. Ma et al. (2014) Обсуждается возможные причины этого противоречивого нахождения. Они прокомментировали, что «в частности, Нараянан и Манчанду (2012) провели анализ поездки в прогулке визитов казино, основываясь на предположении, что результаты предыдущих поездок не влияют на последующие азартные игры.Такое предположение может быть разумно для азартных игр казино, но кажется нереальным для онлайн-азартных игр ». Тем не менее, Suhonen и Saastamoinen (2018) обнаружили, что гонки онлайн-гонок на самом деле имеют тенденцию сокращать свои ставки после потери ставки в рамках азартных игр. Таким образом, причина (ы) для противоречивого результата, полученного нараянаном и Манчандой (2012), остается неясным. Эта статья добавляет к небольшому, но растущей области исследований, которая использует данные индивидуальных учетных данных для изучения того, как текущие азартные игры влияют на прошлые результаты ставок. Мы расширяем литературу (Narayanan. Manchanda 2012; MA et al. 2014; Forrest и MCHALE 2016; Suhonen и Saastamoinen 2016), анализируя, как быть неудачником в последнем дне ставок предсказывает время на следующее участие в онлайн-ставках на гонке онлайн. Поскольку предыдущая литература является редкой и содержит некоторые противоречивые результаты, необходимы больше исследования для оценки поведения игроков после проигрыша сеансов ставок. Новый вклад этого исследования состоит в том, чтобы моделировать время игрока на следующую сессию ставок в качестве функции последних результатов ставок в онлайн-ставках. Ранние эмпирические исследования по поведению отдельных азартных игр со временем обычно используются метрики, такие как частота ставки или продолжительность азартных игр (например, Labrie et al. 2007, 2008; laplante et al. 2009), используя данные поперечного сечения для предоставления обзора поведения азартных игр. за период времени. Наш подход заключается в том, чтобы следить за выбором Беттора между ежедневными сессиями, используя время поведенческого метрики до следующего дня ставок. Это позволяет нам предоставлять новое представление о том, как последнее проигрышное сеанс прогнозирует время на следующую сессию в онлайн-азартных играх. Мы также изучаем, неясно, предсказывает, прогнозируют, прогнозируют недобросовестные выигрыши или проигрыватели в течение следующих азартных игр. Еще одно расширение до предыдущей эмпирической азартной литературы (I.E. LABRIE et al. 2007, 2008; laplante et al. 2009) заключается в том, что мы используем статистическое моделирование. Мы используем регрессию выживания, что является нечасто используемым методом в этом поле. Хотя мы сосредоточены на том, как исход ставок последнего дня ставок предсказывает время следующей активности ставок, существует множество смешанных факторов, которые должны быть учтены в моделировании доходности в ставках. Например, люди могут иметь разнообразные азартные игры (например, jolley et al. 2006) или участие ставок в некоторые дни недели могут быть чаще, чем на других. Кроме того, поскольку наши данные содержат фоновые переменные для каждого игрока, ставку на Бокспример возраст и пол, мы изучаем ассоциацию между этими переменными и временем следующего взаимодействия в ставках. Модель выживания может обрабатывать несколько факторов одновременно. Обеспечить более точную оценку повторного въезда Беттора. Насколько нам известно, Forrest и MCHALE (2016) — единственное исследование, которое изучает отслеживание азартных игр с использованием регрессии выживания. Их анализ относится к поведению клиентов, использующих карты лояльности для воспроизведения слотов на кирпичных и минометных казино в Великобритании. Это исследование расширяет свой анализ в другую азартную деятельность. В целом, исследования вопросов, касающихся того, сколько времени требуется до тех пор, пока произойдет событие процентов, не может быть осмотрен с использованием моделирования выживаемости. Ключевая концепция в анализе является время выживания, какие мельницы (2011) определяются как продолжительность или время, пока событие не произойдет. Анализ выживания был применен в нескольких научных дисциплинах, например, во многих областях социальных исследований (Mas-Verdu et al. 2015; Plank et al. 2008; Kiefer 1988). Медицинские исследования (Ishak et al. 2013; Lee. Go 1997). Основным преимуществом моделей выживания является то, что они выполняют лучшее, чем обычные регрессионные (OLS) модели с отклонениями от нормы в данных выживания (см. CLEAVES et al. 2010). Это исследование использует параметрические модели выживания, где допущения распределения выполнены на основе ставку на Волейболилучших данных. Мы используем данные онлайн-гонок для лошадей, предоставляемые финской компанией Monopoly Betting. В отличие от предыдущих исследований, проведенных с этим набором данных (например, Suhonen и Kainulainen 2016; Suhonen and Saastamoinen 2018; Suhonen et al. 2018; Saastamoinen и Suhonen 2018; Kainulainen 2019), мы построили ежедневные данные панели для этого анализа и Единица анализа — это отдельные ставки владельца счета ставок на определенную дату. Кроме того, это исследование анализирует временной аспект поведения азартных игр, тогда как другие исследования эксплуатировали этот источник данных для моделирования денежных азартных игр. Остальная часть статьи организована следующим образом. Раздел «Методы» описывает набор данных на уровне отдельных уровней, поведенческие атрибуты и методы регрессии выживания, используемые в анализе. Раздел «Результат» представляет описательную статистику. Результаты оценки регрессии выживания. Наконец, раздел «Обсуждение» обсуждает основные выводы этой статьи.