Neural Demand Estimation with Habit Formation and Rationality Constraints

Diese Arbeit stellt ein flexibles neuronales Nachfragemodell vor, das durch Einbeziehung von Gewohnheitsbildung und Rationalitätsrestriktionen die Schätzung von Budgetanteilen und Wohlfahrtsverlusten verbessert, wie eine empirische Anwendung auf Analgetika-Daten zeigt.

Das Wesentliche

Stellen Sie sich vor, Sie gehen jeden Sonntag in den Supermarkt, um Ihre Medikamente zu kaufen. Sie stehen vor dem Regal mit Schmerzmitteln: Aspirin, Ibuprofen und Paracetamol. Die Preise schwanken, manchmal gibt es Angebote, manchmal nicht.

Die traditionelle Wirtschaftswissenschaft versucht vorherzusagen, wie viel Sie von welchem Medikament kaufen werden, indem sie eine einfache Regel aufstellt: „Wenn der Preis steigt, kaufe ich weniger." Das ist wie ein statisches Foto. Es sieht nur den Moment an, in dem Sie kaufen, ignoriert aber alles, was davor passiert ist.

Dieses Paper von Marta Grzeskiewicz sagt: „Das reicht nicht!"

Hier ist die einfache Erklärung der Forschung, gemischt mit ein paar kreativen Vergleichen:

1. Das Problem: Das „Amnesie"-Modell

Stellen Sie sich einen klassischen Ökonomen als einen Amnesie-Patienten vor. Er weiß nicht, dass Sie letzte Woche schon eine ganze Packung Ibuprofen gekauft haben. Er sieht nur den heutigen Preis und denkt: „Oh, Ibuprofen ist teuer, also werde ich heute gar nichts davon kaufen."

In der Realität aber haben Sie Gewohnheiten (Habits). Wenn Sie Ibuprofen gewohnt sind, kaufen Sie es auch dann noch, wenn es etwas teurer wird, weil Sie es einfach brauchen. Oder Sie haben gerade einen Vorrat (Habit/Stockpiling) und kaufen gar nichts, obwohl es billig ist.
Das alte Modell verwechselt diese Gewohnheit mit einer Preissensibilität. Es denkt: „Die Leute reagieren stark auf den Preis", dabei reagieren sie eigentlich nur auf ihre Gewohnheit.

2. Die Lösung: Ein „Gedächtnis" für den Computer

Die Autorin baut einen neuen, smarteren Algorithmus (eine „Neuronale Nachfrage"), der nicht nur ein Foto macht, sondern einen Film schaut.

• Der Trick: Sie gibt dem Computer ein „Gedächtnis". Dieser Computer merkt sich, was Sie in den letzten Wochen gekauft haben. Er berechnet einen „Gewohnheits-Index" (eine Art Erinnerungsspeicher), der sich langsam aktualisiert, je mehr Sie kaufen.
• Die Analogie: Stellen Sie sich vor, Sie trainieren einen Hund. Ein alter Trainer sagt: „Wenn ich die Leine ziehe, läuft er weg." Ein neuer Trainer sagt: „Er läuft weg, weil er gestern schon erschöpft war und heute müde ist." Das neue Modell versteht den Kontext.

3. Die „Disziplin": Der strenge Lehrer

Künstliche Intelligenz (KI) ist oft wie ein wildes Kind: Sie kann alles lernen, auch Unsinn. Wenn man sie nur auf Daten trainiert, könnte sie sagen: „Wenn der Preis steigt, kaufe ich mehr!" (Das wäre absurd, wie ein Giffen-Gut).

Damit das Modell wirtschaftlich sinnvoll bleibt, hat die Autorin es mit Regeln diszipliniert (Regularisierung):

• Die Regel: „Wenn der Preis steigt, darf der Kauf nicht steigen."
• Die Metapher: Stellen Sie sich den KI-Algorithmus als einen Schüler vor, der eine Mathe-Aufgabe löst. Der Lehrer (die ökonomische Theorie) steht daneben und sagt: „Pass auf! Die Antwort muss logisch sein. Wenn du gegen die Gesetze der Physik (oder Ökonomie) verstößt, bekommst du eine Strafpunktzahl."
  Das Modell lernt also nicht nur aus Daten, sondern lernt, vernünftig zu sein.

4. Das Experiment: Dominicks Schmerzmittel-Daten

Die Forscherin hat das Modell mit echten Daten aus einem Supermarkt-Netzwerk (Dominick's) getestet, wo über Jahre hinweg Millionen von Transaktionen aufgezeichnet wurden.

• Das Ergebnis: Das neue Modell mit dem „Gedächtnis" war 33 % genauer bei der Vorhersage, was die Leute kaufen werden, als die alten Modelle.
• Die Überraschung: Als der Preis für Ibuprofen um 10 % stieg, sagten die alten Modelle einen bestimmten Verlust für die Kunden voraus. Das neue Modell sagte: „Nein, der Verlust ist viel größer!" (etwa 15–16 % höher).
  • Warum? Weil die alten Modelle dachten, die Leute würden einfach zu einem anderen Medikament wechseln (Substitution). Das neue Modell erkannte: „Nein, die Leute sind an Ibuprofen gewöhnt. Sie wechseln nicht so leicht, auch wenn es teurer wird. Das macht sie ärmer, als man dachte."

5. Warum ist das wichtig?

Stellen Sie sich vor, die Regierung will eine Steuer auf Schmerzmittel erheben, um die Gesundheit zu fördern.

• Mit dem alten Modell würde die Regierung denken: „Die Leute werden einfach zu billigem Aspirin wechseln. Die Steuer ist also nicht so schlimm für die Armen."
• Mit dem neuen Modell erkennt die Regierung: „Nein, die Leute sind an Ibuprofen gebunden. Sie werden es trotzdem kaufen und dadurch finanziell stärker belastet."

Zusammenfassung in einem Satz

Die Autorin hat eine KI gebaut, die sich an die Vergangenheit erinnert, damit sie nicht nur schaut, was heute teuer ist, sondern versteht, warum Menschen kaufen, was sie kaufen – und kann so viel besser vorhersagen, wie sich Preiserhöhungen auf unseren Geldbeutel auswirken.

Es ist der Unterschied zwischen einem Fotografen, der nur einen Moment einfriert, und einem Regisseur, der die ganze Geschichte kennt.

Technische Zusammenfassung

1. Problemstellung und Motivation

Die Schätzung von Nachfragesystemen ist zentral für die Bewertung von Inflations-, Steuer- und Wohlfahrtspolitiken. Klassische Ansätze wie das „Almost Ideal Demand System" (AIDS) bieten zwar theoretische Konsistenz (Integrabilität), stoßen jedoch an Grenzen, wenn es um:

1. Hohe Dimensionalität: Viele Güter und Attribute.
2. Zustandsabhängigkeit (State Dependence): Konsumentscheidungen werden durch Gewohnheiten (Habits), Vorratshaltung oder Referenzpunkte beeinflusst, was statische Modelle ignorieren.
3. Flexibilität vs. Kohärenz: Der Bedarf an flexiblen Modellen, die dennoch ökonomisch konsistente Wohlfahrtsanalysen (z. B. kompensierende Variation) zulassen, ohne starre parametrische Nutzenfunktionen vorzugeben.

Das Paper adressiert die Herausforderung, ein flexibles, nicht-parametrisches Nachfragemodell zu entwickeln, das Zustandsabhängigkeit (insbesondere Gewohnheitsbildung) berücksichtigt und gleichzeitig durch ökonomische Regularisierung (Integrabilitätsbedingungen) diszipliniert wird, um verlässliche Wohlfahrtsschätzungen zu ermöglichen.

2. Methodik

Der Autor entwickelt ein neuronales Nachfragesystem für die kontinuierliche Budgetallokation auf dem Simplex.

A. Modellierung der Nachfrage

• Zielobjekt: Die bedingte Verteilung der Budgetanteile ($w_t$) gegeben den ökonomischen Zustand ($s_t$).
• Schätzmethode: Minimierung der Kullback-Leibler-Divergenz (KL-Divergenz) zwischen beobachteten und vorhergesagten Budgetanteilen. Dies entspricht der Maximum-Likelihood-Schätzung eines Softmax-Modells für kompositionelle Daten.
• Architektur: Ein „Preference Scorer" (ein mehrschichtiges Perzeptron, MLP) berechnet für jedes Gut einen Nutzenwert (Logit). Die Budgetanteile werden über eine Softmax-Funktion berechnet, was die Additivitätsbedingung ($\sum w_i = 1$) per Konstruktion erfüllt.
• Zustandsvektor:
  • Statisch: Preise ($p_t$) und Einkommen ($y_t$).
  • Gewohnheits-Augmentiert: Zusätzlich ein Gewohnheitsbestand ($\bar{x}_t$), definiert als exponentiell gewichteter gleitender Durchschnitt (EWMA) des vergangenen Konsums:
    $$\bar{x}_t(\delta) = \delta \bar{x}_{t-1}(\delta) + (1-\delta) x_{t-1}$$
    wobei $\delta$ der Decay-Parameter ist.

B. Ökonomische Disziplinierung (Regularisierung)

Da neuronale Netze an sich keine ökonomische Rationalität garantieren, werden Strafterme (Penalties) in die Verlustfunktion integriert, um das System in Richtung ökonomisch kohärenter Vergleichsstatisken zu drängen:

1. Monotonie-Strafe: Bestraft steigende Marshallianische Nachfrage (Verbot von Giffen-Gütern).
2. Slutsky-Symmetrie-Strafe: Bestraft Asymmetrien in der Slutsky-Substitutionsmatrix ($S_{ij} = S_{ji}$).
   • Die Verlustfunktion lautet: $L = D_{KL} + \lambda_{mono} L_{mono} + \lambda_{slut} L_{slut}$.
   • Dies ermöglicht eine Wohlfahrtsanalyse ohne eine explizite parametrische Nutzenfunktion, indem die Integrabilitätsbedingungen als weiche Constraints behandelt werden.

C. Behandlung von Endogenität und Identifikation

• Endogenität: Um Korrelationen zwischen Preisen und unbeobachteten Nachfrageschocks (z. B. Promotionen) zu korrigieren, wird eine Control-Function-Methode (Rivers/Vuong) angewendet. Residuen aus einer ersten Stufe (Instrumentalvariablen) werden als zusätzliche Eingaben in das neuronale Netz aufgenommen.
• Gewohnheits-Decay ($\delta$): Der Parameter $\delta$ ist innerhalb der Stichprobe oft schwach identifiziert, da verschiedene $\delta$-Werte zu ähnlichen Habit-Stocks führen können.
  • Lösung: $\delta$ wird als struktureller Hyperparameter behandelt und mittels eines Profile-Criteria (Out-of-Sample KL-Verlust) ausgewählt.
  • Es wird eine identifizierte Menge (Identified Set) von $\delta$-Werten berichtet, über die die Wohlfahrtsergebnisse robust sind, anstatt sich auf einen einzelnen Punktschätzer zu verlassen.

3. Hauptbeiträge

1. Neuronaler Schätzer auf dem Simplex: Ein skalierbarer Ansatz zur Schätzung kontinuierlicher Budgetallokationen durch KL-Minimierung, der die Accounting-Struktur (Additivität) automatisch erfüllt.
2. Theorie-Disziplinierte Flexibilität: Integration von Konsumententheorie (Slutsky-Symmetrie, Monotonie) als Regularisierungsterme, was eine Wohlfahrtsanalyse aus flexiblen Modellen ohne starre parametrische Annahmen erlaubt.
3. Zustandsabhängigkeit und Gewohnheiten: Erweiterung des Rahmens um einen nicht-parametrischen Habit-Stock. Das Paper zeigt, wie man den Decay-Parameter robust handhabt und wie die Berücksichtigung von Zuständen strukturelle Substitution von persistenter Segmentierung trennt.
4. Empirische Validierung: Anwendung auf Scanner-Daten (Dominick's Analgetika), die zeigt, dass Gewohnheiten die Vorhersagegenauigkeit signifikant verbessern und Wohlfahrtsschätzungen drastisch verändern.

4. Ergebnisse

A. Simulationen (Synthetische Daten)

• Genauigkeit: Das neuronale System rekonstruiert Nachfragekurven, Elastizitäten und kompensierende Variation (CV) in statischen Szenarien (CES, Leontief, Stone-Geary) fast exakt und übertrifft klassische Modelle (AIDS, QUAIDS) und lineare Modelle deutlich, insbesondere bei nichtlinearen Kurven.
• Gewohnheitsbildung: In einem DGP mit Gewohnheitsbildung versagen alle statischen Modelle (auch flexible nicht-parametrische), da sie die Zustandsabhängigkeit als Rauschen behandeln. Die Einbeziehung des Habit-Stocks reduziert den Vorhersagefehler (RMSE) um über 80% und die KL-Divergenz um eine Größenordnung.
• Endogenität: Ohne Control-Function-Korrektur führen endogene Preise zu großen Fehlern. Die Korrektur stellt die Vorhersagegenauigkeit wieder her.
• Identifikation von $\delta$: Die Profilierung zeigt, dass kurze Gedächtnislängen abgelehnt werden, während ein Bereich langer Gedächtnislängen (z. B. $\delta \in [0.49, 0.76]$) beobachtungsäquivalent ist, aber dennoch robuste Wohlfahrtsergebnisse liefert.

B. Empirische Anwendung: Dominick's Analgetika

• Daten: Wöchentliche Scanner-Daten von 93 Geschäften über 399 Wochen, aggregiert auf drei Wirkstoffgruppen (Aspirin, Paracetamol, Ibuprofen).
• Vorhersagegenauigkeit:
  • Das gewohnheitsaugmentierte neuronale Modell reduziert den Out-of-Sample-Fehler (RMSE) um ca. 33% im Vergleich zu AIDS und um 27% im Vergleich zum statischen neuronalen Modell.
  • Ein „Placebo"-Test (zufällig gemischte Historie) zeigt, dass der Gewinn nicht durch bloße zusätzliche Inputs, sondern durch die korrekte zeitliche Abhängigkeit entsteht.
• Substitutionsmuster:
  • Statische Modelle zeigen starke scheinbare Substitution zwischen Aspirin und Ibuprofen sowie steile Preis-Anteil-Gradienten.
  • Das gewohnheitsbasierte Modell zeigt, dass diese Muster größtenteils auf Zustands-Segment-Korrelation (persistente Heterogenität zwischen Geschäften) zurückzuführen sind. Bei Fixierung des Habit-Stocks kollabiert die Kreuzpreiselastizität zwischen Aspirin und Ibuprofen nahe auf Null, während die Substitution zwischen Paracetamol und Ibuprofen robust bleibt.
• Wohlfahrt (Compensating Variation):
  • Bei einer simulierten 10%igen Preiserhöhung von Ibuprofen führt das gewohnheitsaugmentierte Modell zu einem Wohlfahrtsverlust (CV), der ca. 15–16% höher ist als bei statischen Modellen.
  • Dies liegt daran, dass Gewohnheiten die Substitution erschweren; Konsumenten können bei Preisanstiegen nicht so leicht wechseln, was den Wohlfahrtsverlust erhöht.

5. Signifikanz und Fazit

Das Paper demonstriert, dass die Vernachlässigung von Zustandsabhängigkeit (Gewohnheiten) in Nachfragemodellen zu gravierenden Fehlern führt:

1. Verwechslung von Selektion und Substitution: Statische Modelle interpretieren persistente Heterogenität fälschlicherweise als Substitutionsverhalten.
2. Wohlfahrtsverzerrung: Die Schätzung von Wohlfahrtseffekten (z. B. durch Steuern oder Preiserhöhungen) ist ohne Berücksichtigung von Gewohnheiten systematisch unterschätzt.
3. Methodischer Fortschritt: Es bietet einen praktischen Rahmen, um maschinelles Lernen (Neuronale Netze) mit ökonomischer Theorie (Integrabilität, Rationalität) zu verbinden. Durch die Verwendung von Regularisierung und diagnostischen Tests (Near-Integrability) bleibt das Modell interpretierbar und für politische Analysen geeignet.

Die Studie unterstreicht, dass für wiederkehrende Kaufentscheidungen (wie im Einzelhandel) dynamische Modelle nicht nur eine Verfeinerung, sondern eine notwendige Voraussetzung für valide ökonomische Schlussfolgerungen sind.