Identification and Estimation of Demand Models with… — Explicación divulgativa

✨

Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Each language version is independently generated for its own context, not a direct translation.

¡Claro que sí! Imagina que eres un detective económico tratando de entender por qué la gente compra lo que compra. Este paper es como un manual para resolver un caso muy complicado: el misterio de los productos que "desaparecen" de la estantería.

Aquí tienes la explicación, traducida a un lenguaje sencillo y con algunas analogías divertidas:

1. El Problema: El "Efecto Espejo" de las Empresas

Imagina que quieres estudiar qué tan sensible es la gente al precio de los zapatos. Recolectas datos de miles de tiendas. Pero hay un truco: las tiendas no ponen todos los zapatos en todos los lugares.

La trampa: Una empresa de zapatos sabe algo que tú no sabes: "En esta ciudad, la gente ama los zapatos rojos y está dispuesta a pagar mucho por ellos". Así que, decide traer zapatos rojos solo a esa ciudad. En otra ciudad, donde la gente prefiere los azules y son más baratos, no trae los rojos.
El error: Si tú, el investigador, miras los datos y ves que en la ciudad "roja" los zapatos son caros y se venden mucho, podrías pensar: "¡La gente no le importa el precio!". Pero en realidad, la empresa solo puso esos zapatos allí porque sabía que la demanda era alta.
La consecuencia: Si no corriges esto, subestimas cuánto le importa a la gente el precio. Piensas que la demanda es "dura" (no cambia mucho con el precio), cuando en realidad es muy sensible. Es como si un chef cocinara solo para los clientes que ya le tenían hambre, y luego dijera: "¡Miren, mis clientes siempre tienen hambre, no importa qué precio cobre!".

2. Por qué los métodos antiguos fallan

Antes, los economistas usaban reglas simples para arreglar este problema. Imagina que intentas adivinar por qué alguien entra a una tienda basándote solo en el clima (llueve o no).

El problema real: En el mundo de los negocios, las decisiones de entrada no son tan simples. Dependen de una "orquesta" de factores ocultos. Si una aerolínea decide volar a una ciudad, no solo mira el clima; mira lo que hacen sus rivales, lo que sabe sobre el tráfico aéreo y lo que cree que ganará.
El fallo: Las reglas antiguas asumen que la decisión de entrar es lineal y predecible. Pero en la realidad, es como un juego de ajedrez donde las piezas se mueven al mismo tiempo. Si usas las reglas viejas, te quedas ciego ante la información oculta que tienen las empresas.

3. La Solución de los Autores: El "Detector de Fantasmas"

Los autores (Aguirregabiria, Iaria y Sokullu) proponen una nueva forma de mirar el problema. En lugar de asumir que las empresas son tontas o que no saben nada, asumen que saben cosas que tú no ves.

Su método funciona en dos pasos, como un proceso de "detective":

Paso 1: Encontrar los "Tipos de Mercado Ocultos"

Imagina que hay diferentes tipos de "personalidades" en los mercados que no puedes ver a simple vista.

Tipo A: Mercados donde la gente es muy leal a las marcas.
Tipo B: Mercados donde la gente busca siempre el precio más bajo.
Tipo C: Mercados donde la gente valora la comodidad sobre todo.

Las empresas saben a qué tipo pertenecen antes de entrar. Los autores usan un truco estadístico (llamado "mezcla de distribuciones") para adivinar cuántos de estos tipos ocultos existen y cómo se comportan las empresas en cada uno, simplemente mirando qué productos entran y cuáles no en diferentes lugares. Es como si, viendo qué ropa usan las personas en una fiesta, pudieras deducir si hay grupos de rockeros, de ejecutivos y de estudiantes, aunque nadie te haya dicho sus nombres.

Paso 2: Corregir la Estadística

Una vez que han identificado estos "tipos de mercado ocultos", pueden calcular la probabilidad de que una empresa entre en un mercado específico, teniendo en cuenta esa información oculta.

Usan esta probabilidad para "limpiar" sus datos.
Al hacer esto, pueden separar la verdadera sensibilidad al precio de la "mala suerte" de haber observado solo los mercados donde las empresas decidieron entrar.

4. El Resultado: ¡La verdad duele (pero es buena)!

Cuando aplicaron este método a los datos de las aerolíneas en EE. UU., descubrieron algo sorprendente:

Los métodos viejos decían que a la gente no le importaba mucho si el precio de un vuelo subía (la demanda era rígida).
El nuevo método reveló que la gente es mucho más sensible al precio de lo que se pensaba.

¿Por qué importa esto?
Si un gobierno o una empresa cree que la gente no le importa el precio, podría subir los precios o permitir fusiones que creen que no afectarán a los consumidores. Pero, gracias a este nuevo método, ahora sabemos que si suben los precios, la gente sí dejará de volar.

En resumen

Este paper es como darles unas gafas de visión nocturna a los economistas.

Sin las gafas: Solo ven qué productos están en la estantería y sacan conclusiones erróneas porque ignoran que las empresas eligieron ponerlos allí basándose en secretos que solo ellas conocían.
Con las gafas: Pueden ver los "fantasmas" (la información oculta) que guían las decisiones de las empresas. Al hacerlo, pueden calcular con mucha más precisión cuánto le importa realmente a la gente el precio.

Es una herramienta poderosa para no ser engañado por la "curva de selección" y entender la economía tal como realmente funciona: un juego de información incompleta donde las empresas siempre tienen un paso de ventaja.

Each language version is independently generated for its own context, not a direct translation.

Resumen Técnico: Identificación y Estimación de Modelos de Demanda con Entrada y Salida Endógena de Productos

1. El Problema: Sesgo de Selección Endógena en Demanda Diferenciada

En la estimación de sistemas de demanda para productos diferenciados (como en la industria de aerolíneas, supermercados o computadoras), es común que ciertos productos no estén disponibles en algunos mercados o periodos. Las firmas toman decisiones de entrada basándose en expectativas de demanda que incluyen información no observable por el investigador (choques de demanda $\xi_{jt}$ ).

Este fenómeno genera un sesgo de selección endógena: las firmas entran en mercados donde anticipan una demanda más fuerte. Si este proceso de selección no se corrige adecuadamente, los estimadores de los parámetros de demanda (elasticidades, efectos de características) serán inconsistentes.

La dificultad central:
A diferencia de los modelos de selección estándar (como el de Heckman), en este contexto:

Los choques de demanda son multidimensionales y tienen un efecto no aditivo en los beneficios esperados de las firmas.
Esto viola las condiciones de monotonía necesarias para que la "puntuación de propensión" (propensity score) estándar sea un estadístico suficiente para corregir el sesgo.
La existencia de múltiples equilibrios en los juegos de entrada y precios introduce no monotonicidades adicionales.
Los métodos existentes o bien imponen supuestos fuertes sobre la información de las firmas (asumiendo que no conocen los choques de demanda al entrar) o requieren la estimación conjunta de modelos estructurales completos (demanda, costos y entrada), lo que hace que la identificación dependa fuertemente de supuestos de oferta (funciones de costo, forma de competencia).

2. Metodología Propuesta: Un Estimador Semiparamétrico en Dos Pasos

Los autores proponen un nuevo método que identifica los parámetros de demanda de manera secuencial sin depender de supuestos restrictivos sobre el lado de la oferta.

A. El Concepto Clave: Puntuaciones de Propensión Latentes
El artículo introduce el concepto de puntuaciones de propensión latentes ( $P_j(x_t, \kappa_t)$ ), que son las probabilidades de entrada condicionadas no solo a las variables observables ( $x_t$ ), sino también a un vector de variables latentes ( $\kappa_t$ ) que capturan la heterogeneidad no observada común a las firmas (como choques de demanda y costos compartidos).

B. Identificación (Dos Pasos)
El resultado de identificación se basa en dos proposiciones principales:

Identificación de las Puntuaciones Latentes (Paso 1):
- Se demuestra que la distribución conjunta de las decisiones de entrada de las firmas ( $a_{1t}, ..., a_{Jt}$ ) sigue una estructura de modelo de mezcla finita.
- La dependencia cruzada en las decisiones de entrada (más allá de lo explicado por $x_t$ ) revela la información sobre la distribución de las variables latentes $\kappa_t$ .
- Utilizando un enfoque de sieve (tamiz) no paramétrico, se aproximan las funciones de probabilidad de entrada condicionales y la distribución de los tipos de mercado latentes mediante una mezcla finita discreta. Esto permite recuperar las probabilidades de entrada condicionales a cada tipo de mercado latente.
Identificación de los Parámetros de Demanda (Paso 2):
- Se demuestra que el término de sesgo de selección en la ecuación de demanda es una convolución de las puntuaciones de propensión latentes y los promedios condicionales de los choques de demanda ( $\mu_j(\kappa)$ ).
- Esto permite expresar el término de sesgo como una combinación lineal de regresores construidos a partir de las puntuaciones latentes estimadas en el primer paso.
- Se utiliza un estimador de Método Generalizado de Momentos (GMM) con variables de control (control function) para estimar los parámetros de demanda ( $\alpha, \beta, \sigma$ ) y los parámetros del sesgo de selección simultáneamente, corrigiendo también la endogeneidad de los precios.

C. Ventajas Computacionales y de Robustez

Semiparamétrico: No requiere asumir una forma funcional específica para la distribución de los choques de demanda ni para la función de costos.
Separación: Identifica la demanda sin necesidad de resolver el equilibrio del juego de entrada y precios en cada iteración (evitando algoritmos de punto fijo anidados costosos).
Flexibilidad: Permite que las firmas tengan información completa sobre los choques de demanda al momento de entrar, corrigiendo así el sesgo de especificación en el juego de entrada.

3. Aplicación Empírica: Industria de Aerolíneas de EE. UU.

Los autores aplican el método a datos trimestrales (2012-2013) de rutas entre los 100 principales áreas metropolitanas de EE. UU.

Datos: 2,230 mercados no direccionales (pares de aeropuertos) y 17,155 observaciones mercado-trimestre.
Modelo: Demanda Logit Anidado con competencia de Bertrand-Nash.
Selección del Modelo: Se comparan especificaciones con diferentes números de tipos de mercado latentes ( $L$ ). Los criterios de información (AIC/BIC) y la estabilidad de las elasticidades sugieren que $L=3$ es suficiente para capturar la heterogeneidad no observada.

4. Resultados Principales

La aplicación empírica revela hallazgos críticos sobre la magnitud del sesgo en los métodos convencionales:

Subestimación de la Elasticidad-Precio:
- Los métodos estándar (OLS, 2SLS sin corrección de selección) y los métodos que corrigen selección pero asumen un solo tipo de mercado (Logit paramétrico o semiparamétrico simple, $L=1$ ) subestiman significativamente la elasticidad-precio de la demanda.
- Ejemplo: La elasticidad-precio propia promedio pasa de $\approx -1.6$ (OLS) a $\approx -5.5$ (2SLS estándar) y finalmente a $\approx -7.6$ con el método de mezcla finita ( $L=3$ ).
- Esto implica que la demanda es mucho más elástica de lo que sugieren los modelos tradicionales.
Impacto en el Índice de Lerner:
- Debido a la mayor elasticidad estimada, el poder de mercado (medido por el Índice de Lerner) disminuye drásticamente.
- El Lerner promedio cae del 68.8% (OLS) al 19.9% (2SLS estándar) y se estabiliza en 15.1% con el método propuesto ( $L=3$ ).
Costos Marginales y Selección:
- Al estimar los costos marginales, se encuentra que el sesgo de selección afecta menos a los costos que a la demanda. Esto sugiere que la heterogeneidad en las decisiones de entrada de las aerolíneas se explica principalmente por la heterogeneidad no observada en la demanda, no en los costos.
Implicaciones para Contrafactuales:
- Los modelos que ignoran la correlación no observada en las decisiones de entrada tienden a sobrestimar la "contestabilidad" del mercado. Por ejemplo, predicen una mayor probabilidad de entrada de nuevos competidores tras fusiones de lo que los datos respaldan, lo que podría llevar a evaluaciones incorrectas de políticas antimonopolio.

5. Contribuciones y Significancia

Este trabajo aporta tres contribuciones fundamentales a la literatura de microeconomía estructural y econometría:

Nuevas Condiciones de Identificación: Establece condiciones generales para la identificación secuencial de parámetros de demanda en presencia de entrada endógena, demostrando que el sesgo de selección es identificable mediante una mezcla de puntuaciones de propensión latentes, incluso cuando fallan las condiciones de monotonía estándar.
Método de Estimación Robusto: Propone un estimador semiparamétrico en dos pasos que es computacionalmente simple (evita la estimación conjunta de modelos estructurales completos) y robusto frente a diversas estructuras de oferta y formas de información de las firmas.
Evidencia Empírica Crítica: Demuestra que las prácticas actuales en la industria (que a menudo ignoran la complejidad de la selección o asumen información incompleta) conducen a errores sustanciales en la estimación de la competencia y el poder de mercado.

Conclusión:
El artículo demuestra que para obtener estimaciones consistentes de la demanda en mercados oligopólicos con entrada endógena, es imperativo modelar la correlación no observada en las decisiones de entrada. Ignorar esta estructura latente no solo sesga los parámetros de demanda, sino que distorsiona profundamente las conclusiones sobre la competencia y el bienestar en análisis de política industrial.

Identification and Estimation of Demand Models with Endogenous Product Entry and Exit