Neural Demand Estimation with Habit Formation and Rationality Constraints

Este artículo presenta un sistema de demanda neuronal flexible que integra formación de hábitos y restricciones de racionalidad para estimar participaciones presupuestarias, demostrando mediante simulaciones y datos empíricos que este enfoque mejora la precisión predictiva y captura pérdidas de bienestar más significativas ante cambios de precios en comparación con los modelos estáticos tradicionales.

Lo esencial

Imagina que eres un chef experto en un restaurante muy concurrido. Tu trabajo es predecir exactamente qué platos pedirán tus clientes mañana, basándote en los precios de hoy y en cuánto dinero tienen en el bolsillo.

La mayoría de los economistas tradicionales usan una receta fija (como el sistema AIDS) para hacer estas predicciones. Es una receta probada, pero es un poco rígida: asume que si el precio de la pasta sube, la gente simplemente compra menos pasta y más arroz, sin importar qué hayan comido ayer.

Este paper, escrito por Marta Grzeskiewicz, propone una nueva forma de cocinar: una "red neuronal" (una inteligencia artificial) que aprende a predecir los pedidos, pero con reglas estrictas de la economía para que no se vuelva loca.

Aquí te explico los tres ingredientes principales de su receta, usando analogías simples:

1. La IA que aprende a "comer" (El Sistema de Demanda Neuronal)

En lugar de usar una fórmula matemática antigua y rígida, la autora entrena a una computadora (una red neuronal) para que observe miles de recibos de compra y aprenda cómo la gente reparte su dinero entre diferentes productos (como analgésicos: aspirina, paracetamol, ibuprofeno).

• La analogía: Imagina que la computadora es un estudiante muy inteligente que observa el menú y el bolsillo de los clientes. En lugar de seguir una regla estricta, la IA "adivina" la proporción de dinero que gastarás en cada cosa.
• El truco: Para asegurar que la IA no diga cosas absurdas (como que gastarás el 200% de tu dinero), la autora le pone "frenos" económicos. Le dice: "Oye, si el precio de algo sube, no puedes pedir más de eso (a menos que sea algo muy raro)" y "Si cambias de producto, debe ser por una razón lógica, no al azar". Esto se llama "regularidad".

2. El "Fantasma del Hábito" (Formación de Hábitos)

Aquí está la gran innovación. La mayoría de los modelos asumen que cada día es un día nuevo. Pero en la vida real, lo que compraste ayer influye en lo que compras hoy.

• La analogía: Piensa en tu café de la mañana. Si ayer compraste una marca específica, es muy probable que hoy vuelvas a comprarla, no porque el precio haya bajado, sino porque tienes un hábito. Tienes un "stock de hábito" (una memoria de tus compras pasadas).
• El problema de los viejos modelos: Si un modelo antiguo ve que el precio de tu café favorito sube, piensa: "¡Ah! La gente está cambiando a otra marca porque es más barata". Pero en realidad, la gente sigue comprando la misma marca porque está "enganchada" al hábito. El modelo antiguo confunde lealtad/hábito con cambio de preferencia.
• La solución de la autora: Su IA incluye un "fantasma" en la ecuación: un registro de lo que compraste en el pasado. Al ver este registro, la IA entiende: "Ah, no están cambiando de marca porque el precio subió, es porque tienen un hábito fuerte".

3. ¿Por qué importa esto? (El impacto en tu bolsillo)

La autora prueba su modelo con datos reales de una cadena de supermercados (Dominick's) vendiendo analgésicos. Los resultados son sorprendentes:

• Predicción más precisa: Al incluir el "fantasma del hábito", la IA predijo los pedidos futuros con un error un 33% menor que los modelos tradicionales. Fue como si el chef dejara de adivinar y empezara a leer la mente de los clientes.
• El error de la sustitución: Los modelos viejos pensaban que si el precio del ibuprofeno subía, la gente cambiaba masivamente a la aspirina. La IA con hábitos descubrió que no es así. La gente sigue comprando ibuprofeno porque está habituada a él. La "sustitución" que veían los viejos modelos era en realidad solo gente de diferentes tiendas con gustos distintos, no un cambio real por precio.
• El costo real (Bienestar): Cuando la autora calculó cuánto "sufre" el consumidor si el precio del ibuprofeno sube un 10%, el modelo con hábitos dijo: "¡Oye, el daño es un 15-16% mayor de lo que pensábamos!".
  • ¿Por qué? Porque si tienes un hábito fuerte, no puedes cambiar fácilmente de producto aunque el precio suba. Te quedas atrapado pagando más. Los modelos viejos subestimaban este dolor porque asumían que la gente podía cambiar de producto libremente.

En resumen

Este paper nos dice que para entender cómo gastamos nuestro dinero, no basta con mirar los precios de hoy. Debemos mirar nuestra historia de compras.

La autora creó una herramienta que combina la potencia de la Inteligencia Artificial (para ver patrones complejos) con la sabiduría de la economía (para asegurar que las predicciones tengan sentido). Al hacerlo, nos muestra que los hábitos de compra son tan fuertes que, si un precio sube, nos duele más de lo que pensábamos, porque no podemos simplemente "cambiar de opinión" tan fácilmente.

La moraleja: No somos robots que reaccionamos solo al precio de hoy; somos seres con memoria, y esa memoria cambia la forma en que el mundo nos afecta económicamente.

Resumen técnico

Resumen Técnico: Estimación de la Demanda Neural con Formación de Hábitos

1. El Problema

La estimación tradicional de sistemas de demanda (como el AIDS o QUAIDS) enfrenta tres desafíos principales en aplicaciones modernas:

1. Alta dimensionalidad: La necesidad de manejar variaciones de precios en muchas categorías y atributos.
2. Dependencia del estado (State Dependence): Las decisiones de consumo no son independientes del tiempo; están influenciadas por hábitos, acumulación de inventarios y dependencia de referencias, lo que los modelos estáticos ignoran.
3. Coherencia económica para el bienestar: La flexibilidad de los modelos no paramétricos o de aprendizaje automático a menudo carece de las restricciones de integrabilidad (como la simetría de Slutsky) necesarias para calcular medidas de bienestar (como la Variación Compensatoria) de manera coherente.

El objetivo del artículo es desarrollar un sistema de demanda neuronal flexible para la asignación continua de presupuestos que incorpore la formación de hábitos y respete las restricciones de la teoría del consumidor sin imponer una forma funcional paramétrica rígida.

2. Metodología

El autor propone un sistema de demanda neuronal que estima la distribución condicional de las cuotas de presupuesto (budget shares) sobre el simplex, minimizando la divergencia de Kullback-Leibler (KL).

A. Estructura del Modelo:

• Entrada: El estado económico $s_t$ incluye precios ($p_t$), gasto ($y_t$) y un stock de hábito ($\bar{x}_t$).
• Stock de Hábito: Se define como un promedio móvil exponencialmente ponderado (EWMA) del consumo pasado:
  $$\bar{x}_t(\delta) = \delta \bar{x}_{t-1}(\delta) + (1 - \delta) x_{t-1}$$
  Donde $\delta$ es el parámetro de decaimiento que controla la "memoria" del hábito.
• Salida: Las cuotas de presupuesto se generan mediante una función Softmax aplicada a un "puntuador de preferencia" (preference scorer) flexible (una red neuronal MLP). Esto garantiza por construcción que las cuotas sumen 1 (restricción de adición).

B. Función de Pérdida y Regularización:
Para asegurar que el modelo sea económicamente coherente y utilizable para análisis de bienestar, la función de pérdida incluye penalizaciones de regularidad:
$$\mathcal{L}(\psi) = D_{KL} + \lambda_{mono} \cdot \text{Penalización de Monotonía} + \lambda_{slut} \cdot \text{Penalización de Simetría de Slutsky}$$

• Divergencia KL: Minimiza la diferencia entre las cuotas observadas y predichas.
• Monotonía: Penaliza demandas marshallianas con pendiente positiva (excluye bienes Giffen).
• Simetría de Slutsky: Penaliza la asimetría en la matriz de sustitución de Slutsky ($S_{ij} = S_{ji}$), una condición necesaria para la maximización de utilidad racional.

C. Identificación y Endogeneidad:

• Parámetro de Decaimiento ($\delta$): Dado que $\delta$ es débilmente identificado (diferentes valores pueden generar stocks de hábito observacionalmente similares), el autor utiliza un criterio de perfilado (profile criterion) sobre la pérdida KL fuera de muestra para seleccionar $\delta$ y reportar un conjunto identificado en lugar de un punto único.
• Control de Función: Para abordar la endogeneidad de los precios (ej. promociones), se utiliza un enfoque de función de control (Rivers-Vuong) donde los residuos de la primera etapa se incluyen como entradas en la red neuronal.

3. Contribuciones Clave

1. Estimador Neuronal Directo: Propone un estimador que aprende el mapeo de estado a acción (cuotas de presupuesto) directamente mediante minimización de KL, análogo al "clonaje de comportamiento" en aprendizaje por imitación, evitando la necesidad de resolver un problema de optimización anidado hacia adelante.
2. Disciplina Teórica Flexible: Introduce la teoría del consumidor como regularización (penalizaciones) en lugar de restricción paramétrica estricta, permitiendo un modelo flexible que aún produce objetos de bienestar interpretables y auditables.
3. Integración de Hábitos No Paramétrica: Extiende el marco a la demanda dependiente del estado mediante un stock de hábito no paramétrico, demostrando empíricamente cómo condicionar en el estado separa la sustitución estructural de la segmentación persistente.
4. Validación Rigurosa: Combina simulaciones con datos reales (Dominick's) para demostrar que ignorar la dependencia del estado conlleva errores significativos en la estimación de elasticidades y bienestar.

4. Resultados Principales

A. Simulaciones (Datos Sintéticos):

• Precisión Estructural: En entornos estáticos (CES, Stone-Geary), el modelo neuronal recupera las elasticidades y la variación compensatoria (CV) con una precisión casi exacta, superando a sistemas paramétricos como AIDS y QUAIDS, especialmente en curvaturas complejas.
• Impacto de los Hábitos: En un DGP (Proceso Generador de Datos) con formación de hábitos, los modelos estáticos (incluso los flexibles) fallan sistemáticamente, mostrando un error de predicción alto. La adición del stock de hábito reduce el RMSE en más del 80% y la divergencia KL en un orden de magnitud.
• Identificación: El procedimiento de perfilado logra identificar correctamente el régimen de persistencia, aunque el parámetro exacto de decaimiento $\delta$ permanece débilmente identificado (conjunto identificado amplio), lo que refuerza la necesidad de reportar resultados sobre un rango.

B. Aplicación Empírica (Dominick's Analgésicos):

• Predicción Fuera de Muestra: El modelo con hábitos reduce el error de predicción (RMSE) en un 33% en comparación con el modelo estático y sistemas tradicionales (AIDS/QUAIDS).
• Descomposición de la Demanda:
  • Los modelos estáticos muestran una relación positiva entre el precio del aspirina y su cuota de mercado (pendiente hacia arriba), interpretada erróneamente como sustitución.
  • El modelo con hábitos revela que esta relación es en realidad correlación de selección de estado/segmento. Al mantener fijo el stock de hábito, la respuesta estructural del precio se aplana, indicando que la aparente sustitución entre aspirina e ibuprofeno es nula; la sustitución real ocurre principalmente entre acetaminofén e ibuprofeno.
• Análisis de Bienestar:
  • Para un aumento del 10% en el precio del ibuprofeno, el modelo con hábitos estima una pérdida de Variación Compensatoria (CV) aproximadamente 15-16% mayor que el modelo estático.
  • Esto demuestra que ignorar la persistencia de los hábitos subestima el costo del bienestar de los aumentos de precios en mercados de compras repetidas.

5. Significado e Implicaciones

El artículo establece que la dependencia del estado es una característica de primer orden en los mercados de compras repetidas.

• Para la Política Económica: Ignorar los hábitos puede confundir la selección de segmentos de mercado con la sustitución estructural, llevando a conclusiones erróneas sobre la incidencia de impuestos y el impacto de la inflación.
• Para la Econometría: Demuestra que es posible combinar la flexibilidad del aprendizaje profundo con la disciplina de la teoría económica mediante regularización, logrando modelos que son tanto predictivamente superiores como estructuralmente interpretables para el cálculo de bienestar.
• Método: Proporciona un marco escalable para estimar sistemas de demanda en alta dimensión que respetan las condiciones de integrabilidad, ofreciendo una alternativa robusta a los modelos paramétricos tradicionales y a los enfoques de elección discreta (como BLP) para la asignación continua de presupuestos.

En resumen, la incorporación de hábitos en un sistema de demanda neuronal disciplinado no solo mejora la precisión predictiva, sino que altera fundamentalmente la comprensión de los patrones de sustitución y las evaluaciones de bienestar económico.