Resumen Técnico: La utilidad del trabajador como histéresis: Un modelo de Preisach para la aceptación de transacciones en mercados de trabajo gig

1. Planteamiento del problema

El artículo aborda una limitación fundamental en la modelización de los mercados de trabajo gig: el modelo canónico de búsqueda de empleo trata la aceptación del trabajador como una regla de umbral estática (aceptar si el salario es > salario de reserva). Este enfoque no logra capturar dos realidades estructurales de las plataformas gig:

1. No estacionariedad: Los salarios de reserva no son fijos; cambian según la experiencia reciente, la presión competitiva y la distancia temporal desde el inicio de la tarea.
2. Heterogeneidad de la población: Las respuestas agregadas no son el comportamiento de un "trabajador representativo", sino la integral de una población con diversos umbrales y opciones externas.

Tratar esta heterogeneidad como mero ruido distorsiona sistemáticamente las estimaciones de la sensibilidad al precio. Los autores argumentan que la naturaleza binaria de los resultados de las transacciones (aceptado/rechazado) no es un obstáculo observacional, sino una restricción teórica que apunta hacia la histéresis: un sistema donde el producto actual depende de la historia del input, no solo del input actual.

2. Marco Teórico: El Modelo de Preisach

Los autores adoptan el modelo de Preisach, desarrollado originalmente para la histéresis magnética, para modelar la utilidad del trabajador.

• El Histéron: Cada trabajador se modela como un elemento de conmutación binaria (histéron) definido por un par de umbrales $(\alpha, \beta)$ donde $\alpha \ge \beta$.
  • $\alpha$ (Umbral de aceptación): El nivel salarial en el que un trabajador cambia a on (acepta).
  • $\beta$ (Umbral de rechazo): El nivel salarial en el que un trabajador cambia a off (rechaza).
  • Zona de indiferencia: Entre $\beta$ y $\alpha$, el estado del trabajador depende de su historia. Si la última vez aceptó, permanece en el estado de aceptación; si la última vez rechazó, permanece en el estado de rechazo.
• Salida Agregada: La probabilidad total de aceptación es la integral de la función de densidad $\mu(\alpha, \beta)$ sobre la población de histerones actualmente en "on".
• Predicción Clave: El modelo predice una asimetría direccional. Una disminución de precio deprime la aceptación más de lo que un aumento equivalente la restaura, porque los trabajadores que fueron desconectados por una caída deben cruzar un umbral más alto ($\alpha$) para volver a conectarse, mientras que aquellos que permanecieron conectados solo necesitan mantenerse por encima de $\beta$.

3. Metodología: Pipeline de Estimación de Dos Etapas

La estimación directa de la densidad bidimensional $\mu(\alpha, \beta)$ a partir de datos binarios es un problema mal planteado. Los autores proponen una estrategia indirecta utilizando superficies de utilidad media condicional como proxies de los primeros momentos de la densidad.

Etapa 1: Red Neuronal de Salida Dual (Estimador de Utilidad)

• Arquitectura: Un codificador compartido (256 $\to$ 128 neuronas, LeakyReLU) alimenta dos cabezales de salida independientes (64 $\to$ 1).
• Salidas:
  • $U_1(X)$: Utilidad estimada para las transacciones aceptadas.
  • $U_0(X)$: Utilidad estimada para las transacciones rechazadas.
• Función de Pérdida: Combina el Error Cuadrático Medio (MSE) para cada subpoblación con una penalización de margen ($\lambda = 0.5$) que impone la restricción estructural $U_1 \ge U_0$ para las transacciones aceptadas. Esto asegura que la superficie de "utilidad de aceptación" permanezca por encima de la superficie de "utilidad de rechazo", de acuerdo con la lógica de Preisach.
• Entrenamiento: Entrenado con 36.891 transacciones de una plataforma gig polaca mediante optimización Adam.

Etapa 2: Clasificador XGBoost

• Entradas: El modelo no alimenta directamente las estimaciones de utilidad bruta. En su lugar, construye un conjunto de características que incluye:
  1. El Gap de Preisach: $\hat{U}_1(X) - \hat{U}_0(X)$ (proxy para el ancho de la zona de indiferencia).
  2. Codificaciones Precio-Umbral: Cinco características derivadas del logaritmo de la fuerza del precio ($lps$) relativo a las superficies estimadas (por ejemplo, $r_0 = lps/|U_0|$, $d_1 = lps - U_1$).
• Objetivo: Mapear estas características a la probabilidad de aceptación $P(\text{aceptar} | X)$.

4. Datos y Configuración Experimental

• Conjunto de Datos: 36.891 transacciones de una plataforma gig polaca (retail, hostelería, logística, salud) que cubren marzo–mayo de 2024.
• Contexto: Los datos incluyen un experimento de precios controlado donde los salarios variaron $\pm 10\text{--}20\%$ para cuentas de clientes seleccionadas aleatoriamente. Sin embargo, los autores señalan que la fijación de precios fue parcialmente endógena (los operadores subían los precios en turnos previamente rechazados), lo que limita la identificación causal de la elasticidad sin un diseño totalmente aleatorizado.
• División (Split): División estratificada 80/10/10 para entrenamiento/validación/prueba.

5. Resultados Clave

Rendimiento Predictivo

• Mejor Rendimiento: El pipeline de dos etapas utilizando la red neuronal de salida dual y el conjunto completo de características (V6) alcanzó un puntaje Jaccard de 0.827 y un ROC AUC de 0.799.
• Importancia de las Características: La ganancia de rendimiento más significativa (+11.0 pp en AUC para regresores XGBoost, +1.4 pp para la NN) provino de codificar explícitamente la relación precio-umbral (posición relativa de la oferta) en lugar de usar las estimaciones de utilidad bruta. Esto confirma que los trabajadores evalúan las ofertas en relación con puntos de referencia, no en términos absolutos.
• Estadístico de Gap: El codificador compartido en la NN produjo una distribución de gap coherente (std $\approx$ 0.8) en comparación con los regresores independientes (std $\approx$ 0.01), lo que llevó a mejores fronteras de clasificación.

Firma de la Histéresis

• El modelo confirma la asimetría direccional predicha: las disminuciones de precio deprimen las tasas de finalización más de lo que los aumentos equivalentes las elevan.
• La elasticidad local (cerca del precio actual) parece simétrica ($\pm 4.5\%$), pero la asimetría emerge en excursiones de precio mayores, activando la distribución completa de umbrales.

Implicaciones Económicas (Recomendaciones Salariales)

Al aplicar el modelo al conjunto de datos completo para optimizar una probabilidad de aceptación objetivo de 0.80, se obtiene un resultado paradójico:

• Optimización Simultánea: El modelo recomienda reducir los salarios para el 74.2% de las transacciones (donde $P(\text{aceptar}) \gg 0.80$) y aumentar los salarios para el 25.4% (donde $P(\text{aceptar}) < 0.80$).
• Resultado: Esta estrategia reduce la factura salarial total en un 21.3% mientras aumenta la tasa de finalización esperada en 9.7 puntos porcentuales.
• Mecanismo: Esto es una "descomposición posicional". Para la mayoría de las transacciones, el salario actual está muy por encima del umbral necesario; recortar los salarios libera un "colchón" sin que $P(\text{aceptar})$ caiga por debajo del objetivo. Para la minoría, un aumento modesto recupera las transacciones perdidas. Un modelo sin una zona de indiferencia explícita no puede identificar estas posiciones con la precisión suficiente para ejecutar ambos movimientos simultáneamente.

6. Significación y Reivindicaciones

El artículo sostiene tres contribuciones primarias:

1. Teórica: Establece el operador de Preisach como un modelo riguroso y con base teórica para la utilidad del trabajador en mercados laborales desagregados, yendo más allá del modelo estático de salario de reserva para incorporar la dependencia de la historia y la heterogeneidad.
2. Metodológica: Introduce una estrategia de estimación tratable que evita el problema mal planteado de recuperar la densidad completa de umbrales $\mu$. En su lugar, utiliza utilidades medias condicionales ($U_1, U_0$) y una red neuronal con restricciones de margen para estimar los momentos necesarios para la clasificación.
3. Empírica: Demuestra que codificar el precio relativo a los umbrales estimados es la característica crítica para el rendimiento predictivo. Este hallazgo proporciona evidencia empírica de que los trabajadores evalúan las ofertas como ganancias o pérdidas respecto a puntos de referencia (consistente con la Teoría de las Perspectivas), en lugar de en una escala absoluta.

Los autores concluyen que el marco de Preisach no solo se ajusta a los datos, sino que los organiza, revelando características estructurales como la segmentación del mercado (turnos de retail vs. especialistas) y la zona de indiferencia que son invisibles para los modelos de agente representativo. La capacidad del modelo para recortar costos y aumentar simultáneamente las tasas de finalización se presenta como una consecuencia directa de modelar correctamente el "colchón" creado por la zona de indiferencia.