📈 economics

A Multinomial Probit Model for Asymmetric Choice Responses

Este artículo propone un modelo Probit Multinomial Asimétrico (SMNP) que utiliza una distribución normal asimétrica multivariante para las utilidades latentes con el fin de capturar respuestas de elección asimétricas, abordando los desafíos de identificación y computación asociados mediante una novedosa reparametrización de la covarianza y un esquema de estimación bayesiana de doble aumentación de datos.

Autores originales: Cash Looi, Ruben Loaiza-Maya, Didier Nibbering

Publicado 2026-08-12

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Cash Looi, Ruben Loaiza-Maya, Didier Nibbering

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ 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

Imagina que estás tratando de adivinar qué pedirá tu amigo para almorzar. Sabes que normalmente elige entre una hamburguesa, una ensalada o una pizza. En el mundo de la economía, existe una herramienta clásica llamada "modelo de elección" que intenta predecir estas decisiones. Durante décadas, la versión más popular de esta herramienta ha operado bajo una regla simple y simétrica: asume que si haces que un alimento sea ligeramente más barato, la gente comprará más de él, y si lo haces ligeramente más caro, comprarán menos de la misma cantidad exacta. Es como un sube y baja perfectamente equilibrado; un empujón hacia abajo en un lado eleva el otro lado exactamente la misma distancia. Esto funciona bien para muchas cosas, pero ignora una verdad muy humana: no siempre reaccionamos de la misma manera a las buenas noticias que a las malas. A veces, una subida de precios se siente como una bofetada dolorosa, mientras que una bajada de precios se siente como una palmadita suave en la espalda. Puede que odiemos perder dinero más de lo que amamos ahorrarlo.

Este artículo se sumerge en esa realidad desordenada y asimétrica. Los autores, investigadores de la Universidad de Monash, están abordando un problema en el modelado de "elección discreta", que es la matemática utilizada para predecir cómo las personas eligen entre diferentes opciones, como marcas de detergente para la ropa o kétchup. Están basándose en la idea de que las personas tienen "utilidades latentes", que es solo una forma elegante de decir "puntuaciones de satisfacción ocultas" que no podemos ver pero que impulsan nuestras elecciones. Los modelos estándar asumen que estas puntuaciones ocultas siguen una curva perfecta en forma de campana (una distribución normal), lo que fuerza ese comportamiento de sube y baja simétrico. Pero los autores sospechan que, en el mundo real, estas puntucciones ocultas suelen ser desequilibradas o "sesgadas", lo que significa que las personas reaccionan de manera diferente a las ganancias y a las pérdidas. Quieren saber: si dejamos de forzar la matemática a ser simétrica, ¿obtenemos mejores predicciones? Y, si es así, ¿cómo arreglamos la matemática para que no se rompa?

El artículo propone un nuevo modelo llamado Probit Multinomial Sesgado (SMNP, por sus siglas en inglés). Piensa en el modelo antiguo como un robot rígido y simétrico que asume que un aumento de precio duele a una marca exactamente tanto como una disminución de precio la beneficia. Los autores argumentan que este robot es demasiado rígido. Su nuevo modelo SMNP es más como un observador flexible y humano que admite: "Oye, la gente podría entrar en pánico más cuando los precios suben de lo que celebraría cuando los precios bajan". Para que esto funcione, tuvieron que resolver un rompecabezas complicado. En estadística, no puedes simplemente añadir "sesgo" (desequilibrio) a un modelo sin romper las reglas de cómo se miden los números. Es como intentar añadir un nuevo sabor a una masa de pastel sin cambiar la temperatura del horno o el tamaño del molde; si no tienes cuidado, todo colapsa. Los autores inventaron una nueva forma ingeniosa de reorganizar las matemáticas (una "reparametrización") que evita que el pastel colapse mientras permite ese sabor adicional. También construyeron un programa de computadora especial (usando un método llamado inferencia bayesiana con "aumento de datos") que puede probar millones de posibilidades para encontrar la cantidad adecuada de sesgo sin perderse.

Cuando probaron su nuevo modelo, los resultados fueron reveladores. En simulaciones por computadora donde crearon datos falsos con reacciones desequilibradas conocidas, el viejo modelo simétrico se equivocó en las predicciones, especialmente en los extremos (precios muy altos o muy bajos). El nuevo modelo SMNP, sin embargo, logró "recuperar" la asimetría oculta y predijo las elecciones con mucha más precisión. Pero aquí está la mejor parte: cuando probaron el nuevo modelo con datos donde las reacciones eran realmente simétricas, no lo arruinaron. Simplemente se encogió y actuó exactamente como el viejo y confiable modelo. No forzó una forma extraña donde no existía.

Los autores llevaron luego su modelo fuera del laboratorio y lo aplicaron a datos del mundo real: un conjunto que involucraba 2,657 compras de detergente para la ropa entre seis marcas, y otro con 4,956 compras de kétchup entre cuatro marcas. En los datos del detergente, encontraron que para una marca específica (EraPlus), el modelo antiguo subestimaba cuánto dejaría de comprar la gente si el precio subía, y cuánto se cambiaría a un competidor. El nuevo modelo detectó esta "aversión a la pérdida", mostrando que un aumento de precio perjudica las ventas más de lo que una reducción de precio las ayuda. En los datos del kétchup, el modelo antiguo identificó erróneamente qué marcas se beneficiarían si un competidor subía sus precios. El nuevo modelo corrigió esto, mostrando que los patrones de sustitución eran diferentes de lo que se pensaba anteriormente.

El artículo concluye que, si bien el viejo modelo simétrico es un buen punto de partida, puede conducir a consejos engañosos para empresas y gobiernos. Si una empresa utiliza el modelo antiguo, podría pensar que un aumento de precio es un movimiento seguro cuando en realidad aleja a los clientes, o podría juzgar mal qué competidor le robará su cuota de mercado. El nuevo modelo SMNP sugiere que, al permitir estas reacciones asimétricas y humanas, podemos obtener una imagen más clara de cómo eligen realmente las personas. No solo predice qué comprará la gente; ayuda a explicar por qué reaccionan tan fuertemente a las malas noticias en comparación con las buenas. Los autores sugieren que esta herramienta podría ayudar a las empresas a establecer mejores precios y a los gobiernos a diseñar mejores políticas, aunque señalan que la matemática es compleja y requiere computadoras potentes para ejecutarse. En última instancia, demuestran que admitir que el mundo no es perfectamente simétrico puede conducir a predicciones mucho más inteligentes.

Resumen Técnico: Un Modelo Probit Multinomial para Respuestas de Elección Asimétricas

Planteamiento del Problema
Los modelos Multinomiales Probit (MNP) estándar imponen respuestas de elección simétricas, lo que implica que los desplazamientos positivos y negativos en las covariables de igual magnitud afectan las probabilidades de elección de manera simétrica. Esta simetría surge de la suposición de una distribución normal multivariante para las utilidades latentes. Sin embargo, en muchos entornos empíricos —como las estrategias de precios o las evaluaciones de bienestar— esta suposición es implausible. Las teorías conductuales como la Teoría de las Perspectivas sugieren que los agentes reaccionan de manera diferente ante las ganancias y las pérdidas (aversión a la pérdida), lo que conduce a respuestas asimétricas. La literatura existente aborda esto a menudo modificando el componente de utilidad observable (por ejemplo, dividiendo los atributos en ganancias y pérdidas) o utilizando funciones predictoras flexibles. Alternativamente, algunos enfoques introducen la asimetría a través de la distribución del error, pero suelen limitarse a elecciones binarias o dependen de suposiciones restrictivas (por ejemplo, matrices de escala fijas) que dificultan el modelado de los patrones de sustitución en entornos multinomiales. Los autores argumentan que imponer la asimetría directamente en la distribución condicional de las utilidades latentes ofrece una alternativa parsimoniosa que no requiere puntos de referencia ni transformaciones complejas de los predictores.

Metodología
El artículo propone el modelo Probit Multinomial Sesgado (SMNP, por sus siglas en inglés), el cual reemplaza la distribución normal multivariante estándar de las utilidades latentes por una distribución skew-normal multivariante.

Especificación del Modelo: El modelo define las elecciones discretas observadas $Y_i$ basadas en las utilidades latentes $Z_i = X_i\beta + \varepsilon_i$ , donde $\varepsilon_i$ sigue una distribución skew-normal multivariante $SN_J(0, \Sigma, \alpha)$ . La asimetría está gobernada por un vector de parámetros de forma $\alpha$ , el cual se reparametriza en un vector de parámetros de sesgo $\delta$ para fines de interpretabilidad. El modelo contiene al MNP estándar cuando $\delta = 0$ .
Desafíos de Identificación: La introducción de la asimetría crea problemas de identificación debido a la interacción entre los parámetros de sesgo y la normalización de escala requerida en los modelos MNP (típicamente fijando un elemento diagonal de la matriz de covarianza a uno). Los autores abordan esto mediante el desarrollo de una nueva reparametrización de la matriz de covarianza implícita $\Sigma_u$ (donde $\Sigma = \Sigma_u + \delta\delta^\top$ ). Esta parametrización fija la escala y asegura que la matriz de covarianza sea definida positiva por construcción, específicamente al restringir el primer elemento de $\Sigma_u$ a $1 - \delta_1^2$ .
Inferencia Bayesiana: La estimación se realiza mediante un marco Bayesiano utilizando Cadenas de Markov Monte Carlo (MCMC). Debido a que la distribución skew-normal no produce una posterior conjugada para las utilidades latentes, los autores emplean un esquema de doble aumentación de datos:
1. Aumentación con utilidades latentes $Z$ .
2. Aumentación con variables auxiliares $w$ basadas en la representación condicionalmente Gaussiana de la distribución skew-normal multivariante.
  Esta estrategia transforma el problema en un modelo de regresión condicionalmente Gaussiano. El muestreador resultante es un algoritmo de Metropolis-Hastings dentro de Gibbs. Todos los parámetros se actualizan mediante pasos de Gibbs, excepto para el primer parámetro de sesgo $\delta_1$ , el cual requiere un paso de Metropolis-Hastings univariante para respetar la restricción $|\delta_1| < 1$ .

Contribuciones Clave

Extensión del Modelo: El artículo extiende el marco MNP para permitir la asimetría específica de la alternativa, capturando respuestas de elección asimétricas sin alterar la función de utilidad observable ni requerir puntos de referencia.
Identificación y Estimación: Proporciona una parametrización totalmente identificada que resuelve la interacción entre el sesgo y la normalización de escala, asegurando la definición positiva de la matriz de covarianza.
Algoritmo Computacional: Desarrolla un método de inferencia Bayesiana tratable mediante la doble aumentación de datos, permitiendo la inferencia conjunta sobre todos los parámetros del modelo (incluyendo el vector de sesgo y la matriz de covarianza) en un entorno multinomial, un vacío dejado por trabajos recientes que asumían matrices de escala fijas.

Resultos
El artículo valida el modelo SMNP a través de experimentos numéricos y dos aplicaciones empíricas (compras de detergente para ropa y kétchup).

Experimentos Numéricos:
- En datos generados a partir de una distribución sesgada, el SMNP recupera con éxito las respuestas de elección asimétricas y supera significativamente al MNP estándar en precisión predictiva (medida por tasa de acierto, puntuación logarítmica y puntuaciones de verosimilitud censurada), demostrando un mejor desempeño.
- En datos generados a partir de una distribución simétrica, el SMNP se contrae hacia el MNP estándar (la masa posterior de los parámetros de sesgo se centra en cero) sin sacrificar el rendimiento predictivo, demostrando que la flexibilidad añadida no incurre en una penalización cuando la simetría se mantiene.
Aplicaciones Empíricas:
- Detergente para Ropa: El SMNP detecta un sesgo significativo para marcas específicas (por ejemplo, EraPlus). Esta asimetría conduce a diferencias económicamente significativas en las elasticidades de precio; el MNP estándar subestima la sensibilidad al precio y la magnitud de la pérdida/ganancia de demanda para marcas específicas en comparación con el SMNP.
- Kétchup: El modelo identifica asimetría para la marca Del Monte. El SMNP altera los patrones de sustitución predichos, sugiriendo que el MNP puede asignar erróneamente la sustitución entre marcas competidoras (por ejemplo, estimando incorrectamente la elasticidad precio cruzada entre Hunts y Del Monte frente a las marcas blancas).
- En ambos casos, el SMNP mejora las métricas de predicción probabilística (puntuaciones logarítmicas y verosimilitudes censuradas) en relación con el MNP.

Significancia y Reivindicaciones
Los autores afirman que el modelo SMNP ofrece una "manera parsimoniosa" de capturar respuestas de elección asimétricas, evitando los riesgos de especificación errónea asociados con utilidades latentes simétricas. El modelo se presenta como una herramienta práctica para que los profesionales (empresas y gobiernos) tomen mejores decisiones de precios y políticas al proporcionar estimaciones más precisas de las elasticidades de precio y los patrones de sustitución. El artículo enfatiza que, si bien el modelo captura el fenómeno de la asimetría, no identifica inherentemente el mecanismo conductual específico (por ejemplo, la aversión a la pérdida frente a los costos de cambio) que la genera. Los autores sugieren modestamente que investigaciones futuras podrían explorar métodos Bayesianos aproximados para conjuntos de elección más grandes o modelos con coeficientes aleatorios, señalando que el muestreador exacto actual puede enfrentar desafíos de mezcla en estos entornos complejos.

Más como este