📈 economics

A Multinomial Probit Model for Asymmetric Choice Responses

Cet article propose un modèle de Probit Multinomial Asymétrique (SMNP) qui utilise une distribution skew-normale multivariée pour les utilités latentes afin de capturer l'asymétrie des réponses de choix, traitant les défis d'identification et de calcul associés par une nouvelle reparamétrisation de la covariance et un schéma d'estimation bayésienne par double augmentation de données.

Auteurs originaux : Cash Looi, Ruben Loaiza-Maya, Didier Nibbering

Publié 2026-08-12

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Cash Looi, Ruben Loaiza-Maya, Didier Nibbering

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de deviner ce que votre ami va commander pour le déjeuner. Vous savez qu'il choisit généralement entre un burger, une salade ou une pizza. Dans le monde de l'économie, il existe un outil classique appelé « modèle de choix » qui tente de prédire ces décisions. Depuis des décennies, la version la plus populaire de cet outil fonctionne selon une règle simple et symétrique : elle suppose que si vous rendez un aliment légèrement moins cher, les gens en achèteront davantage, et si vous le rendez légèrement plus cher, ils en achèteront exactement autant de moins. C'est comme une balançoль parfaitement équilibrée ; une poussée vers le bas d'un côté fait monter l'autre côté de la même distance. Cela fonctionne bien pour beaucoup de choses, mais cela ignore une vérité très humaine : nous ne réagissons pas toujours de la même manière aux bonnes nouvelles qu'aux mauvaises nouvelles. Parfois, une hausse de prix ressemble à une gifle douloureuse, tandis qu'une baisse de prix ressemble à une petite tape affectueuse dans le dos. Nous pouvons détester perdre de l'argent plus que nous n'aimons en économiser.

Ce document plonge dans cette réalité désordonnée et asymétrique. Les auteurs, des chercheurs de l'Université Monash, s'attaquent à un problème de modélisation du « choix discret » — la mathématique utilisée pour prédire comment les gens choisissent entre différentes options, comme des marques de lessive ou de ketchup. Ils s'appuient sur l'idée que les gens possèdent des « utilités latentes », ce qui est une façon élégante de dire des « scores de satisfaction cachés » que nous ne pouvons pas voir mais qui dictent nos choix. Les modèles standards supposent que ces scores cachés suivent une courbe parfaite en cloche (une distribution normale), ce qui impose ce comportement de balançoire parfaitement symétrique. Mais les auteurs soupçonnent que dans le monde réel, ces scores cachés sont souvent asymétriques ou « biaisés », ce qui signifie que les gens réagissent différemment aux gains et aux pertes. Ils veulent savoir : si nous cessons de forcer les mathématiques à être symétriques, obtenons-nous de meilleures prédictions ? Et si oui, comment réparer les mathématiques pour qu'elles ne s'effondrent pas ?

Le papier propose un nouveau modèle appelé le Probit Multinomial Asymétrique (SMNP). Considérez l'ancien modèle comme un robot rigide et symétrique qui suppose qu'une augmentation de prix fait perdre à une marque exactement autant qu'une baisse de prix lui apporte du gain. Les auteurs soutiennent que ce robot est trop raide. Leur nouveau modèle SMNP est plus semblable à un observateur flexible et humain qui admet : « Hé, les gens pourraient paniquer davantage quand les prix montent que de célébrer quand les prix descendent. » Pour y parvenir, ils ont dû résoudre un casse-tête complexe. En statistiques, on ne peut pas simplement ajouter de l'« asymétrie » (le biais) à un modèle sans briser les règles de mesure des nombres. C'est comme essayer d'ajouter une nouvelle saveur à une pâte à gâteau sans changer la température du four ou la taille du moule ; si l'on n'est pas prudent, tout s'effondre. Les auteurs ont inventé une nouvelle façon ingénieuse de réorganiser les mathématiques (une « reparamétrisation ») qui permet de garder le gâteau intact tout en permettant d'ajouter cette saveur supplémentaire. Ils ont également construit un programme informatique spécial (utilisant une méthode appelée inférence bayésienne avec « augmentation de données ») qui peut tester des millions de possibilités pour trouver la bonne quantité d'asymétrie sans s'y perdre.

Lorsqu'ils ont testé leur nouveau modèle, les résultats étaient éloquents. Dans des simulations informatiques où ils ont créé des données fictives avec des réactions asymétriques connues, l'ancien modèle symétrique se trompait dans ses prédictions, surtout aux extrêmes (prix très élevés ou très bas). Le nouveau modèle SMNP, quant à lui, a réussi à « récupérer » l'asymétrie cachée et a prédit les choix avec beaucoup plus de précision. Mais voici le meilleur : lorsqu'ils ont testé le nouveau modèle sur des données où les réactions étaient réellement symétriques, il n'a rien gâché. Il s'est simplement rétracté et a agi exactement comme l'ancien modèle fiable. Il n'a pas imposé une forme étrange là où elle n'existait pas.

Les auteurs ont ensuite sorti leur modèle du laboratoire pour l'appliquer à des données de consommation réelles : un ensemble impliquant 2 657 achats de lessive parmi six marques, et un autre avec 4 956 achats de ketchup parmi quatre marques. Dans les données sur la lessive, ils ont découvert que pour une marque spécifique (EraPlus), l'ancien modèle sous-estimait à quel point les gens arrêteraient d'acheter si le prix augmentait, et à quel point ils passeraient à un concurrent. Le nouveau modèle a capturé cette « aversion à la perte », montant qu'une hausse de prix nuit plus aux ventes qu'une baisse de prix ne les aide. Dans les données sur le ketchup, l'ancien modèle avait mal identifié quelles marques bénéficieraient d'une hausse de prix d'un concurrent. Le nouveau modèle a corrigé cela, montant que les schémas de substitution étaient différents de ce que l'on pensait auparavant.

Le papier conclut que si l'ancien modèle symétrique est un bon point de départ, il peut conduire à des conseils trompeurs pour les entreprises et les gouvernements. Si une entreprise utilise l'ancien modèle, elle pourrait penser qu'une augmentation de prix est une décision sûre alors qu'en réalité, elle fait fuir les clients, ou elle pourrait mal juger quel concurrent va lui voler des parts de marché. Le nouveau modèle SMNP suggère qu'en permettant ces réactions asymétriques et humaines, nous pouvons obtenir une image plus claire de la façon dont les gens choisissent réellement. Il ne se contente pas de prédire ce que les gens vont acheter ; il aide à expliquer pourquoi ils réagissent si fortement aux mauvaises nouvelles par rapport aux bonnes. Les auteurs suggèrent que cet outil pourrait aider les entreprises à fixer de meilleurs prix et aider les gouvernements à concevoir de meilleures politiques, tout en notant que les mathématiques sont complexes et nécessitent des ordinateurs puissants. En fin de compte, ils démontrent qu'admettre que le monde n'est pas parfaitement symétrique peut mener à des prédictions beaucoup plus intelligentes.

Résumé Technique : Un Modèle Probit Multinomial pour les Réponses de Choix Asymétriques

Énoncé du Problème
Les modèles Multinomial Probit (MNP) standards imposent des réponses de choix symétriques, impliquant que les décalages positifs et négatifs de covariables d'une même magnitude affectent les probabilités de choix de manière symétrique. Cette symétrie découle de l'hypothèse d'une distribution normale multivariée des utilités latentes. Cependant, dans de nombreux contextes empiriques — tels que les stratégies de tarification ou les évaluations de bien-être — cette hypothèse est peu plausible. Les théories comportementales comme la Théorie des Perspectives suggèrent que les agents réagissent différemment aux gains et aux pertes (aversion à la perte), entraînant des réponses asymétriques. La littérature existante traite souvent cela en modifiant la composante d'utilité observable (par exemple, en divisant les attributs en gains et pertes) ou en utilisant des fonctions de prédicteurs flexibles. Alternativement, certaines approches introduisent l'asymétrie via la distribution de l'erreur, mais sont souvent limitées aux choix binaires ou reposent sur des hypothèses restrictives (par exemple, des matrices d'échelle fixes) qui entravent la modélisation des schémas de substitution dans les contextations multinomiales. Les auteurs soutiennent qu'imposer l'asymétrie directement sur la distribution conditionnelle des utilités latentes offre une alternative parcimonieuse qui ne nécessite ni points de référence ni transformations complexes de prédicteurs.

Méthodologie
Le papier propose le modèle Skewed Multinomial Probit (SMNP), qui remplace la distribution normale multivariée standard des utilités latentes par une distribution skew-normale multivariée.

Spécification du Modèle : Le modèle définit les choix discrets observés $Y_i$ basés sur les utilités latentes $Z_i = X_i\beta + \varepsilon_i$ , où $\varepsilon_i$ suit une distribution skew-normale multivariée $SN_J(0, \Sigma, \alpha)$ . L'asymétrie est régie par un vecteur de paramètres de forme $\alpha$ , qui est reparamétré en un vecteur de paramètres de skewness $\delta$ pour l'interprétabilité. Le modèle inclut le MNP standard lorsque $\delta = 0$ .
Défis d'Identification : L'introduction de la skewness crée des problèmes d'identification dus à l'interaction entre les paramètres de skewness et la normalisation de l'échelle requise dans les modèles MNP (typiquement en fixant un élément diagonal de la matrice de covariance à un). Les auteurs abordent cela en développant une nouvelle reparamétrisation de la matrice de covariance impliquée $\Sigma_u$ (où $\Sigma = \Sigma_u + \delta\delta^\top$ ). Cette paramétrisation fixe l'échelle et garantit que la matrice de covariance reste définie positive par construction, spécifiquement en contraignant le premier élément de $\Sigma_u$ à $1 - \delta_1^2$ .
Inférence Bayésienne : L'estimation est réalisée via un cadre bayésien utilisant des méthodes de Monte Carlo par chaînes de Markov (MCMC). Parce que la distribution skew-normale ne produit pas de distribution postérieure conjuguée pour les utilités latentes, les auteurs emploient un schéma d'augmentation de données double (double data augmentation) :
1. Augmentation avec les utilités latentes $Z$ .
2. Augmentation avec des variables auxiliaires $w$ basées sur la représentation conditionnellement gaussienne de la distribution skew-normale multivariée.
  Cette stratégie transforme le problème en un modèle de régression conditionnellement gaussien. L'échantillonneur résultant est un algorithme de Metropolis-Hastings au sein de Gibbs. Tous les paramètres sont mis à jour via des étapes de Gibbs, sauf pour le premier paramètre de skewness $\delta_1$ , qui nécessite une étape de Metropolis-Hastings univariée pour respecter la contrainte $|\delta_1| < 1$ .

Principales Contributions

Extension de Modèle : Le papier étend le cadre MNP pour permettre une skewness spécifique aux alternatives, capturant des réponses de choix asymétriques sans modifier la fonction d'utilité observable ou nécessiter des points de référence.
Identification et Estimation : Il fournit une paramétrisation entièrement identifiée qui résout l'interaction entre la skewness et la normalisation de l'échelle, garantissant la définition positive de la matrice de covariance.
Algorithme de Calcul : Il développe une méthode d'inférence bayésienne traitable utilisant l'augmentation de données double, permettant l'inférence conjointe sur tous les paramètres du modèle (y compris le vecteur de skewness et la matrice de covariance) dans un contexte multinomial, comblant ainsi une lacune laissée par des travaux récents qui supposaient des matrices d'échelle fixes.

Résultats
Le papier valide le modèle SMNP à travers des expériences numériques et deux applications empiriques (achats de lessive et de ketchup).

Expériences Numériques :
- Dans des données générées à partir d'une distribution asymétrique (skewed), le SMNP parvient à récupérer les réponses de choix asymétriques et surpasse significativement le MNP standard en précision prédictive (mesurée par le taux de réussite, le score de log et les scores de vraisemblance censurée).
- Dans des données générées à partir d'une distribution symétrique, le SMNP converge vers le MNP standard (la masse postérieure des paramètres de skewness se centre autour de zéro) sans sacrifier la performance prédictive, démontrant que la flexibilité ajoutée n'entraîne pas de pénalité lorsque la symétrie prévaut.
Applications Empiriques :
- Lessive : Le SMNP détecte une asymétrie significative pour des marques spécifiques (ex: EraPlus). Cette asymétrie conduit à des différences économiquement significatives dans les élasticités-prix ; le MNP standard sous-estime la sensibilité au prix et l'ampleur de la perte/gain de demande pour certaines marques par rapport au SMNP.
- Ketchup : Le modèle identifie une asymétrie pour la marque Del Monte. Le SMMP modifie les schémas de substitution prédits, suggérant que le MNP pourrait mal allouer la substitution entre les marques concurrentes (ex: surestimant ou sous-estimant l'élasticité croisée entre Hunts et Del Monte par rapport aux marques de distributeurs).
- Dans les deux cas, le SMNP améliore les mesures de prédiction probabiliste (scores de log et vraisemblances censurées) par rapport au MNP.

Signification et Revendications
Les auteurs affirment que le modèle SMNP offre un moyen « parcimonieux » de capturer les réponses de choix asymétriques, évitant les risques de mauvaise spécification associés aux utilités latentes symétriques. Le modèle est présenté comme un outil pratique pour les praticiens (entreprises et gouvernements) afin de prendre de meilleures décisions de prix et de politique en fournissant des estimations plus précises des élasticités-prix et des schémas de substitution. Le papier souligne que si le modèle capture le phénomène d'asymétrie, il n'identifie pas intrinsèquement le mécanisme comportemental spécifique (ex: aversion à la perte vs coûts de changement) qui le génère. Les auteurs suggèrent modestement que des recherches futures pourraient explorer des méthodes bayésiennes approximatives pour des ensembles de choix plus larges ou des modèles à coefficients aléatoires, notant que l'échantillonneur exact actuel peut faire face à des défis de mélange (mixing) dans ces contextes complexes.

Articles similaires