A semi-parametric approach for estimating consumer valuation distributions using second price auctions

1. Il Problema

Il lavoro si concentra sulla stima della distribuzione delle valutazioni dei consumatori (consumer valuation distribution, indicata con $F$) in un contesto di aste al secondo prezzo (second-price auctions) online, come quelle su eBay.

• Contesto: In queste aste, l'oggetto viene assegnato all'offerta più alta (se superiore al prezzo di partenza $r$), ma il vincitore paga il massimo tra il prezzo di partenza e la seconda offerta più alta.
• Limitazione dei dati: Spesso, i venditori non osservano tutte le offerte o il numero totale di partecipanti ($N$). Osservano solo la sequenza dei prezzi correnti di vendita (standing price sequence) e i tempi in cui questi prezzi cambiano.
• Sfida esistente: I metodi precedenti (parametrici o non parametrici) utilizzavano tipicamente solo il prezzo finale di vendita e assumevano di conoscere il numero totale di partecipanti. L'uso esclusivo del prezzo finale porta a problemi di identificabilità se $N$ è sconosciuto e spreca una grande quantità di informazioni contenute nella dinamica delle offerte durante l'asta.

2. Metodologia Proposta

Gli autori sviluppano un nuovo approccio semi-parametrico che stima $F$ utilizzando l'intera sequenza dei prezzi di vendita osservati, senza richiedere la conoscenza del numero totale di partecipanti.

Assumzioni Chiave

1. Valutazione Privata Indipendente (IPV): Ogni partecipante ha una valutazione privata indipendente e identica distribuita secondo $F$.
2. Strategia Dominante: I partecipanti fanno un'offerta pari alla loro vera valutazione (comportamento razionale in un'asta al secondo prezzo). Si assume che ogni consumatore faccia un'unica offerta (o che il sistema di "proxy bidding" di eBay sia gestito in modo da essere equivalente a un'unica offerta finale).
3. Arrivo dei partecipanti: I consumatori arrivano secondo un processo di Poisson con un tasso di arrivo costante $\lambda$.
4. Indipendenza: Le aste sono indipendenti e non sovrapposte.

Sviluppo Matematico

• Densità Congiunta: Viene derivata la densità congiunta dei dati osservati per una singola asta, che include il numero di cambiamenti di prezzo ($M$), l'indicatore di vendita ($O$), la sequenza dei prezzi ($X_i$) e i tempi di attesa ($T_i$).
• Funzione di Verosimiglianza (Likelihood): Per $K$ aste indipendenti, viene costruita una funzione di verosimiglianza complessa che dipende da $\lambda$ e $F$. Poiché la massimizzazione diretta è intrattabile, gli autori utilizzano un approccio di massimizzazione alternata.
• Riparametrizzazione: Per gestire il vincolo che $F$ sia una funzione di distribuzione cumulativa (non decrescente), viene introdotta una riparametrizzazione libera da vincoli. La funzione $F$ viene approssimata come una distribuzione discreta con salti nei punti osservati (prezzi di partenza e prezzi di vendita). Viene definita una trasformazione in termini di parametri $\theta \in [0,1]$.
• Algoritmo di Massimizzazione: Viene proposto un algoritmo di coordinate ascent (ascesa coordinata) per massimizzare la verosimiglianza adattata rispetto a $\lambda$ e $\theta$.
  • I massimizzatori per ogni coordinata $\theta_i$ sono ottenuti in forma chiusa.
  • Viene sviluppato un inizializzatore basato sul metodo dei momenti generalizzati (GMM) per $\lambda$ e su stime empiriche basate sui prezzi finali e sulle prime offerte osservate per $F$.

3. Contributi Chiave

1. Utilizzo dell'intera sequenza di dati: A differenza della letteratura precedente (es. George & Hui, 2012), questo metodo utilizza l'intera traiettoria dei prezzi di vendita, non solo il prezzo finale. Questo permette di recuperare informazioni altrimenti perse.
2. Nessuna conoscenza di $N$: Il metodo non richiede la conoscenza del numero totale di partecipanti all'asta, risolvendo un problema di identificabilità critico per molti dataset reali.
3. Approccio Semi-Parametrico: Non assume una forma parametrica specifica per $F$ (come Gamma o Normale), rendendo il metodo più flessibile e robusto rispetto a modelli parametrici errati.
4. Algoritmo Efficiente: Viene fornito un algoritmo computazionalmente efficiente con inizializzazione principiale e convergenza garantita in simulazioni.

4. Risultati Sperimentali

Gli autori hanno valutato il metodo attraverso simulazioni estese e un'applicazione su dati reali.

Simulazioni

• Scenari: Sono state testate diverse distribuzioni vere ($F$): Uniforme, Pareto, Gamma, Beta e miscele. Sono stati considerati diversi numeri di aste ($K=100, 1000$).
• Confronto: Il metodo proposto (MLE basato su tutta la sequenza) è stato confrontato con:
  • Un stimatore iniziale basato solo su prezzi finali e prime offerte.
  • L'approccio di Polya Tree (George & Hui, 2012).
  • Metodi parametrici basati su prezzi finali.
• Performance:
  • Il MLE proposto ha mostrato una precisione significativamente superiore (minore distanza di Kolmogorov-Smirnov e variazione totale) rispetto a tutti gli altri metodi in tutti gli scenari.
  • L'uso dell'intera sequenza di prezzi riduce drasticamente la varianza e il bias rispetto all'uso dei soli prezzi finali.
  • Stima del Prezzo Ottimale: La stima del prezzo che massimizza il profitto ($x^*$) ottenuta con il metodo proposto è molto più vicina al vero valore ottimale rispetto agli altri metodi, con errori di previsione del profitto minimi.

Applicazione Reale (Dataset Xbox su eBay)

• Dati: 93 aste di console Xbox della durata di 7 giorni.
• Preprocessing: I dati sono stati puliti per rimuovere le offerte multiple dello stesso utente (mantenendo solo l'ultima) e aggiungere rumore per evitare legami (ties).
• Risultati:
  • La stima MLE della distribuzione di valutazione è risultata più precisa e con intervalli di confidenza più stretti (minore varianza) rispetto allo stimatore iniziale.
  • È stata osservata una dominanza stocastica: lo stimatore iniziale tendeva a sovrastimare le valutazioni rispetto al MLE.
  • La validazione incrociata (train/test) ha confermato che il modello MLE genera prezzi finali simulati più vicini a quelli reali osservati rispetto agli altri approcci.

5. Significato e Implicazioni

• Per i Venditori: La capacità di stimare accuratamente la distribuzione delle valutazioni senza conoscere il numero di partecipanti permette ai venditori di calcolare il prezzo di partenza ottimale e il prezzo di riserva per massimizzare i profitti.
• Avanzamento Metodologico: Il lavoro colma un vuoto nella letteratura econometrica dimostrando che è possibile e vantaggioso utilizzare dati longitudinali (sequenze di prezzi) in contesti di aste con dati parziali.
• Limitazioni e Futuro: Il metodo assume un tasso di arrivo costante e un singolo comportamento di offerta. Sebbene queste assunzioni siano supportate dalla teoria economica, violazioni significative (es. "sniping" massiccio o arrivi non stazionari) potrebbero richiedere estensioni future, come l'introduzione di tassi di arrivo variabili o l'incorporazione di covariate (es. condizione dell'oggetto, reputazione del venditore).

In sintesi, il paper presenta un metodo robusto e statisticamente efficiente che trasforma dati di asta parzialmente osservati in stime precise della domanda di mercato, offrendo un vantaggio competitivo tangibile per l'analisi dei dati nel commercio elettronico.