📈 economics

A Multinomial Probit Model for Asymmetric Choice Responses

Questo articolo propone un modello Skewed Multinomial Probit (SMNP) che utilizza una distribuzione skew-normal multivariata per le utilità latenti al fine di catturare risposte di scelta asimmetriche, affrontando le associate sfide di identificazione e computazionali attraverso una nuova riparametrizzazione della covarianza e uno schema di stima bayesiana a doppia aumentazione dei dati.

Autori originali: Cash Looi, Ruben Loaiza-Maya, Didier Nibbering

Pubblicato 2026-08-12

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Cash Looi, Ruben Loaiza-Maya, Didier Nibbering

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di indovinare cosa ordinerà il tuo amico per pranzo. Sai che di solito sceglie tra un hamburger, un'insalata o una pizza. Nel mondo dell'economia, esiste uno strumento classico chiamato "modello di scelta" che cerca di prevedere queste decisioni. Per decenni, la versione più popolare di questo strumento ha operato su una regola semplice e simmetrica: assume che se un alimento diventa leggermente più economico, le persone ne compreranno di più, e se diventa leggermente più costoso, ne compreranno meno esattamente della stessa entità. È come un'altalena perfettamente bilanciata; una spinta verso il basso su un lato solleva l'altro della stessa distanza. Questo funziona bene per molte cose, ma ignora una verità molto umana: non reagiamo sempre allo stesso modo alle buone notizie rispetto alle cattive. A volte, un aumento di prezzo sembra uno schiaffo doloroso, mentre un calo di prezzo sembra una pacca sulla spalla. Potremmo odiare perdere denaro più di quanto amiamo risparmiarlo.

Questo articolo si addentra in quella realtà disordinata e asimmetrica. Gli autori, ricercatori della Monash University, affrontano un problema nella modellazione della "scelta discreta" — la matematica usata per prevedere come le persone scelgano tra diverse opzioni come marche di detersivo per il bucato o ketchup. Si basano sull'idea che le persone abbiano delle "utilità latenti", che è solo un modo elegante per dire "punteggi di soddisfazione nascosti" che non possiamo vedere ma che guidano le nostre scelte. I modelli standard assumono che questi punteggi nascosti seguano una curva perfetta a forma di campana (una distribuzione normale), il che impone quel comportamento di altalena perfettamente simmetrica. Ma gli autori sospettano che, nel mondo reale, questi punteggi nascosti siano spesso sbilanciati o "asimmetrici" (skewed), il che significa che le persone reagiscono diversamente a guadagni e perdite. Vogliono sapere: se smettiamo di forzare la matematica a essere simmetrica, otteniamo previsioni migliori? E se sì, come sistemiamo la matematica affinché non si rompa?

Il articolo propone un nuovo modello chiamato Skewed Multinomial Probit (SMNP). Pensa al vecchio modello come a un robot rigido e simmetrico che assume che un aumento di prezzo faccia male a un marchio esattamente quanto un calo di prezzo lo aiuti. Gli autori sostengono che questo robot sia troppo rigido. Il loro nuovo modello SMNP è più simile a un osservatore flessibile e umano che ammette: "Ehi, le persone potrebbero entrare nel panico quando i prezzi salgono più di quanto festeggino quando i prezzi scendono". Per far funzionare questo, hanno dovuto risolvere un enigma complicato. In statistica, non si può semplicemente aggiungere l' "asimmetria" (skewness) a un modello senza rompere le regole di come i numeri vengono misurati. È come cercare di aggiungere un nuovo sapore all'impasto di una torta senza cambiare la temperatura del forno o la dimensione della teglia; se non si sta attenti, tutto crolla. Gli autori hanno inventato un nuovo modo intelligente di riorganizzare la matematica (una "riparametrizzazione") che impedisce alla torta di crollare pur permettendo quell'extra sapore. Hanno anche costruito un programma per computer speciale (usando un metodo chiamato inferenza bayesiana con "data augmentation") che può assaggiare milioni di possibilità per trovare la giusta quantità di asimmetria senza perdersi.

Quando hanno testato il loro nuovo modello, i risultati sono stati rivelatori. Nelle simulazioni al computer in cui hanno creato dati finti con reazioni sbilanciate note, il vecchio modello simmetrico sbagliava le previsioni, specialmente agli estremi (prezzi molto alti o molto bassi). Il nuovo modello SMNP, invece, è riuscito a "recuperare" l'asimmetria nascosta e ha previsto le scelte con molta più precisione. Ma la parte migliore è questa: quando hanno testato il nuovo modello su dati dove le reazioni erano effettivamente simmetriche, non ha fatto danni. Si è semplicemente rimpicciolito e ha agito proprio come il vecchio, affidabile modello. Non ha forzato una forma strana dove non ce n'era una.

Gli autori hanno poi portato il loro modello fuori dal laboratorio e lo hanno applicato a dati del mondo reale: un set riguardante 2.657 acquisti di detersivo per il bucato tra sei marche, e un altro con 4.956 acquisti di ketchup tra quattro marche. Nei dati sul detersivo, hanno scoperto che per un marchio specifico (EraPlus), il vecchio modello sottostimava quanto le persone smettevano di comprare se il prezzo saliva, e quanto passavano a un concorrente. Il nuovo modello ha colto questa "avversione alla perdita", mostrando che un aumento di prezzo danneggia le vendite più di quanto un taglio di prezzo le aiuti. Nei dati sul ketchup, il vecchio modello aveva identificato erroneamente quali marche avrebbero beneficiato se un concorrente avesse alzato i prezzi. Il nuovo modello ha corretto questo punto, mostrando che i modelli di sostituzione erano diversi da quanto precedentemente pensato.

L'articolo conclude che, sebbene il vecchio modello simmetrico sia un buon punto di partenza, può portare a consigli fuorvianti per le imprese e i governi. Se un'azienda usa il vecchio modello, potrebbe pensare che un aumento di prezzo sia una mossa sicura quando in realtà allontana i clienti, o potrebbe sbagliare valutazione su quale concorrente ruberà la sua quota di mercato. Il nuovo modello SMNP suggerisce che, permettendo queste reazioni asimmetriche e umane, possiamo ottenere un quadro più chiaro di come le persone scelgano davvero. Non si limita a prevedere cosa compreranno le persone; aiuta a spiegare perché reagiscono così fortemente alle cattive notizie rispetto alle buone. Gli autori suggeriscono che questo strumento potrebbe aiutare le imprese a stabilire prezzi migliori e i governi a progettare politiche migliori, sebbene notino che la matematica è complessa e richiede computer potenti per essere eseguita. In definitiva, dimostrano che ammettere che il mondo non è perfettamente simmetrico può portare a previsioni molto più intelligenti.

Sintesi Tecnica: Un Modello Multinomiale Probit per Risposte di Scelta Asimmetriche

Definizione del Problema
I modelli standard Multinomiali Probit (MNP) impongono risposte di scelta simmetriche, implicando che variazioni positive e negative nelle covariate di uguale magnitudo influenzino le probabilità di scelta in modo simmetrico. Questa simmetria deriva dall'assunzione di una distribuzione normale multivariata delle utilità latenti. Tuttavia, in molti contesti empirici — come le strategie di pricing o le valutazioni del benessere — tale assunzione è implausibile. Teorie comportamentali come la Prospect Theory suggeriscono che gli agenti reagiscano diversamente a guadagni e perdite (avversione alle perdite), portando a risposte asimmetriche. La letteratura esistente affronta spesso questo problema modificando la componente di utilità osservabile (ad esempio, dividendo gli attributi in guadagni e perdite) o utilizzando funzioni predittive flessibili. In alternativa, alcuni approcci introducono l'asimmetria attraverso la distribuzione dell'errore, ma sono spesso limitati a scelte binarie o si basano su assunzioni restrittive (ad esempio, matrici di scala fisse) che ostacolano la modellazione dei pattern di sostituzione in contesti multinomiali. Gli autori sostengono che imporre l'asimmetria direttamente sulla distribuzione condizionale delle utilità latenti offra un'alternativa parsimoniosa che non richiede punti di riferimento o complesse trasformazioni dei predittori.

Metodologia
Il documento propone il modello Skewed Multinomial Probit (SMNP), che sostituisce la distribuzione normale multivariata delle utilità latenti con una distribuzione skew-normal multivariata.

Specificazione del Modello: Il modello definisce le scelte discrete osservate $Y_i$ basate sulle utilità latenti $Z_i = X_i\beta + \varepsilon_i$ , dove $\varepsilon_i$ segue una distribuzione multivariate skew-normal $SN_J(0, \Sigma, \alpha)$ . L'asimmetria è governata da un vettore di parametri di forma $\alpha$ , che viene riparametrizzato in un vettore di parametri di skewness $\delta$ per l'interpretabilità. Il modello include l'MNP standard quando $\delta = 0$ .
Sfide di Identificazione: L'introduzione della skewness crea problemi di identificazione dovuti all'interazione tra i parametri di skewness e la normalizzazione della scala richiesta nei modelli MNP (tipicamente fissando un elemento diagonale della matrice di covarianza a uno). Gli autori affrontano questo problema sviluppando una nuova riparametrizzazione della matrice di covarianza implicita $\Sigma_u$ (dove $\Sigma = \Sigma_u + \delta\delta^\top$ ). Questa parametrizzazione fissa la scala e garantisce che la matrice di covarianza rimanga definita positiva per costruzione, vincolando specificamente il primo elemento di $\Sigma_u$ a $1 - \delta_1^2$ .
Inferenza Bayesiana: La stima è effettuata tramite un framework Bayesiano utilizzando il Markov Chain Monte Carlo (MCMC). Poiché la distribuzione skew-normal non produce una posteriore coniugata per le utilità latenti, gli autori impiegano uno schema di doppia aumentazione dei dati (double data augmentation):
1. Aumentazione con le utilità latenti $Z$ .
2. Aumentazione con variabili ausiliarie $w$ basate sulla rappresentazione condizionalmente Gaussiana della distribuzione multivariate skew-normal.
  Questa strategia trasforma il problema in un modello di regressione condizionalmente Gaussiano. Il campionatore risultante è un algoritmo Metropolis-Hastings all'interno di un Gibbs. Tutti i parametri sono aggiornati tramite passi di Gibbs, eccetto per il primo parametro di skewness $\delta_1$ , che richiede un passo di Metropolis-Hastings univariato per rispettare il vincolo $|\delta_1| < 1$ .

Contributi Chiave

Estensione del Modello: Il lavoro estende il framework MNP per consentire la skewness specifica per l'alternativa, catturando risposte di scelta asimmetriche senza alterare la funzione di utilità osservabile o richiedere punti di riferimento.
Identificazione e Stima: Fornisce una parametrizzazione completamente identificata che risolve l'interazione tra skewness e normalizzazione della scala, garantendo la definitività positiva della matrice di covarianza.
Algoritmo Computazionale: Sviluppa un metodo di inferenza Bayesiana trattabile tramite doppia aumentazione dei dati, consentendo l'inferenza congiunta su tutti i parametri del modello (inclusi il vettore di skewness e la matrice di covarianza) in un contesto multinomiale, colmando una lacuna lasciata da lavori recenti che assumevano matrici di scala fisse.

Risultati
Il documento valida il modello SMNP attraverso esperimenti numerici e due applicazioni empiriche (acquisti di detersivo per bucato e ketchup).

Esperimenti Numerici:
- In dati generati da una distribuzione asimmetrica (skewed), l'SMNP recupera con successo le risposte di scelta asimmetriche e supera significativamente l'MNP standard in termini di accuratezza predittiva (misurata tramite hit rate, log score e punteggi di verosimiglianza censurata).
- In dati generati da una distribuzione simmetrica, l'SMNP converge verso l'MNP standard (la massa a posteriori dei parametri di skewness si centra sullo zero) senza sacrificare le prestazioni predittive, dimostrando che la flessibilità aggiunta non comporta una penalità quando la simmetria è rispettata.
Applicazioni Empiriche:
- Detersivo per Bucato: L'SMNP rileva una skewness significativa per marchi specifici (es. EraPlus). Questa asimmetria porta a differenze economicamente rilevanti nelle elasticità del prezzo; l'MNP standard sottostima la sensibilità al prezzo e l'entità della perdita/guadagno di domanda per marchi specifici rispetto all'SMNP.
- Ketchup: Il modello identifica l'asimmetria per il marchio Del Monte. L'SMNP altera i pattern di sostituzione previsti, suggerendo che l'MNP possa allocare erroneamente la sostituzione tra i marchi concorrenti (ad esempio, sottostimando l'elasticità incrociata tra Hunts e Del Monte rispetto ai marchi del distributore).
- In entrambi i casi, l'SMNP migliora le metriche di predizione probabilistica (log scores e verosimiglianze censurate) rispetto all'MNP.

Significatività e Rivendicazioni
Gli autori affermano che il modello SMNP offre un "modo parsimonioso" per catturare risposte di scelta asimmetriche, evitando i rischi di misspecificazione associati alle utilità latenti simmetriche. Il modello è presentato come uno strumento pratico per i professionisti (imprese e governi) per prendere decisioni migliori in termini di pricing e politiche, fornendo stime più accurate delle elasticità del prezzo e dei pattern di sostituzione. Il documento sottolinea che, mentre il modello cattura il fenomeno dell'asimmetria, non identifica intrinsecamente il meccanismo comportamentale specifico (ad esempio, avversione alle perdite vs costi di switch) che la genera. Gli autori suggeriscono con modestia che ricerche future potrebbero esplorare metodi Bayesiani approssimati per set di scelta più ampi o modelli con coefficienti casuali, notando che l'attuale campionatore esatto può affrontare sfide di mescolamento (mixing) in tali contesti complessi.

Articoli simili