📊 statistics

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

Deze paper presenteert een nieuwe semi-parametrische methode om consumentenwaardering te schatten op basis van online tweede-prijsveilingen waarbij alleen de huidige verkooppricen bekend zijn, waardoor verkopers een optimale winstmaximerende prijs kunnen bepalen zonder dat ze het totale aantal bieders hoeven te kennen.

Oorspronkelijke auteurs: Sourav Mukherjee, Ziqian Yang, Rohit K Patra, Kshitij Khare

Gepubliceerd 2026-02-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sourav Mukherjee, Ziqian Yang, Rohit K Patra, Kshitij Khare

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Titel: Het onthullen van de ware waarde: Hoe een slimme statistische methode de prijsgevoeligheid van consumenten ontrafelt

Stel je voor dat je een zeldzame Xbox wilt verkopen op een online veiling. Je zet een startprijs, bijvoorbeeld 20 euro. Mensen bieden. Maar hier is het geheim: jij als verkoper ziet niet wie er allemaal meedoen, noch wat ze precies bieden. Je ziet alleen de prijs die op dat moment op het scherm staat.

Als iemand biedt, en dat bedrag is hoger dan de huidige prijs, springt de prijs omhoog. Maar niet naar het nieuwe bod, maar naar het tweede hoogste bod (plus een klein beetje). Dit is hoe "tweede-prijsveilingen" werken, zoals op eBay.

De grote vraag voor de verkoper is: "Wat is de echte waarde die mensen hechten aan dit product?" Als je dat weet, kun je de perfecte startprijs kiezen om je winst te maximaliseren.

Het probleem? De oude methoden om deze waarde te berekenen, keken alleen naar het uiteindelijke verkoopresultaat. Het was alsof je probeert te raden hoe een film eruitzag door alleen naar de laatste scène te kijken. Je miste al het spannende verhaal erbovenop.

Dit paper introduceert een nieuwe, slimme manier om dit op te lossen. Laten we het uitleggen met een paar creatieve metaforen.

1. De oude methode: De "Laatste Foto"

Vroeger keken onderzoekers alleen naar het moment waarop de veiling stopte. Ze zagen alleen de laatste prijs.

De analogie: Stel je voor dat je een cake hebt gebakken en je wilt weten hoe lekker hij is. De oude methode is alsof je alleen de laatste hap neemt en daaruit concludeert hoe de hele cake smaakt. Het kan lukken, maar je mist de smaak van de eerste hap, de textuur in het midden, en of de cake misschien ergens een beetje verbrand was.
Het nadeel: Ze hadden ook nodig dat ze wisten hoeveel mensen er precies naar de cake keken (het totale aantal bieders). In de echte wereld weten verkopers dit vaak niet.

2. De nieuwe methode: De "Volledige Videoband"

De auteurs van dit paper (Mukherjee, Yang, Patra en Khare) zeggen: "Wacht even! We hebben meer informatie!"
Tijdens de veiling zie je niet alleen het eindresultaat, maar je ziet de prijsstijgingen. Je ziet hoe de prijs langzaam omhoog springt van 20 naar 25, naar 30, naar 40 euro. Elke keer dat de prijs springt, is er een nieuwe "hoogte" bereikt die door iemand is aangeboden.

De analogie: In plaats van alleen naar de laatste foto te kijken, kijken we nu naar de volledige videoband van de veiling. We zien hoe de prijs omhoog klom, hoe snel dat ging, en waar het stagneerde.
De kracht: Door deze volledige reeks van prijsstijgingen te analyseren, kunnen we een veel nauwkeuriger beeld krijgen van wat mensen echt waarderen. Het is alsof we de hele cake proeven, hap voor hap, in plaats van alleen de laatste.

3. Hoe werkt het? (De "Semi-parametrische" Magie)

De auteurs gebruiken een wiskundige techniek die "semi-parametrisch" heet. Dat klinkt ingewikkeld, maar het is eigenlijk heel slim:

Ze maken geen strenge aannames over hoe de verdeling van prijzen eruit moet zien (zoals "het moet een normale klokkromme zijn"). Ze laten de data zelf het verhaal vertellen.
Ze gebruiken een algoritme dat stap voor stap de beste schatting zoekt, net als een detective die stukje bij beetje bewijs verzamelt om een verdachte te vinden.

Belangrijk detail: Ze hoeven niet te weten hoeveel mensen er in totaal hebben gekeken. Ze kunnen de verdeling van de waarde schatten puur op basis van de prijsbewegingen die ze wel zien.

4. De Test: De Xbox-veilingen

Om te bewijzen dat hun methode werkt, hebben ze het getest op echte data: 93 veilingen van Xbox-console's op eBay.

Het resultaat: Hun nieuwe methode gaf een veel nauwkeuriger schatting van de waarde van de Xbox dan de oude methoden.
De winst: Omdat ze de waarde beter inschatten, kunnen verkopers hun startprijs beter bepalen. Als je weet dat mensen gemiddeld 150 euro waarderen, zet je je startprijs niet op 10 euro (te laag, je verliest geld) en niet op 200 euro (te hoog, niemand biedt). Je zet hem precies op de plek waar je de meeste winst maakt.

5. Waarom is dit belangrijk voor jou?

Je hoeft geen wiskundige te zijn om te begrijpen waarom dit nuttig is:

Voor verkopers: Het helpt hen meer geld te verdienen door de perfecte prijs te vinden.
Voor consumenten: Het zorgt voor een eerlijkere markt waar prijzen beter overeenkomen met wat mensen echt willen betalen.
Voor de wetenschap: Het toont aan dat we meer uit onze data kunnen halen als we niet alleen naar het eindresultaat kijken, maar naar het hele proces.

Kortom:
Deze paper is als het vinden van een nieuwe lens voor een camera. De oude lens (oude methoden) gaf ons een wazig beeld van de waarde van producten. De nieuwe lens (deze methode) maakt het beeld scherp, helder en volledig, zodat verkopers precies weten wat ze moeten doen om succesvol te zijn. Ze kijken niet meer alleen naar het einde van het verhaal, maar lezen het hele boek.

Titel: Een semi-parametrische aanpak voor het schatten van consumentenwaarderingverdelingen met behulp van tweede-prijsveilingen

Auteurs: Sourav Mukherjee, Ziqian Yang, Rohit K. Patra en Kshitij Khare.

1. Probleemstelling en Context

De auteurs richten zich op online tweede-prijsveilingen (zoals op eBay), waarbij de winnaar het maximum betaalt van de tweede-hoogste bod en een door de verkoper vastgestelde startprijs.

De Uitdaging: In veel van deze veilingen ziet de verkoper niet alle biedingen of het totale aantal bieders. De enige waarneembare data is de reeks van lopende verkoopprijzen (standing price sequence) en de tijdstippen waarop deze prijs verandert.
Het Doel: Het schatten van de onderliggende verdeling van de consumentenwaardering ( $F$ ) voor het product. Kennis van $F$ stelt verkopers in staat om de winstmaximerende prijs te berekenen.
Bestaande Beperkingen: Eerdere semi-parametrische of niet-parametrische methoden (zoals George & Hui, 2012) gebruiken vaak alleen de finale verkoopprijs en gaan ervan uit dat het totale aantal bieders bekend is. Dit leidt tot identificatieproblemen als het aantal bieders onbekend is en gooit veel waardevolle informatie over de lopende prijsreeks weg.

2. Methodologie

De paper ontwikkelt een nieuwe semi-parametrische methode die de volledige reeks van lopende verkoopprijzen gebruikt, zonder kennis van het totale aantal bieders te vereisen.

A. Aannames

De methode rust op de volgende aannames (vergelijkbaar met eerdere werken, maar met specifieke nuances):

Onafhankelijke Private Waardering (IPV): Bieders hebben een onafhankelijke private waarde voor het product.
Eerlijk Bieden: Bieders bieden hun ware waarde (dominante strategie in tweede-prijsveilingen). Er wordt aangenomen dat consumenten niet meerdere keren bieden (single bidding), hoewel dit in de praktijk soms voorkomt (bijv. via proxy-bieden).
Aankomstproces: Bieders arriveren volgens een Poisson-proces met een constante rate $\lambda$ .
Onbekend Aantal: Het totale aantal bieders ( $N$ ) is niet bekend, maar wordt gemodelleerd als $N \sim \text{Poisson}(\lambda\tau)$ .

B. Likelihood Functie en Re-parametrisatie

Geobserveerde Data: Voor elke veiling $k$ wordt de data gekenmerkt door het aantal prijsveranderingen ( $M_k$ ), of het item is verkocht ( $O_k$ ), de reeks lopende prijzen $\{X_{i,k}\}$ en de wachttijden tussen veranderingen $\{T_{i,k}\}$ .
Gecombineerde Likelihood: De auteurs leiden een gezamenlijke dichtheidsfunctie af voor de data uit meerdere onafhankelijke veilingen. Omdat de likelihood functie intractabel is voor directe maximalisatie (vooral vanwege de onbekende verdeling $F$ ), wordt een alternatieve maximalisatie benadering gebruikt.
Discrete Schatting: Om de maximale likelihood schatter (MLE) te vinden, wordt de parameter ruimte voor $F$ uitgebreid naar discrete verdelingen met sprongen op de waargenomen prijzen.
Vrij van Beperkingen Re-parametrisatie: Om de monotonie-beperking van de cumulatieve verdelingsfunctie (CDF) $F$ te omzeilen, wordt $F$ getransformeerd naar een parametervector $\theta$ via een verhouding van overlevingsfuncties. Dit maakt het mogelijk om de likelihood te maximaliseren zonder complexe constraints.

C. Het Coördinaat-Ascent Algoritme

De schatting wordt bereikt via een iteratief algoritme (Algorithm 3.1):

Initiële Schatting: Een startpunt wordt gegenereerd door een combinatie van schattingen gebaseerd op finale verkoopprijzen en de eerste waargenomen biedingen (voor lage startprijzen).
Iteratie: Het algoritme maximaliseert de likelihood afwisselend voor de aankomstrate $\lambda$ en de parameters $\theta$ (die $F$ definiëren) via coördinaat-gewijze ascent.
Sluitende Formuleringen: Voor elke coördinaatupdate zijn er gesloten vormen afgeleid voor de optimale waarden van $\theta_i$ .

3. Belangrijkste Bijdragen

Gebruik van Volledige Data: In tegenstelling tot eerdere methoden die alleen de finale prijs gebruiken, gebruikt deze methode de hele reeks van lopende verkoopprijzen. Dit levert aanzienlijk meer informatie op.
Onbekend Aantal Bieders: De methode vereist geen kennis van het totale aantal bieders, wat een cruciale beperking is in veel real-world datasets (zoals eBay).
Semi-Parametrische Benadering: De methode maakt geen sterke parametrische aannames over de vorm van $F$ (zoals normaal of gamma), maar schat de verdeling direct uit de data.
Efficiëntie: Het algoritme is computatie-efficiënt en convergeert snel.

4. Resultaten

A. Simulatiestudies

De auteurs voerden uitgebreide simulaties uit met verschillende ware verdelingen (Uniform, Pareto, Gamma, Beta) en steekproefgroottes ( $K=100$ en $K=1000$ veilingen).

Vergelijking: De voorgestelde MLE-methode ( $\hat{F}_{MLE}$ ) werd vergeleken met een initiële schatter (gebaseerd op finale prijzen), een Polya Tree-schatter (George & Hui, 2012), en parametrische methoden.
Nauwkeurigheid: De MLE-methode presteerde uniform beter dan alle andere methoden in termen van Kolmogorov-Smirnov-afstand en totale variatie-afstand.
Onzekerheidskwantificatie: De 90% HulC-betrouwbaarheidsintervallen voor de MLE waren smaller dan die van de initiële schatter, maar hadden een veel hogere dekkingsgraad (coverage) dan de Polya Tree-methode (die vaak 0% dekkingsgraad had).
Winstmaximalisatie: Bij het schatten van de winstmaximerende prijs ( $x^F$ ) en de bijbehorende winst, leverde de MLE-methode de minst vertekende (least biased) resultaten op.

B. Empirische Toepassing (eBay Xbox Data)

De methode werd toegepast op een dataset van 93 zeven-daagse Xbox-veilingen op eBay.

Data Voorbereiding: Meerdere biedingen van dezelfde gebruiker werden verwijderd om de "single bidding"-aanname te benaderen.
Resultaat: De MLE-schatting van de waarderingverdeling was significant nauwkeuriger dan de initiële schatter. De betrouwbaarheidsintervallen van de MLE waren smaller, wat wijst op lagere variantie.
Observatie: De initiële schatter (gebaseerd op finale prijzen) neigde naar een stochastisch hogere waardering dan de MLE, wat suggereert dat het negeren van de lopende prijsreeks leidt tot een vertekend beeld.

5. Betekenis en Toekomstperspectief

Praktische Impact: Verkopers kunnen met deze methode een nauwkeurigere vraagcurve afleiden en zo hun startprijzen en reserveprijzen optimaliseren om de winst te maximaliseren, zelfs zonder data over het totale aantal bezoekers.
Beperkingen: De methode vereist dat de aannames over het aankomstproces (Poisson) en het gebrek aan meervoudig bieden grotendeels gelden. De auteurs merken op dat afwijkingen in de praktijk vaak klein zijn, maar bij grote schendingen moet voorzichtigheid betracht worden.
Toekomstig Onderzoek: De auteurs suggereren het uitbreiden van de methode om:
- Variabele aankomstrates toe te staan (bijv. "sniping" aan het einde van de veiling).
- Covariaten (zoals itemconditie of verkoperstatistieken) op te nemen in het model via een semi-parametrisch regressie-uitgangspunt.

Conclusie: Dit artikel biedt een robuust en efficiënt statistisch raamwerk om consumentenwaarderingen te schatten uit beperkte veilingdata, waarbij het gebruik van de volledige prijsreeks leidt tot superieure schattingen ten opzichte van bestaande methoden.