Identification and Estimation of Demand Models with Endogenous Product Entry and Exit

Este artigo propõe um novo método semiparamétrico de dois passos que utiliza escores de propensão latentes para corrigir o viés de seleção endógena em modelos de demanda com entrada e saída de produtos, demonstrando, através de dados do setor aéreo, que as abordagens convencionais subestimam significativamente as elasticidades-preço da demanda.

O essencial

Imagine que você é um detetive tentando entender por que as pessoas compram certos produtos (como passagens de avião) e quanto elas estão dispostas a pagar por eles. O seu objetivo é descobrir a "sensibilidade" do consumidor: se o preço sobe um pouco, a demanda cai muito ou pouco?

O problema é que você não vê tudo. Você só vê os produtos que as empresas escolheram colocar à venda. E aqui está o truque: as empresas são espertas. Elas só lançam um produto em uma cidade se acharem que lá as pessoas vão gostar muito e comprar muito. Se elas acharem que ninguém vai comprar, elas nem tentam vender ali.

Isso cria um viés de seleção. É como se você fosse a um restaurante e só visse os pratos que o chef decidiu servir. Se o chef só serve pratos caros e sofisticados porque sabe que os clientes daquela noite são ricos, e você tentar adivinhar o gosto geral da cidade baseando-se apenas nesses pratos, você vai errar feio. Você vai achar que todos na cidade adoram comida cara, quando na verdade, se ele tivesse servido hambúrgueres baratos, talvez tivesse vendido muito mais.

O Problema das "Fórmulas Antigas"

Os economistas já sabiam desse problema e tentaram corrigi-lo com métodos antigos. Mas esses métodos tinham um defeito: eles faziam suposições muito fortes.

• Suposição 1: As empresas são "cegas" e não sabem se o produto vai dar certo antes de entrar no mercado. (Isso é irreal, as empresas têm dados!).
• Suposição 2: As empresas e os consumidores agem de forma muito simples e previsível.

Quando essas suposições são falsas, os métodos antigos falham. Eles acabam dizendo que os consumidores são muito sensíveis ao preço (que se o preço subir, eles param de comprar), quando na verdade não são tão sensíveis assim. É como se o detetive, ao ver apenas os carros de luxo na rua, concluisse que ninguém na cidade gosta de carros baratos, subestimando a popularidade dos modelos econômicos.

A Nova Solução: O "Detector de Espíritos" (Latent Propensity Scores)

Os autores deste paper (Victor, Alessandro e Senay) criaram um novo método, como se fosse um detector de mentiras ou um raio-X para o mercado.

Eles dizem: "Vamos assumir que as empresas sabem coisas que nós não sabemos (como o clima econômico local, o humor dos consumidores, etc.). Vamos chamar essas coisas de 'Espíritos Invisíveis' ou Variáveis Latentes."

A grande sacada deles é observar como as empresas se comportam em conjunto.

• Se a empresa A decide entrar em um mercado, a empresa B também tende a entrar?
• Se a empresa A sai, a empresa B sai junto?

Essa "dança" entre as empresas revela a presença desses "Espíritos Invisíveis". Se todas as empresas decidem entrar ao mesmo tempo, é porque há um "Espírito" muito forte e positivo naquele mercado (uma demanda oculta muito alta). Se elas hesitam, o "Espírito" é ruim.

O novo método usa essa dança para reconstruir o que estava acontecendo nos mercados onde os produtos não apareciam. Eles criam uma "pontuação de propensão latente" (uma espécie de nota secreta) que diz: "Mesmo que o produto não esteja lá, qual era a chance dele ter entrado, considerando todos os segredos que as empresas sabiam?"

Como Funciona na Prática (A Analogia do Quebra-Cabeça)

Imagine que você tem um quebra-cabeça gigante de um mercado, mas faltam muitas peças (os produtos que não entraram).

1. Passo 1 (O Detetive): Você olha para as peças que estão na mesa (os produtos que entraram) e tenta entender o padrão. Você percebe que, quando a peça "Avião X" entra, a peça "Avião Y" quase sempre entra também. Isso te diz que existe um "terreno" (o mercado) que é muito atraente para ambos. Você usa isso para adivinhar como seria o terreno onde faltam peças.
2. Passo 2 (O Economista): Agora que você "reconstruiu" mentalmente os mercados vazios usando essa lógica, você pode calcular o preço e a demanda corretamente, sem o viés de achar que só os produtos de sucesso existem.

O Que Eles Descobriram? (O Caso das Companhias Aéreas)

Eles testaram essa ideia com dados reais das companhias aéreas dos EUA.

• O Resultado: Os métodos antigos diziam que os passageiros eram super sensíveis ao preço (se a passagem subir $10, ninguém viaja).
• A Nova Descoberta: Com o novo método, descobriu-se que os passageiros são menos sensíveis do que se pensava. As companhias aéreas não estavam perdendo tantos clientes quando aumentavam os preços, porque a demanda era mais forte do que parecia.

Isso é crucial! Se você é um regulador ou um executivo, saber a sensibilidade real ao preço muda tudo:

• Se você acha que a demanda é muito sensível, você pode achar que o mercado é muito competitivo e que as empresas não têm poder.
• Se a demanda é menos sensível (como mostraram eles), as empresas têm mais poder de mercado do que se pensava.

Resumo em uma Frase

Este paper ensina como corrigir um erro comum na economia: não podemos olhar apenas para o que está à venda para entender o que as pessoas querem; precisamos usar a inteligência das empresas (como elas decidem entrar ou sair dos mercados) para descobrir o que estava escondido nas sombras, revelando assim o verdadeiro valor e a verdadeira sensibilidade dos consumidores.

É como passar de um mapa incompleto e distorcido para um mapa 3D, completo e preciso, onde você finalmente vê todas as montanhas e vales do mercado, não apenas as que as empresas decidiram mostrar.

Resumo técnico

Resumo Técnico: Identificação e Estimação de Modelos de Demanda com Entrada e Saída Endógena de Produtos

1. O Problema: Viés de Seleção Endógena em Modelos de Diferenciação

O artigo aborda um problema fundamental na econometria industrial: a estimação de sistemas de demanda para produtos diferenciados quando a disponibilidade do produto (entrada no mercado) é endógena.

• Mecanismo do Viés: As firmas tendem a introduzir produtos em mercados onde antecipam uma demanda mais forte. Elas possuem informações privadas sobre choques de demanda não observados pelos pesquisadores ($\xi_{jt}$).
• Falha dos Métodos Padrão: A seleção endógena cria um viés de seleção na estimação dos parâmetros de demanda. Métodos tradicionais de correção de seleção (como o controle de propensity score ou a correção de Heckman) falham neste contexto porque:
  1. As decisões de entrada dependem de um sistema de equações simultâneas (oligopólio).
  2. Os choques não observados têm efeitos não aditivos e multidimensionais nos lucros esperados.
  3. Isso viola a condição de monotonicidade necessária para que o propensity score (probabilidade de entrada condicional apenas a observáveis) seja um estatístico suficiente para controlar o viés.
• Limitações das Abordagens Atuais: Estudos anteriores ou impõem suposições fortes (firms não conhecem choques de demanda na entrada) ou estimam modelos estruturais completos (demanda, preços e entrada simultaneamente), o que torna a identificação da demanda altamente dependente de suposições do lado da oferta (forma funcional de custos, natureza da competição).

2. Metodologia: Abordagem Semiparamétrica em Dois Passos

Os autores propõem um novo método de estimação semiparamétrica que identifica os parâmetros de demanda sequencialmente, sem depender de suposições rígidas sobre o lado da oferta.

A. Estrutura do Modelo:

• Demanda: Segue o framework BLP (Berry-Levinsohn-Pakes) com inversibilidade.
• Entrada: Modelada como um jogo de entrada (estático ou dinâmico) onde as firmas maximizam lucros esperados. As firmas podem ter informação completa ou incompleta sobre os fundamentos de demanda e custo ($\kappa_t$) no momento da decisão.
• Viés de Seleção: O termo de viés na equação de demanda é definido como $E(\xi_{jt} | a_{jt}=1)$.

B. A Inovação Teórica: Latent Propensity Scores (Pontos de Propensão Latentes):
O artigo demonstra que, devido à interdependência nas decisões de entrada (competição oligopolista), a probabilidade de entrada condicional apenas a observáveis ($P_j(x_t)$) não é suficiente.

• Os autores definem o Latent Propensity Score ($P_j(x_t, \kappa_t)$) como a probabilidade de entrada condicional aos observáveis ($x_t$) e aos não observados comuns ($\kappa_t$).
• Proposição 3: O termo de viés de seleção $\lambda_j(x_t)$ pode ser representado como uma convolução (mistura) desses latent propensity scores ponderados pela distribuição de $\kappa_t$ e pelos valores esperados dos choques de demanda condicionais a $\kappa_t$.
  $$\lambda_j(x_t) = \int \left[ \frac{P_j(x_t, \kappa)}{P_j(x_t)} \right] \mu_j(\kappa) f_\kappa(\kappa) d\kappa$$
  Onde $\mu_j(\kappa) = E(\xi_{jt} | \kappa_t = \kappa)$.

C. Estratégia de Identificação e Estimação (Dois Passos):

1. Primeiro Passo (Identificação da Estrutura de Entrada):

   • Utiliza-se um modelo de mistura finita não paramétrica (Sieve Mixture Model) para estimar a distribuição dos tipos de mercado latentes ($f_\kappa$) e as probabilidades de entrada condicionais a esses tipos ($P_j(x_t, \kappa)$).
   • A identificação é baseada na correlação cruzada nas decisões de entrada entre diferentes produtos. A dependência conjunta revela a estrutura dos não observados comuns.
   • O espaço contínuo de heterogeneidade latente é aproximado por um número finito de classes ($L$) usando funções de base (sieve).

2. Segundo Passo (Estimação da Demanda):

   • Constrói-se variáveis de controle (regressores) baseadas nas estimativas do primeiro passo. O termo de viés é linearizado em relação aos parâmetros desconhecidos $\mu_{j\ell}$.
   • Aplica-se o Método dos Momentos Generalizados (GMM) com variáveis instrumentais (características de outros produtos) para estimar os parâmetros de demanda ($\alpha, \beta, \sigma$) e os parâmetros do controle de seleção simultaneamente.
   • O método corrige tanto a endogeneidade de preços (simultaneidade) quanto a endogeneidade da disponibilidade do produto.

3. Contribuições Principais

1. Identificação Sequencial: Estabelece condições gerais para a identificação sequencial de parâmetros de demanda na presença de entrada endógena, sem exigir suposições sobre a estrutura de competição ou funções de custo.
2. Generalização do Controle de Seleção: Estende a literatura de correção de seleção (como Das et al., 2009; Newey, 2009) para cenários onde a monotonicidade falha e a seleção depende de um estado latente comum que gera interdependência entre firmas.
3. Robustez Computacional: Oferece um estimador computacionalmente simples (dois passos) em contraste com os métodos de estimação conjunta de modelos estruturais completos, que exigem algoritmos de ponto fixo aninhado e são computacionalmente intensivos.
4. Aplicabilidade a Jogos Dinâmicos: A lógica se estende naturalmente para jogos dinâmicos de entrada e saída (Equilíbrio Perfeito de Markov), onde as probabilidades de escolha condicional (CCPs) dinâmicas substituem as probabilidades estáticas.

4. Resultados Empíricos (Indústria Aeronáutica dos EUA)

Os autores aplicam o método a dados de rotas aéreas nos EUA (2012-2013), comparando diferentes especificações:

• Comparação de Métodos:
  • OLS/2SLS Padrão (sem correção de seleção): Subestima drasticamente a elasticidade-preço (ex: -1.60).
  • Correção de Heckman/Semiparamétrica (sem tipos latentes, $L=1$): Melhora a estimação, mas ainda subestima a elasticidade (-5.55).
  • Método Proposto (Mistura Finita com $L=3$): Produz as estimativas mais robustas, revelando uma elasticidade-preço própria média muito maior (em valor absoluto), em torno de -7.6 a -7.7.
• Implicações Econômicas:
  • A subestimação da elasticidade nos métodos convencionais leva a uma superestimação do poder de mercado (Índice de Lerner cai de ~69% para ~15% quando o viés é corrigido adequadamente).
  • A heterogeneidade não observada (tipos de mercado latentes) é crucial; modelos que ignoram a correlação nas decisões de entrada superestimam a contestabilidade do mercado (preveem mais entrada pós-fusão do que os dados sugerem).
  • Os choques de entrada estão correlacionados com choques de demanda, mas não com custos marginais, indicando que a seleção é impulsionada principalmente pela demanda.

5. Significado e Conclusão

O artigo fornece uma ferramenta metodológica robusta para economistas industriais que lidam com dados de produtos diferenciados onde a entrada e saída são estratégicas.

• Impacto Prático: Demonstra que ignorar a estrutura complexa da seleção endógena (especialmente a interdependência entre firmas) leva a erros quantitativos graves na estimação de elasticidades e no cálculo de bem-estar e efeitos de fusões.
• Avance Teórico: Resolve o problema de identificação em modelos onde a monotonicidade falha, permitindo a estimação de demanda com suposições mínimas sobre o lado da oferta, algo que era anteriormente impossível sem assumir um modelo estrutural completo de equilíbrio.

Em suma, o paper propõe uma solução elegante e computacionalmente viável para um dos problemas mais difíceis na econometria de demanda estrutural, demonstrando empiricamente que a correção adequada do viés de seleção altera fundamentalmente a interpretação da competição e da sensibilidade do consumidor a preços.