Neural Demand Estimation with Habit Formation and Rationality Constraints

Each language version is independently generated for its own context, not a direct translation.

Imagine que você é um chef de cozinha tentando entender como seus clientes escolhem o que colocar no prato. Você tem um orçamento limitado (o dinheiro do cliente) e vários ingredientes (os produtos) com preços que mudam toda semana.

O objetivo deste artigo é criar um "GPS Inteligente" para prever exatamente como as pessoas vão redistribuir esse orçamento quando os preços mudam. Mas há um problema: os modelos antigos são como mapas estáticos de papel. Eles não levam em conta que as pessoas têm hábitos.

Aqui está a explicação do que os autores fizeram, usando analogias do dia a dia:

1. O Problema: O Mapa que Ignora a Rotina

Os economistas tradicionais usam modelos (como o AIDS) que assumem que, se o preço do café subir, você vai parar de comprar café e comprar chá, baseando-se apenas no preço de hoje. Eles tratam cada decisão como se fosse a primeira vez que você entra na loja.

A analogia: Imagine que você sempre toma café com leite. Se o preço do leite subir, um modelo antigo diria: "Ah, o leite está caro, vou comprar só café preto". Mas a realidade é que você tem um hábito. Você pode continuar comprando o leite caro porque está "viciado" na combinação, ou porque comprou muito leite na semana passada e tem estoque em casa. O modelo antigo ignora essa "memória" do consumidor.

2. A Solução: Um "GPS" com Memória (Redes Neurais)

Os autores criaram um novo sistema usando Inteligência Artificial (Redes Neurais). Pense nisso como um GPS que não só olha para o trânsito de agora, mas também sabe:

Onde você esteve: O que você comprou na semana passada.
Seus hábitos: Você é do tipo que compra marcas específicas ou muda tudo?

Eles chamam isso de "Formação de Hábito". O sistema cria uma "memória" (um estoque de hábitos) que é uma média ponderada do que você comprou no passado. Se você comprou muito ibuprofeno (remédio para dor) na semana passada, o sistema sabe que hoje você tem menos probabilidade de comprar aspirina, não porque o preço mudou, mas porque você ainda tem remédio em casa ou está "leal" à marca.

3. A Regra do Jogo: Não pode ser "Maluco"

A Inteligência Artificial é muito flexível, mas pode inventar coisas que não fazem sentido econômico (como prever que, se o preço subir, as pessoas compram mais do produto, o que é raro).

Para evitar isso, os autores colocaram "freios de segurança" (chamados de penalidades de regularidade) no treinamento do computador. É como se eles dissessem ao GPS:

"Ei, se o preço subir, a demanda deve cair (não pode subir)."
"Se o preço do produto A sobe e você compra mais do produto B, isso deve ser simétrico com o que acontece se o preço do B sobe."

Isso garante que o modelo seja matematicamente inteligente, mas economicamente sensato.

4. O Teste: O Que Acontece na Prática?

Eles testaram duas coisas:

Simulações: Criaram um mundo falso onde sabiam a resposta certa. O novo modelo com "memória" acertou muito mais do que os modelos antigos, especialmente quando havia hábitos fortes.
Dados Reais (Dominick's): Usaram dados reais de uma rede de supermercados, focando em analgésicos (aspirina, paracetamol, ibuprofeno).

A descoberta principal:
Quando eles olharam para os dados sem considerar hábitos, o modelo achava que as pessoas trocavam muito de remédio dependendo do preço (substituição). Mas, ao adicionar a "memória" do hábito, o modelo percebeu que muitas dessas trocas eram ilusórias.

Exemplo: A aspirina parecia cara e as pessoas pareciam fugir dela. Na verdade, as pessoas que compravam aspirina eram um grupo específico (talvez idosos ou de uma região específica) que comprava sempre, independente do preço. O modelo antigo confundia "hábito de grupo" com "sensibilidade ao preço".

5. O Impacto no Bolso (Bem-Estar)

A parte mais importante é o custo para o consumidor.
Eles perguntaram: "Se o preço do ibuprofeno subir 10%, quanto dinheiro extra o consumidor precisaria para manter o mesmo nível de felicidade?"

Modelo Antigo (Sem memória): Calculou uma perda de bem-estar de X.
Novo Modelo (Com memória): Calculou uma perda 15% a 16% maior.

Por que? Porque quando você tem hábitos, é mais difícil mudar. Se o preço do seu remédio favorito sobe, você sofre mais do que se fosse apenas uma troca fácil de produto. Ignorar o hábito faz parecer que os consumidores são mais flexíveis do que realmente são, subestimando o sofrimento causado por aumentos de preço.

Resumo em uma frase

Este artigo criou um "GPS de Compras" que aprende com a história de compras do cliente, garantindo que, ao prever como as pessoas reagem a preços, ele não confunda rotina e lealdade com escolha racional, resultando em previsões mais precisas e uma avaliação mais justa do impacto de aumentos de preços no bolso das pessoas.

Each language version is independently generated for its own context, not a direct translation.

1. Problema e Motivação

O artigo aborda a dificuldade de estimar sistemas de demanda contínuos (alocação de orçamento) que sejam simultaneamente flexíveis (capazes de capturar padrões complexos de substituição), dinâmicos (incorporando formação de hábitos e dependência de estado) e economicamente coerentes (satisfazendo condições de integrabilidade para análise de bem-estar).

Os desafios principais identificados são:

Limitações dos Modelos Paramétricos Clássicos: Sistemas como o AIDS (Almost Ideal Demand System) e QUAIDS são tratáveis, mas impõem formas funcionais restritivas que podem falhar em cenários de alta dimensionalidade ou com respostas de preço complexas.
Ignorância da Dependência de Estado: A maioria dos modelos trata as escolhas como independentes dadas as condições atuais (preço e renda), ignorando a formação de hábitos, estoque e dependência de referência, o que pode confundir "seleção" (heterogeneidade persistente) com "substituição" estrutural.
Desafio da Integrabilidade em Aprendizado de Máquina: Modelos de rede neural pura são flexíveis, mas não garantem condições de racionalidade (como simetria de Slutsky), tornando a análise de bem-estar (ex: Variação Compensatória) problemática.

2. Metodologia

O autor propõe um Sistema de Demanda Neural estimado diretamente sobre o simplex de probabilidades (partes do orçamento), utilizando uma abordagem de "clonagem comportamental" (behavioral cloning).

A. Estrutura do Modelo

Objeto de Estimação: A distribuição condicional das partes do orçamento ( $w_t$ ) dado o estado econômico ( $s_t$ ).
Mapeamento: As partes do orçamento são geradas via uma função Softmax de um "score de preferência" flexível ( $V_\psi$ ) produzido por uma Rede Neural Multilayer Perceptron (MLP). Isso garante, por construção, que a soma das partes seja igual a 1 (adição).
Estado Dependente (Hábito): O estado do consumidor inclui um estoque de hábito ( $\bar{x}_t$ ), definido como uma média móvel exponencialmente ponderada (EWMA) do consumo passado:
$\bar{x}_t(\delta) = \delta \bar{x}_{t-1}(\delta) + (1-\delta) x_{t-1}$
onde $\delta$ é o parâmetro de decaimento. O score de preferência condiciona-se não apenas a preços e renda, mas também a este estoque de hábito.

B. Função de Perda e Regularização

O modelo é estimado minimizando a Divergência de Kullback-Leibler (KL) entre as partes observadas e as previstas. Para garantir coerência econômica, a função de perda inclui penalidades de regularização:

Monotonicidade: Penaliza demandas de Marshallian com inclinação positiva (exclui bens de Giffen).
Simetria de Slutsky: Penaliza a assimetria na matriz de substituição de Slutsky ( $S_{ij} = S_{ji}$ $S_{ij} = S_{j i}$ ), uma condição necessária para a maximização de utilidade racional.
- A penalidade de Slutsky é ativada após a convergência inicial da perda KL.

C. Endogeneidade e Identificação

Correção de Função de Controle: Para lidar com a endogeneidade de preços (ex: promoções correlacionadas com choques de demanda), o modelo utiliza uma função de controle (resíduos de uma primeira etapa de regressão de preços sobre instrumentos) como entrada adicional na rede neural.
Estimação do Parâmetro de Hábito ( $\delta$ ): O parâmetro de decaimento $\delta$ é fracamente identificado dentro da amostra (diferentes valores podem gerar estoques de hábito colineares). O autor utiliza um critério de perfilamento (profile criterion) baseado no erro de previsão fora da amostra (Out-of-Sample KL) para selecionar $\delta$ e relata um "conjunto identificado" de valores plausíveis para garantir robustez nas conclusões de bem-estar.

3. Contribuições Principais

Estimador Neural Direto: Propõe um estimador neural para alocação contínua de orçamento no simplex, minimizando a KL, que escala bem com a dimensionalidade e preserva a estrutura contábil sem resolver um problema de otimização aninhado.
Disciplina Teórica via Regularização: Incorpora restrições da teoria do consumidor (simetria de Slutsky, monotonicidade) como penalidades na função de perda, permitindo análise de bem-estar em modelos flexíveis sem impor uma forma paramétrica rígida de utilidade.
Integração de Hábitos Não Paramétrica: Estende o framework para demanda dependente de estado via um estoque de hábito, permitindo que os dados determinem como a dependência de estado interage com preços e renda, superando as limitações de formas funcionais paramétricas de hábitos.
Abordagem de Robustez: Desenvolve uma metodologia prática para lidar com a identificação fraca de parâmetros de persistência, relatando resultados sobre um conjunto identificado em vez de um ponto único.

4. Resultados

A. Simulações (Validação)

O modelo foi testado em vários Processos Geradores de Dados (DGPs) sintéticos:

CES (Substituição Elástica): O modelo neural recuperou com precisão quase exata as curvas de demanda, elasticidades e a Variação Compensatória (CV), superando modelos paramétricos (LA-AIDS, QUAIDS) e sistemas lineares.
Não Linearidades (Leontief, Stone-Geary): O modelo neural demonstrou superioridade na captura de curvaturas agudas e restrições de subsistência, onde modelos lineares falharam.
Formação de Hábito: Em DGPs com dependência de estado, modelos estáticos (mesmo os flexíveis) falharam em recuperar a resposta a choques de preço (alto erro RMSE). A adição do estoque de hábito reduziu o erro de previsão em mais de 80%, isolando o valor estrutural da augmentação de estado.
Endogeneidade: A correção por função de controle foi essencial para recuperar a causalidade em cenários com preços endógenos.

B. Aplicação Empírica (Dados Dominick's - Analgésicos)

Aplicado a dados de scanner de 93 lojas e 399 semanas (agregados em 3 ingredientes ativos: Aspirina, Acetaminofeno, Ibuprofeno):

Precisão Preditiva: O modelo com hábito reduziu o erro quadrático médio (RMSE) fora da amostra em 33% em relação ao LA-AIDS e em 27% em relação ao modelo neural estático. Um teste de placebo (história embaralhada) confirmou que o ganho vem da dependência temporal real, não apenas de mais covariáveis.
Padrões de Substituição:
- Modelos estáticos sugeriram uma forte substituição entre Aspirina e Ibuprofeno e uma relação positiva entre preço e participação de mercado da Aspirina.
- O modelo com hábito, ao condicionar no estado, revelou que essa relação é impulsionada por segmentação persistente (lojas com hábitos diferentes), não por substituição estrutural. Ao fixar o estado, a substituição cruzada entre Aspirina e Ibuprofeno colapsou para zero, enquanto a substituição entre Acetaminofeno e Ibuprofeno permaneceu robusta.
Análise de Bem-Estar: Para um aumento de 10% no preço do Ibuprofeno, o modelo com hábito indicou uma perda de Variação Compensatória (CV) 15–16% maior do que o modelo estático. Isso sugere que ignorar a formação de hábitos subestima o custo de bem-estar de aumentos de preços em categorias de compra recorrente.

5. Significado e Conclusão

O artigo demonstra que a dependência de estado é uma característica de primeira ordem em mercados de compra recorrente. Ignorar a formação de hábitos leva a:

Viés de Especificação: Confundir seleção de mercado (heterogeneidade persistente) com elasticidades de preço estruturais.
Erros de Política: Subestimar significativamente as perdas de bem-estar decorrentes de choques de preços.

A abordagem proposta serve como uma ponte entre a econometria neural e a análise de demanda semiparamétrica restrita, oferecendo uma ferramenta escalável e interpretável para políticas de inflação, tributação e avaliação de bem-estar, garantindo que os resultados sejam economicamente plausíveis através de diagnósticos de integrabilidade.