📈 economics

A Multinomial Probit Model for Asymmetric Choice Responses

Este artigo propõe um modelo Probit Multinomial Assimétrico (SMNP) que utiliza uma distribuição skew-normal multivariada para as utilidades latentes a fim de capturar respostas de escolha assimétricas, abordando os desafios de identificação e computação associados por meio de uma nova reparametrização de covariância e um esquema de estimação Bayesiana de dupla ampliação de dados.

Autores originais: Cash Looi, Ruben Loaiza-Maya, Didier Nibbering

Publicado 2026-08-12

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Cash Looi, Ruben Loaiza-Maya, Didier Nibbering

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando adivinhar o que seu amigo vai pedir no almoço. Você sabe que ele geralmente escolhe entre um hambúrguer, uma salada ou uma pizza. No mundo da economia, existe uma ferramenta clássica chamada "modelo de escolha" que tenta prever essas decisões. Por décadas, a versão mais popular dessa ferramenta operou sob uma regra simples e simétrica: ela assume que, se você baratear levemente um alimento, as pessoas comprarão mais dele, e se você o encarecer levemente, elas comprarão menos exatamente na mesma proporção. É como uma gangorra perfeitamente equilibrada; um empurrão para baixo de um lado levanta o outro lado pela exata mesma distância. Isso funciona bem para muitas coisas, mas ignora uma verdade muito humana: nem sempre reagimos da mesma forma a boas notícias quanto reagimos a más notícias. Às vezes, um aumento de preço parece um tapa doloroso, enquanto uma queda de preço parece um carinho nas costas. Podemos odiar perder dinheiro mais do que amar economizá-lo.

Este artigo mergulha nessa realidade assimétrica e caótica. Os autores, pesquisadores da Universidade Monash, estão abordando um problema na modelagem de "escolha discreta" — a matemática usada para prever como as pessoas escolhem entre diferentes opções, como marcas de detergente ou ketchup. Eles estão construindo sobre a ideia de que as pessoas possuem "utilidades latentes", que é apenas uma forma sofisticada de dizer "pontuações de satisfação ocultas" que não podemos ver, mas que direcionam nossas escolhas. Os modelos padrão assumem que essas pontuações ocultas seguem uma curva perfeita em forma de sino (uma distribuição normal), o que força esse comportamento de gangorra simétrica. Mas os autores suspeitam que, no mundo real, essas pontuações ocultas são frequentemente desequilibradas ou "assimétricas" (skewed), o que significa que as pessoas reagem de forma diferente a ganhos e perdas. Eles querem saber: se pararmos de forçar a matemática a ser simétrica, obteremos previsões melhores? E se sim, como consertamos a matemática para que ela não quebre?

O artigo propõe um novo modelo chamado Skewed Multinomial Probit (SMNP). Pense no modelo antigo como um robô rígido e simétrico que assume que um aumento de preço prejudica uma marca exatamente tanto quanto uma redução de preço a beneficia. Os autores argumentam que esse robô é muito rígido. O novo modelo SMNP deles é mais como um observador flexível e humano que admite: "Ei, as pessoas podem entrar em pânico mais quando os preços sobem do que comemorar quando os preços descem". Para fazer isso funcionar, eles tiveram que resolver um quebra-cabeça complicado. Em estatística, você não pode simplesmente adicionar "assimetria" (skewness) a um modelo sem quebrar as regras de como os números são medidos. É como tentar adicionar um novo sabor à massa de um bolo sem alterar a temperatura do forno ou o tamanho da forma; se você não tiver cuidado, toda a coisa desmorona. Os autores inventaram uma nova maneira inteligente de reorganizar a matemática (uma "reparametrização") que impede o bolo de desmoronar enquanto permite esse sabor extra. Eles também construíram um programa de computador especial (usando um método chamado inferência Bayesiana com "aumento de dados") que pode testar milhões de possibilidades para encontrar a quantidade certa de assimetria sem se perder.

Quando testaram seu novo modelo, os resultados foram reveladores. Em simulações de computador onde criaram dados falsos com reações assimétricas conhecidas, o antigo modelo simétrico errou as previsões, especialmente nos extremos (preços muito altos ou muito baixos). O novo modelo SMNP, no entanto, conseguiu "recuperar" a assimetria oculta e previu as escolhas com muito mais precisão. Mas a melhor parte é esta: quando testaram o novo modelo em dados onde as reações eram, de fato, simétricas, ele não estragou nada. Ele simplesmente encolheu e agiu exatamente como o antigo e confiável modelo. Ele não forçou uma forma estranha onde ela não existia.

Os autores então levaram seu modelo para fora do laboratório e o aplicaram a dados de compras do mundo real: um conjunto envolvendo 2.657 compras de detergente em seis marcas, e outro com 4.956 compras de ketchup em quatro marcas. Nos dados de detergente, descobriram que, para uma marca específica (EraPlus), o modelo antigo subestimava o quanto as pessoas parariam de comprar se o preço subisse e o quanto elas migrariam para um concorrente. O novo modelo capturou essa "aversão à perda", mostrando que um aumento de preço prejudica as vendas mais do que um corte de preço as ajuda. Nos dados de ketchup, o modelo antigo identificou erroneamente quais marcas se beneficiariam se um concorrente aumentasse seus preços. O novo modelo corrigiu isso, mostrando que os padrões de substituição eram diferentes do que se pensava anteriormente.

O artigo conclui que, embora o antigo modelo simétrico seja um bom ponto de partida, ele pode levar a conselhos enganosos para empresas e governos. Se uma empresa usar o antigo modelo, ela pode pensar que um aumento de preço é um movimento seguro quando, na verdade, ele afasta os clientes, ou pode julgar mal qual concorrente roubará sua participação de mercado. O novo modelo SMNP sugere que, ao permitir essas reações assimétricas e humanas, podemos obter uma imagem mais clara de como as pessoas realmente escolhem. Ele não apenas prevê o que as pessoas comprarão; ele ajuda a explicar o porquê de elas reagirem tão fortemente a más notícias quanto a boas notícias. Os autores sugerem que essa ferramenta pode ajudar empresas a definir melhores preços e ajudar governos a desenhar melhores políticas, embora notem que a matemática é complexa e exige computadores potentes para rodar. Em última análise, eles mostram que admitir que o mundo não é perfeitamente simétrico pode levar a previsões muito mais inteligentes.

Resumo Técnico: Um Modelo Probit Multinomial para Respostas de Escolha Assimétricas

Problema
Os modelos Multinomial Probit (MNP) padrão impõem respostas de escolha simétricas, implicando que desvios positivos e negativos em covariáveis de igual magnitude afetam as probabilidades de escolha simetricamente. Essa simetria surge da premissa de uma distribuição normal multivariada para as utilidades latentes. No entanto, em muitos contextos empíricos — como estratégias de precificação ou avaliações de bem-estar — essa suposição é implausível. Teorias comportamentais como a Teoria da Perspectiva sugerem que agentes reagem de forma diferente a ganhos e perdas (aversão à perda), levando a respostas assimétricas. A literatura existente aborda isso frequentemente modificando a componente de utilidade observável (por exemplo, dividindo atributos em ganhos e perdas) ou utilizando funções preditoras flexíveis. Alternativamente, algumas abordagens introduzem assimetria por meio da distribuição do erro, mas são frequentemente limitadas a escolhas binárias ou dependem de suposições restritivas (por exemplo, matrizes de escala fixas) que dificultam a modelagem de padrões de substituição em contextos multinomiais. Os autores argumentam que impor a assimetria diretamente na distribuição condicional das utilidades latentes oferece uma alternativa parcimoniosa que não requer pontos de referência ou transformações complexas de preditores.

Metodologia
O artigo propõe o modelo Skewed Multinomial Probit (SMNP), que substitui a distribuição normal multivariada padrão das utilidades latentes por uma distribuição skew-normal multivariada.

Especificação do Modelo: O modelo define escolhas discretas observadas $Y_i$ com base em utilidades latentes $Z_i = X_i\beta + \varepsilon_i$ , onde $\varepsilon_i$ segue uma distribuição skew-normal multivariada $SN_J(0, \Sigma, \alpha)$ . A assimetria é governada por um vetor de parâmetros de forma $\alpha$ , que é reparametrizado em um vetor de parâmetros de assimetria $\delta$ para fins de interpretabilidade. O modelo contém o MNP padrão quando $\delta = 0$ .
Desafios de Identificação: A introdução de assimetria cria problemas de identificação devido à interação entre os parâmetros de assimetria e a normalização de escala exigida nos modelos MNP (tipicamente fixando um elemento da diagonal da matriz de covariância em um). Os autores abordam isso desenvolvendo uma nova reparametrização da matriz de covariância implícita $\Sigma_u$ (onde $\Sigma = \Sigma_u + \delta\delta^\top$ ). Esta parametrização fixa a escala e garante que a matriz de covariância permaneça definida positiva por construção, especificamente ao restringir o primeiro elemento de $\Sigma_u$ a $1 - \delta_1^2$ .
Inferência Bayesiana: A estimação é realizada via um arcabouço Bayesiano utilizando Cadeias de Markov via Monte Carlo (MCMC). Como a distribuição skew-normal não produz uma posterior conjugada para as utilidades latentes, os autores empregam um esquema de dupla aumentação de dados (double data augmentation):
1. Aumentação com utilidades latentes $Z$ .
2. Aumentação com variáveis auxiliares $w$ baseadas na representação condicionalmente Gaussiana da distribuição skew-normal multivariada.
  Esta estratégia transforma o problema em um modelo de regressão condicionalmente Gaussiano. O amostrador resultante é um algoritmo de Metropolis-Hastings dentro de Gibbs. Todos os parâmetros são atualizados via passos de Gibbs, exceto para o primeiro parâmetro de assagem $\delta_1$ , que requer um passo de Metropolis-Hastings univariado para respeitar a restrição $|\delta_1| < 1$ .

Principais Contribuições

Extensão do Modelo: O artigo estende o framework MNP para permitir a assimetria específica de alternativa, capturando respostas de escolha assimétricas sem alterar a função de utilidade observável ou exigir pontos de referência.
Identificação e Estimação: Fornece uma parametrização totalmente identificada que resolve a interação entre assimetria e normalização de escala, garantindo a definição positiva da matriz de covariância.
Algoritmo Computacional: Desenvolve um método de inferência Bayesiana tratável usando dupla aumentação de dados, permitindo a inferência conjunta sobre todos os parâmetros do modelo (incluindo o vetor de assimetria e a matriz de covariância) em um contexto multinomial, uma lacuna deixada por trabalhos recentes que assumiam matrizes de escala fixas.

Resultados
O artigo valida o modelo SMNP através de experimentos numéricos e duas aplicações empíricas (compras de detergente de lavanderia e ketchup).

Experimentos Numéricos:
- Em dados gerados a partir de uma distribuição assimétrica (skewed), o SMNP recupera com sucesso as respostas de escolha assimétricas e supera significativamente o MNP padrão em precisão preditiva (medida por taxa de acerto, escore de log e escores de verossimilhança censurada).
- Em dados gerados a partir de uma distribuição simétrica, o SMNP converge para o MNP padrão (a massa posterior dos parâmetros de assimetria centraliza-se em zero) sem sacrificar o desempenho preditivo, demonstrando que a flexibilidade adicionada não acarreta penalidade quando a simetria se mantém.
Aplicações Empíricas:
- Detergente de Lavanderia: O SMNP detecta assimetria significativa para marcas específicas (ex: EraPlus). Essa assimetria leva a diferenças economicamente significativas nas elasticidades-preço; o MNP padrão subestima a sensibilidade ao preço e a magnitude da perda/ganho de demanda para marcas específicas em comparação ao SMNP.
- Ketchup: O modelo identifica assimetria para a marca Del Monte. O SMNP altera os padrões de substituição previstos, sugerindo que o MNP pode alocar incorretamente a substituição entre marcas concorrentes (ex: estimando incorretamente a elasticidade-preço cruzada entre Hunts e Del Monte versus marcas próprias).
- Em ambos os casos, o SMNP melhora as métricas de previsão probabilística (escores de log e verossimilhanças censuradas) em relação ao MNP.

Significância e Alegações
Os autores alegam que o modelo SMNP oferece uma "maneira parcimoniosa" de capturar respostas de escolha assimétricas, evitando os riscos de má especificação associados a utilidades latentes simétricas. O modelo é apresentado como uma ferramenta prática para profissionais (empresas e governos) tomarem melhores decisões de preço e política ao fornecer estimativas mais precisas de elasticidades-preço e padrões de substituição. O artigo enfatiza que, embora o modelo capture o fenômeno da assimetria, ele não identifica inerentemente o mecanismo comportamental específico (ex: aversão à perda vs. custos de mudança) que a gera. Os autores sugerem modestamente que pesquisas futuras poderiam explorar métodos Bayesianos aproximados para conjuntos de escolhas maiores ou modelos com coeficientes aleatórios, observando que o amostrador exato atual pode enfrentar desafios de mistura (mixing) nesses cenários mais complexos.

Mais como este