Documentos de Académico
Documentos de Profesional
Documentos de Cultura
BLP Applied
BLP Applied
7 de diciembre de 2013
1. Introducción
El objetivo de este trabajo es explorar el desempeño del método propuesto por Berry, Le-
vinsohn, y Pakes (1995), BLP, para la estimación de demanda con bienes diferenciados. Para
ello, se realiza un conjunto de simulaciones en el que se estructuran dos posibles escenarios: 1)
el caso con consumidores homogéneos y 2) considerando gustos heterogéneos. Con el análisis
del primer caso se evalúa la pertinencia del uso de variables instrumentales para el precio,
estimando los parámetros vía Mínimos Cuadrados Ordinarios (MCO) y Variables Instrumen-
tales (VI). Por otra parte, con el segundo análisis se verifica directamente el desempeño del
método propuesto por BLP, estimando los parámetros, primero con el modelo logit que asume
homogeneidad entre consumidores y luego usando coeficientes aleatorios.
La estructura del trabajo se divide en seis secciones principales, incluyendo la presente intro-
ducción. A continuación se hace una descripción breve del modelo presentado en BLP. Luego,
en la sección 3 se presenta la metodología de estimación empleadas. La sección 4, presenta el
proceso de simulación y ciertas características de los datos generados. En seguida, se presentan
los resultados de estimación y en la última sección se incluyen unos comentarios finales.
2. Modelo
En esta sección se describe brevemente la estructura general del modelo de elección discreta
presentado en BLP.
donde xjt es un vector fila que indica las K características del producto observadas en el
mercado t, β i es el vector de coeficientes aleatorios que describen la utilidad marginal asociada
de cada una de las K características. Mientras que αi es la “desutilidad” marginal asociada al
1
precio pjt . Por otra parte, ξjt representa las características no observadas (por el econometrista)
del producto j en el mercado t, conocidas por cualquier consumidor. Finalmente, ijt es un
choque ideosincrático distinto para cada consumidor, cada producto y cada mercado.
De acuerdo con lo anterior, consumidor i elije el bien j si y sólo si la utilidad generada por
éste supera a cualquier otra opción. Siguiendo a Nevo (2000), lo anterior define un conjunto
de atributos individuales independientes que de implican la elección por j
R
sjt = Aij dP (αi , β i , ijt )
R
= Aij dP (αi )dP (β i )dP (ijt ),
donde θ = (αi , β i ). Si el modelo está bien especificado, debe cumplirse que las cuotas que
predice (2) sean iguales a las observadas, Sjt . Así, las cantidades de equilibrio se definen en
términos de la cuota de mercado y del tamaño del mercado potencial M :
La estructura del modelo es menos compleja por el lado de la oferta. Aquí se asume un conjunto
de F firmas, donde cada firma f se dedica a la producción exclusiva de un subconjunto de
bienes Ff sobre el total en la economía. En equilibrio estático f elije un nivel de producción
qjt , ∀j ∈ Ff . De esta forma los beneficios de f , en cada mercado t tienen una forma reducida
dada por
P
Πf = j∈Ff (pjt − cmj ) · qjt
P (4)
= j∈Ff (pjt − cmj ) · sjt (xjt , pjt , ξjt ; θ) · M,
2
donde cmj son los costos marginales de producir j, los cuales se asumen iguales para cada
firma en cada mercado. De acuerdo con esto, las condiciones de primer orden asociadas a la
elección del precio del bien j se resumen en:
Como puede notarse las condiciones de equilibrio dependen en esencia del problema del con-
sumidor, es decir, de sjt (xjt , pjt , ξjt ; θ).
3. Estimación
Para el primer caso, se siguen los lineamientos presentados por Berry (1994). En primer lugar,
dados los supuestos sobre los parámetros, se reescribe la ecuación (1) como
donde δj ≡ xj β − αpj + ξj se denota como la utilidad media asociada a la compra del bien
j, igual entre consumidores. De esta forma, normalizando δ0 = 0 la ecuación de la cuota de
mercado del bien j que describe (2) se simplifica en términos de un modelo logit multinomial
exp(δj )
sj (xj , pj , ξj ; θ) = PJ . (7)
1 + l=1 exp(δl )
En este orden de ideas, si el modelo está bien especificado, se cumple que sj (xj , pj , ξj ; θ) = Sj ,
entonces se puede resolver (7) para δj de forma que
3
Una vez se obtiene un vector de utilidad media asociado a las cuotas del mercado observadas,
es posible estimar α y β por medio de una regresión lineal tradicional (ya sea por MCO o por
VI) para la siguiente ecuación:
δj = φ + xj β − αpj + ξj . (9)
En el segundo caso, se considera un coeficiente aleatorio para los gustos asociados a las caracte-
rísticas con una forma β i = β + σvi ). En este orden de ideas la ecuación (1) puede reescribirse
como
= δj + µij + ij
donde µijt ≡ σxjt vi . En este orden de ideas, (2) adquiere una forma no tan sencilla como en
el caso anterior
Z
exp(δj + µij )
sj (xj , pj , ξj ; θ) = PJ dP (vi ). (11)
1 + l=1 exp(δl + µil )
NS
1 X exp(δj0 + µsim
ij )
Spj (σ0 ) = PJ , con µsim sim
ij ≡ σ0 xj vi .
NS 0 sim
i=1 1 + l=1 exp(δl + µil )
4
5. A continuación, se computa un nuevo vector de utilidad media, δ 1 , en conformidad con
la ecuación de punto fijo sugerida por BLP.
Este paso se repite H veces, hasta que k ln(Sj )−ln(Spj )k sea menor a un nivel de tolerancia
arbitrario (preferiblemente pequeño).
6. Una vez generado el vector δ H , se obtienen α̂(σ0 ) y β̂(σ0 ) por medio de una regresión
lineal para (9), vía MCO o VI según corresponda.
donde Z es una matriz cuyas columnas corresponden a una seria de variables instrumen-
tales y A = (Z 0 Z)−1 es la matriz de ponderaciones.
Este proceso se repite desde el numeral 3, para diferentes valores de σ, hasta que G(σ) se
minimiza. En particular, el estimador de σ por Método Generalizado de Momentos (GMM)
está dado por
4. Simulación y datos
En esta sección se describe el proceso de simulación por el cual se generan los datos. En
general, se adoptan especificaciones consistentes con lo presentado en BLP y Berry (1994). En
este orden de ideas, se consideran N = 10, 000 consumidores, J = 100 productos, un único
mercado y número de características K = 1.
5
donde xj = j y ξj ∼ U (0, 1). Por otra parte, se genera un vector de precios que depende
tanto de las características observadas y no observadas, como de un conjunto de variables
Γ = {z1 , z2 , z3 }.
3
X
p j = ψ + λ 1 x j + λ 2 ξj + γ` z`j + ωj , ∀j = 1, 2, . . . , 100,
`=1
con ωj ∼ N (0, 1) y cada una de las variables de Γ en función de un término ε` ∼ iid N (0, 1).
Específicamente, z1 , z2 y z3 están dadas por
q
z1j = ε1j , z2j = ε22j , z3j = |ε3j |,
Debe notarse que, si bien pj no depende directamente de las cantidades demandadas, esta
especificación incorpora un cierto grado de endogeneidad en el precio, en el sentido de que éste
depende directamente de la características no observadas, ξj , que intervienen en la demanda.
Acto seguido, se construye el vector de las cuotas de mercado observadas tomando N como el
tamaño total de la población. Dado que se cuenta con la población total, y de acuerdo con la
especificación adoptada, la ecuación (2) puede escribirse de forma equivalente como
N
1 X exp(δj + µij )
Sj = PJ ,
N δ0 + l=1 exp(δ l + µ il )
i=1
donde µij ≡ σxj vi con vi ∼ N (0, 1) y δ0 es fijado de tal forma que por lo menos el 20 % de los
consumidores decidan no consumir ningún producto, es decir, S0 ≥ 0.2.
6
Finalmente, el valor de los parámetros se especifica de forma que se generen los dos escenarios
que se analizan en este trabajo: con consumidores homogéneos y considerando heterogeneidad
en los gustos por las características observadas. En el Cuadro 1 se presentan los valores elegidos
para la simulación de cada caso.
En los Cuadros 2 y 3 se presentan algunas estadísticas descriptivas para los datos simulados
de acuerdo al primer y segundo caso, respectivamente.
Desviación
Variable Media estándar Mínimo Máximo
pj 12.43 3.32 4.91 19.87
xj 50.50 29.01 1 100
Sj 0.01 0.03 0.00 0.23
δ 14.87 9.10 -0.53 30.78
z1j -0.04 1.00 -2.66 2.32
ξj 0.52 0.25 0.00 0.98
ωj -0.02 0.84 -1.74 2.18
Desviación
Variable Media estándar Mínimo Máximo
pj 12.11 3.49 4.81 19.93
xj 50.50 29.01 1 100
Sj 0.01 0.04 0.00 0.32
δ 14.87 9.10 -0.80 30.75
z1j -0.03 0.99 -2.46 2.70
z2j 0.76 1.08 0.00 6.68
z3j 0.89 0.34 0.08 1.75
ξj 0.46 0.28 0.02 0.99
ωj -0.19 1.04 -2.55 2.23
7
5. Resultados
En esta sección se presentan los resultados de las estimaciones de los parámetros de demanda,
teniendo en cuenta cada uno de los dos casos. En ambos se siguen los lineamientos descritos
en la sección 3.
Modelo Logit
Variable MCO VI
Constante -31.40 *** -30.53 ***
(0.09) (0.21)
El Cuadro 4 presenta los resultados de la estimación para la especificación con gustos homogé-
neos. Estos resultados confirman la pertinencia del uso de z1j para instrumentar el precio. Se
evidencia un importante sesgo en el estimador por MCO al notar que α̂MCO = 0.07 es estadís-
ticamente diferente de su valor poblacional. Por el otro lado, α̂VI = −0.2 es estadísticamente
igual a α.
A continuación, se computan las elasticidades usando los coeficientes estimados por VI. La
expresión analítica de las elasticidades precio de la demanda y precio-cruzadas se obtienen al
8
diferenciar la ecuación (7) del modelo Logit con respecto al precio
α̂pl Sl , si j 6= l
∂sj (δ, p, x; θ) pl
η̂jl = = (13)
∂pl Sj
−α̂pj (1 − Sj ), si j = l
Debe notarse que las elasticidades no dependen de las características del producto. De acuerdo
con Berry (1994) esta especificación no permite obtener patrones de sustitución realistas. Por
ejemplo, al calcular η̂4,5 , aun con j siendo muy cercano a l, se encuentra que
Para la especificación del segundo caso, los resultados se obtienen a partir de la estimación
tanto del modelo el Logit, ignorando la presencia de heterogeneidad, como del modelo de
coeficientes aleatorios. Para el modelo Logit, al igual que en el apartado anterior se emplean
MCO y VI. Por otra parte, los resultados de la estimación del modelo de coeficientes aleatorios
se obtuvieron a partir de l algoritmo de BLP, minimizando (12). Dentro del algoritmo, se tomó
un nivel de tolerancia tal que k ln(Sj ) − ln(Spj )k < 0.001, delimitando los valores de σ entre -1
y 1. Entretanto, α̂BLP y β̂BLP se obtuvieron sólo vía VI. Los instrumentos empleados en ambos
modelos incluyen todas la variables en Γ junto con xj y el vector de unos. Los resultados para
los dos modelos se resumen en el Cuadro 5.
Los resultados del modelo Logit sugieren nuevamente la existencia de un sesgo, en este caso,
tanto en α̂MCO como en β̂MCO ; mientras que por VI, el sesgo sólo se manifiesta estadísticamente
significativo en β̂VI . Claramente, el método de BLP provee un mejor desempeño. Los resultados
sugieren que los estimados para modelo de coeficientes aleatorios son casi idénticos a los valores
poblacionales especificados para α y β.
También vale la pena mencionar que G(σ) alcanza un mínimo local en σ̂GMM = 0.252,
muy cercano al parámetro poblacional. En particular, el mínimo alcanzado corresponde a
G(0.252) = 0.047. En la Figura 1 se verifica lo anterior, donde se computa (12) para 11 valores
de σ ∈ [0.2, 0.3] ubicados de forma equidistante alrededor del valor real.
9
Cuadro 5: Resultados Caso II
Coeficientes
Modelo Logit aleatorios
Variable MCO VI BLP
Constante -15.01 *** -13.60 *** -12.55 ***
(0.34) (0.75) (0.23)
σ̂GMM - - 0.25
Nota: los errores estándar se reportan en paréntesis.
*, **, ***: indican significancia al 10, 5 y 1 %, respectivamente.
0.058
0.056
0.054
G(σ)
0.052
0.050
0.048
10
Figura 2: Distribución del coeficiente aleatorio
1.5
1.0
Densidad
0.5
0.0
En la Figura 2 se ilustra la distribución del coeficiente aleatorio β̂i = β̂BLP +visim . No sorprende
que la curva de densidad tome una forma acampanada, dado que al especificar visim se adoptó
una distribución Normal Estándar.
A continuación, se computan las elasticidades con base en los estimados del modelo de coefi-
cientes aleatorios. La expresión analítica de las elasticidades precio de la demanda y precio-
cruzadas se obtienen al diferenciar la ecuación (11) con respecto al precio. No obstante, para
el cálculo esta expresión debe aproximarse a través de promedios usando visim
pl α̂ PN S
Sj N S i=1 ŝij ŝil , si j 6= l
η̂jl = , (14)
− pj α̂ PN S ŝ (1 − ŝ ), si j = l
Sj N S i=1 ij ij
donde
exp(δjH + µsim
ij )
ŝij = PJ , con µsim sim
ij = σ̂GMM · (xj vi ).
1 + l=1 exp(δlH + µsim
il )
En este caso las elasticidades sí dependen de las características del producto. Replicando el
11
ejemplo del apartado anterior, al calcular η̂4,5
0.4
0.2
^ yS
0.0
Correlación entre ηj.
−0.2
−0.4
−0.6
0 25 50 75 100
Producto j
El nivel de correlación es relativamente, con |ρ̂j | < 0.4 para todo j 6= 100. Para j = 100 el
nivel de correlación está por debajo de −0.6 lo cual puede estar asociado al alto porcentaje
de mercado que ocupa este producto. No obstante, comparado con el caso del modelo Logit,
donde las elasticidades constituyen una combinación lineal de las cuotas de mercado, esta
aproximación proporciona un menor grado de correlación con esta variable.
12
6. Comentarios finales
En este trabajo se exploran las bondades del método para estimación de modelos de elección
discreta propuesto por BLP. Los resultados respaldan la pertinencia de considerar un modelo
con coeficientes aleatorios por tres razones principales: reduce potenciales sesgos en la esti-
mación, permite relajar el supuesto sobre homogeneidad entre consumidores, y especifica un
patrón de sustitución menos restringido que el del modelo Logit.
7. Referencias bibliográficas
Berry, S., Levinsohn, J. & Pakes, A. (1995), Automobile Prices in Market Equilibrium.
Econometrica, 63(4): 841–890.
13