Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Modelos de elección discreta

Sesión 2

Juan D. Martin1

23 de febrero de 2021

1
Banco de la República Colombia
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Objetivos

1 Introducir el problema con consumidores heterogéneos.

2 Exponer la estrategia empı́rica para aplicaciones sin micro
datos.
3 Describir dificultades y limitaciones de los métodos analizados-
4 Discutir su aplicación a casos reales (realizados por Quantil,
Alvaro Riascos y Juan D. Martin).
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Problemas del modelo simplificado

1 Ignora heterogeneidad en preferencias/comportamiento de los

agentes.
2 Las derivadas cruzadas dependen únicamente de las coutas de
mercado y no de sus caracterı́sticas: No importa el producto
sino su participación.
3 Versiones como el logit anidado requieren la adición de más
supuestos sobre los niveles de decisión.
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Consumidores heterogéneos

Formas de modelarlos:
1 Preferencias heterogéneas: coeficientes aleatorios.
2 Comportamiento condicionado a caracterı́sticas demográficas:
renta, edad, estrato, sexo, etc.
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Modelo con coeficientes aleatorios

Considere un la utilidad media del consumidor i asociada a la

alternativa j, definida como:
0
δij = β1i x1j + β20 x2j + ξj , (1)

donde x1j y x1j son vectores de caracterı́sticas observadas del

producto j y ξj es el valor asociado a las caracterı́sticas no
observadasde j.
β1i es diferente para cada consumidor i y sigue una
distribución conocida, cuya función de densidad es φ(i).
Por otro lado, β2 es común a todos los consumidores.
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Modelo con aspectos demográficos

De nuevo, considere un la utilidad media del consumidor i

asociada a la alternativa j, esta vez definida como:

δij = β 0 f (xj , yi ) + ξj , (2)

donde f (.) es una función vector que interactua caracterı́sticas

observadas del producto con caracterı́sticas observadas del
individuo, yi .
En particular, f deberı́a ser no lineal.
yi proviene de una base de datos independiente y sigue una
distribución conocida ψ(i)
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Modelo completo

Combinando ambos aspectos, la utilidad media del consumidor

i asociada a la alternativa j queda expresada como:
0
δij = β1i x1j + β20 f (x2j , yi ) + ξj , (3)

Ası́ δij depende tanto de la heterogeneidad en preferencias

como de la heterogeneidad de condiciones demográficas.
La distribución conjunta de yi y β1i es conocida y se denota
como P(yi , β1i ).
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Modelo clásico

Ahora re-expresamos δij = δj + µij , en términos de una parte

especı́fica sólo a la alternativa, δj y otra al consumidor, µij .
Continuando con los demás supuestos del modelo, tenemos
que:

exp{δj + µij }
Z
sj (δ, µ, P(.)) = PJ dP(yi , β1i ), (4)
i k=0 exp{δ k + µ ik }

A diferencia del modelo simplificado, esta especificación no

tiene solución cerrada para δj .
Pero, para un vector de parámetros dado, la solución existe y
es única.
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Algoritmo de punto fijo

Berry, Levinsohn, y Pakes (1995) demuestran que, para un

vector de parámetros dado, θ = (β11 , ..., β1N , β2 ), existe un
algoritmo de punto fijo para δj , tal que siempre existe una
solución única.

δ (h+1) = δ (h) + ln S − ln s(δ (h) , µ, P(.); θ) (5)

donde S y s(.) son los vectores de cuotas de mercado

observadas y las que predice el modelo como función de θ,
respectivamente.
En particular este algoritmo es un contraction mapping, por lo
cual siempre llega a la solución sin importar el valor de δ (1) .
Formalmente, para h = 1, ..., H,

lı́m kδ (H) − δ (H−1) k = 0 (6)

H→∞
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Estimación

Ahora, el reto del investigador es estimar θ empleando los

datos observados.
Dadas las condiciones del modelo, esto puede lograrese
anidando el algoritmo de punto fijo en un algoritmo de
estimación no lineal GMM.
En particular, el estimador GMM, θ̂, se define como:

θ̂ = arg min ξ(θ)0 ZWZ 0 ξ(θ), (7)

θ

donde ξ(θ) es el vector de residuales de la ecuación (3), Z es

una matriz de instrumentos y W es una matriz de
ponderaciones.
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Dificultades usuales

Definir un nivel de toleracia, , para el algoritmo de punto fijo.

La estimación de θ es sensible a la presición con que se
aproxima δ.
El trade-off está en definir un nivel de tolerancia  > 0,
suficientemente pequeño tal que

kδ (H) − δ (H−1) k < , (8)

siendo δ (H) la solución aproximada.

Sin embargo, un  demasiado pequeño implica un mayor
número de cálculos y mayor carga computacional.
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Dificultades usuales

La distribución de la heterogeneidad.
Con frecuencia se deben hacer supuestos sobre P(yi , β1i ).
Usualmente se establece para β1i una distribución
paramétrica. Por ejemplo Normal: β1i ∼ N(β̄1 , σβ1 ).
Por otro lado, para yi se sigue una distribución inferida a
partir de los datos observados.
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Algunas aplicaciones

Cuadernos y colores para uso escolar.

Confiterı́a y golosinas.
Telecomunicaciones.
Progresión académica en educación superior.
Guarderı́as para niños.
Combustible para la aviación.
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Aplicación

Suponga que para el mercado de celulares usted cuenta con los

siguientes datos
Ventas y precios en pesos por alternativa.
Datos del nivel de ingreso de los hogares en Colombia.
Caracterı́sticas fı́sicas: tamaño de pantalla, tamaño memoria,
sistema operativo.
Marca: Apple, Samsumg, etc.
Distribuidor: Claro, Movistar, Éxito, etc.
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Aplicación

De acuerdo con estos datos, defina (conceptualmente):

1 Producto, como unidad de observación.
2 Tamaño de mercado (M)
3 Cuotas de mercado (Sj )
4 Caracterı́sticas observadas (xj )
5 Algunas caracterı́sticas no observadas (ξj )
6 Luego, de acuerdo a lo anterior especifique el modelo y defina
δj , µij y θ.
Objetivos Modelo completo Algoritmo de punto fijo Estimación Dificultades y limitaciones Aplicación Referencias

Referencias

Berry, S., Levinsohn, J., y Pakes, A. (1995). Automobile prices in

market equilibrium. Econometrica: Journal of the
Econometric Society, 841–890.