Three essays on applied microeconometrics

• Autores: Kim Kyung Bum
• Directores de la Tesis: José María Labeaga Azcona (dir. tes.), Alberto Augusto Álvarez López (codir. tes.)
• Lectura: En la UNED. Universidad Nacional de Educación a Distancia ( España ) en 2021
• Idioma: español
• Tribunal Calificador de la Tesis: Sergi Jiménez Martín (presid.), Mercedes Martos Partal (secret.), Rubén Osuna Guerrero (voc.)
• Programa de doctorado: Programa de Doctorado en Economía y Empresa por la Universidad Nacional de Educación a Distancia
• Materias:
  • Ciencias económicas
    • Economía general
• Enlaces
  • Tesis en acceso abierto en: e-spacio (pdf)
• Resumen

  • Esta tesis explora varias metodologías de pronóstico con múltiples tipos de datos, como series de tiempo y estadísticas transversales de fuentes confiables, datos de inteligencia de mercado, datos agregados de PoS (Post of Sales), encuestas a consumidores y cuestionarios de expertos. En resumen, la tesis tiene como objetivo mostrar cómo podemos usar estos datos para desarrollar pronósticos inteligentes y producir algunas aplicaciones detalladas. En este capítulo se discuten los esfuerzos y dificultades principales de la previsión de la demanda en la literatura y se describen los métodos de predicción más comunes que, aunque no son exhaustivos, cubren los principales enfoques en este campo. Se proporcionan algunos fundamentos de previsión de demanda, incluidos sus desarrollos y ventajas, que se usan en las aplicaciones presentadas en los capítulos 2, 3 y 4. El trabajo de investigación tiene tres contribuciones en términos de aplicaciones metodológicas específicas: utilizamos varios métodos para el ajuste de modelos con datos de panel en el capítulo 2, diversos modelos de elección discreta (DCM) en el capítulo 3 y modelos de difusión ajustados con enfoques diversos en el capítulo 4.

    El capítulo 2 tiene como objetivo analizar los factores que atraen la Inversión Extranjera Directa (IED). En términos de variables independientes, utilizamos principalmente las estructuras variables adoptadas de (Nunnenkamp, 2001) investigando la importancia de los impactos de la interacción espacial, la persistencia en los niveles de IED en todas las industrias y los incentivos de política. Se consideran, asimismo, los factores convencionales como el tamaño del mercado, los costes de producción y la infraestructura como determinantes de las opciones de ubicación de la IED. El capítulo se inicia con una revisión del enfoque de pronóstico de demanda más clásico y el análisis de regresión estándar en la literatura. En primer lugar, mostramos un análisis de regresión típico y explicamos las limitaciones de utilizar mínimos cuadrados ordinarios (MCO) para estimar una regresión transversal. Demostramos que abordarlo mediante MCO no permite tener en cuenta la endogeneidad de algunos regresores, lo que resulta en estimaciones inconsistentes. También resulta que este método puede sufrir un sesgo de omisión de variables relevantes (si los efectos no observados son esenciales para explicar las variables objetivo). En consecuencia, elegimos formas alternativas de abordar este problema, utilizando datos combinados de series de tiempo y secciones cruzadas, que se configuran como un panel de datos, a los que se aplican métodos de análisis de panel como el estimador de efectos fijos (FEE) o el estimador de efectos aleatorios (REE).

    El siguiente paso que se plantea en el capítulo es la aplicación de estos métodos a los Tratados de Libre Comercio (TLC) de la UE con dos países asiáticos; el TLC Corea-UE y el TLC Japón-UE. De nuevo, se aplica un análisis de regresión por MCO clásico, así como FEE. En consecuencia, realizamos un análisis de panel de las entradas de IED coreanas y japonesas en la UE. Después de aplicar los métodos de análisis de panel, analizamos los resultados de FFE y REE y discriminamos entre métodos utilizando el típico test de Hausman. Utilizando los resultados de la prueba, decidimos centrarnos más en el enfoque FEE y construir un modelo simple (que consta de impuestos corporativos y productividad laboral). Finalmente, realizamos un cuasi-experimento para examinar el contrafactual sobre el TLC UE-Japón. El modelo se estima mediante el método Diferencias en Diferencias (DID). Finalmente, extrapolamos los efectos aprovechando al máximo los datos de un TLC real UE-Corea en vigor desde 2011.

    El principal objetivo del capítulo 3 es proponer una forma inteligente de analizar la demanda, las preferencias y la elasticidad de los precios de los consumidores y aplicarla en el mercado europeo de la telefonía móvil. En primer lugar, se revisamos DCM adecuados a este contexto y nos decantamos por un modelo Logit de coeficientes aleatorios (RCL, en terminología anglosajona) para la metodología de pronóstico. También exploramos plataformas para medir las preferencias de los consumidores con precisión utilizando datos a nivel agregado, que complementan los datos a nivel individual. La descripción de los modelos DCM se realiza pensando en utilizar de forma simultánea datos agregados e individuales, al tiempo que se discute la dependencia del análisis DCM de los datos a nivel microeconómico o individual. Somos conscientes que los datos públicos divulgados a nivel agregado son relativamente fáciles (y baratos) de adquirir en el mundo de Internet abierto. Sin embargo, los datos a nivel individual pueden ser costosos o, a veces, difíciles de recopilar porque los investigadores deben obtenerlos a través de datos microeconómicos como datos de puntos de venta, encuestas de preferencias y experimentos controlados. Para evitar la carga y los problemas inherentes, necesitamos una plataforma de pronóstico para medir las preferencias heterogéneas de los consumidores con datos a nivel agregado.

    El siguiente paso es sugerir un enfoque para aplicarlo al caso que nos ocupa. El modelo de Berry-Levinsohn-Pakes (BLP) identifica preferencias heterogéneas de los consumidores y predice la participación de mercado con datos agregados. Dicho modelo divide la utilidad del consumidor en sus componentes homogéneo y heterogéneo. Una vez decidido el modelo, seguimos el enfoque de Nevo de aplicarlo a los datos disponibles. Medimos e incorporamos las dos preferencias diferentes con un nuevo producto en un nuevo pronóstico de mercado con múltiples datos de mercado agregados. En el análisis empírico, analizamos la preferencia de los consumidores por la industria europea de teléfonos móviles y comparamos las cuotas de mercado reales y las cuotas de mercado esperadas, así como estimamos la elasticidad precio en algunos mercados objetivo. Mostramos que el modelo BLP es una metodología adecuada, utilizando datos agregados disponibles, aunque considerando también la información sociodemográfica del consumidor. El método también es útil y ofrece una alta previsibilidad para identificar los mercados objetivo para la maximización de los beneficios. En una fase posterior, ampliamos el modelo a la segmentación del mercado desde una perspectiva empresarial. En este punto, incluimos características individuales y ambientales para tener en cuenta la heterogeneidad y utilizamos los resultados estimados para predecir cuotas de mercado correspondientes a un nuevo mercado. De acuerdo con las variables sociodemográficas, llevamos a cabo una segmentación del mercado con el fin de proporcionar evidencia de que la heterogeneidad ayuda a identificar el grupo de consumidores ideal. Luego reinterpretamos la previsión de demanda prevista y el modelo de elección para derivar los problemas de minimización de costos para los responsables de la toma de decisiones y las políticas. Tomando como base la preferencia estimada del consumidor y la información sociodemográfica, identificamos el grupo de consumidores ideal y apoyamos el establecimiento de una estrategia de marketing para maximizar los beneficios.

    En el capítulo 4 se propone un enfoque metodológico basado en un algoritmo estadístico y aprendizaje automático para predecir la demanda del producto antes del lanzamiento basado en el modelo de Bass. Primero, revisamos la literatura sobre desarrollo de nuevos productos (NPD), de la que obtenemos algunas sugerencias de trabajos similares que combinan métodos de pronóstico de demanda cualitativos y cuantitativos. En el contexto de NPD, parece conveniente utilizar métodos cualitativos porque pueden ser muy flexibles y dar resultados individuales en la implementación de modelos. El éxito de la innovación está determinado principalmente por la comunicación de marketing durante el proceso de difusión. El impulso de la difusión crece lentamente hasta que alcanza el punto de inflexión, a partir del cual la velocidad de crecimiento comienza a disminuir y el mercado alcanza la saturación. En numerosos estudios, los modelos de difusión con estas curvas se han ajustado utilizando diversas bases de datos. Aunque muchos modelos de difusión son total o parcialmente exitosos al estimar estructuralmente el mercado y los parámetros subyacentes, tienden a ser muy rígidos, fundamentalmente cuando la estructura de la demanda cambia rápidamente. El modelo de Bass tiene una solución intrínseca a este problema porque podemos extraer relaciones no lineales en el conjunto de datos actualizando los datos de ventas para nuevos artículos y ajustando las previsiones minimizando el impacto de las similitudes encontradas en las estimaciones. Las especificaciones econométricas del modelo de Bass y el modelo logístico como una estructura de difusión representativos se utilizan para la aplicación empírica. Los modelos clásicos de difusión han reforzado la predicción de la difusión en términos de innovación e imitación.

    Sin embargo, es fundamental tener en cuenta que los modelos clásicos están limitados en su aplicación a las innovaciones. El modelo propuesto supera esta limitación y complementa los modelos de difusión conservadores. En nuestro caso, se consideran principalmente las características del producto utilizando el modelo de difusión, y se complementa con los datos de un cuestionario a expertos, es decir, aplicando métodos Delphi. La base de datos establecida a través de este proceso es capaz de mostrar la estructura de preferencias y también proporcionar pronósticos de demanda precisos. Por lo tanto, la base de datos que seleccionamos puede predecir la situación futura del mercado cuando se lanza un producto o se introduce un servicio. Con este fin, creamos bases de datos de los atributos del producto y la difusión del producto y las utilizamos como entrada y salida. Utilizamos algoritmos de regresión estadística y aprendizaje automático, que pueden mapear con un alto nivel de confianza la relación entre los rasgos y las características de difusión de los productos existentes y, a su vez, permiten predecir la demanda de nuevos productos. Además, construimos y evaluamos varios modelos de regresión que utilizan las propiedades del producto para estimar los coeficientes de innovación e imitación del modelo de Bass, p y q. El patrón de difusión estimado proporciona una dirección adecuada para el plan de inversión desde la perspectiva de los gestores de las empresas y de los responsables de las políticas.

    En la aplicación empírica, proponemos un nuevo modelo de difusión para predecir la difusión inducida, centrado en el mercado de MicroLED europeo. Desarrollamos un modelo de Bass ajustado introduciendo diferentes características del producto y aplicándolas al proceso de difusión MicroLED. También revisamos la adecuación del patrón de difusión estimado con el patrón de difusión planificado. Específicamente, elegimos 5 países europeos y la industria MicroLED como grupo de consumidores y región, con el objetivo fundamental de proporcionar una metodología eficaz de previsión de la demanda con datos de mercado a nivel agregado. Basados en modelos de difusión clásicos, creemos que el ejercicio puede apoyar la realización de la estrategia de intervención o marketing siguiendo y manteniendo el patrón de difusión.