¿Cómo tratar la endogeneidad del precio?
El precio es endógeno cuando covaría con determinantes no observados de la demanda. Controles, efectos fijos e instrumentos abordan fuentes de sesgo distintas.
Respuesta directa
Estimar elasticidad bajo un conjunto declarado de supuestos de identificación.
El precio es endógeno cuando covaría con determinantes no observados de la demanda. Controles, efectos fijos e instrumentos abordan fuentes de sesgo distintas.
01
Por qué precio y ventas no bastan
Una bajada de precio seguida de más ventas no demuestra que la bajada haya causado el aumento. El precio puede haberse reducido precisamente porque la demanda se estaba frenando. Una promoción, una rotura de stock de un competidor, la estacionalidad o un cambio de surtido también pueden mover precio y cantidad a la vez.
- 01
Problema de negocio: el precio influye en las ventas, pero las ventas previstas también influyen en el precio.
- 02
Problema estadístico: el precio está correlacionado con determinantes no observados de la demanda incluidos en el error.
- 03
Estrategia IV: aislar una variación del precio procedente de una fuente externa a la demanda no observada.
02
Un ejemplo de marketing de principio a fin
Ilustración sintética: valores didácticos, no observados y no reutilizables como referencia.
El conjunto sintético sigue 60 productos durante 10 semanas, es decir, 600 filas. El precio responde a un shock de coste del proveedor y también a un shock de demanda no observado. La cantidad responde al precio, la promoción, la estacionalidad y ese mismo shock de demanda. Esta construcción hace endógeno el precio y conserva un instrumento relevante y exógeno por construcción.
En esta realización sintética, OLS está sesgada hacia cero y 2SLS se acerca al coeficiente generador −1,20. El valor −1,011 no es un benchmark ni una elasticidad universal. Solo describe la variación del precio aislada por este protocolo sintético bajo sus supuestos declarados.
03
Pregunta científica y estimando
Para los 60 productos y las 10 semanas del archivo, ¿cuál es el coeficiente log-log del precio sobre la cantidad para la variación de precio inducida por el shock de coste del proveedor, condicionando por promoción y estacionalidad? El estimando es β en la ecuación estructural declarada, con inferencia agrupada por producto.
Contrafactual: para el mismo producto i y la misma semana t, comparar Qᵢₜ(p₁) con Qᵢₜ(p₀) cuando solo varía el logaritmo del precio p mediante el componente inducido por Z, manteniendo fijos los controles X. El contraste lo define el modelo estructural homogéneo declarado y no se observa directamente.
04
Por qué puede fallar la regresión simple
OLS atribuye al precio toda variación residual común al precio y a la demanda. Aquí, el shock de demanda no observado aumenta a la vez el precio y la cantidad. Por tanto, se viola E[u | ln(P), X] = 0. La dirección y la magnitud del sesgo dependen del proceso de fijación de precios; no siguen una regla universal.
05
El mecanismo causal que debe ser creíble
06
Datos necesarios y calidad mínima
- Unidad: producto × semana; 600 filas, 60 clústeres de producto y 10 periodos sin valores ausentes en el ejemplo.
- Variables: log_quantity, log_price, supplier_cost_shock, promotion, season_index, product_id y week.
- En datos reales, documentar: fuente del coste, calendario de precios, roturas de stock, calidad, surtido, promociones, competencia, error de medida, abandono y soporte de precios.
07
Modelo formal y símbolos
ln(Pᵢₜ) = α₁ + πZᵢₜ + δXᵢₜ + vᵢₜ
ln(Qᵢₜ) = α₂ + βln(Pᵢₜ) + γXᵢₜ + uᵢₜ
i, t | índices de producto y semana |
|---|---|
Q | cantidad vendida; log_quantity se observa |
P | precio; log_price se observa pero es endógeno |
Z | supplier_cost_shock, instrumento candidato observado |
X | promotion y season_index, controles observados |
β | coeficiente 2SLS estimado de ln(P) en la ecuación de cantidad |
π | coeficiente de primera etapa de Z sobre ln(P) |
α₁, α₂ | constantes de las ecuaciones de precio y cantidad |
δ, γ | vectores de coeficientes de los controles X en ambas ecuaciones |
ln(P)̂ | log-precio ajustado proyectado por Z y X en la primera etapa |
Qᵢₜ(p) | cantidad contrafactual del producto i en la semana t bajo el log-precio p |
u, v | errores no observados de las ecuaciones estructural y de precio |
08
Qué hacen realmente las dos etapas
Etapa 1: explicar el precio
ln(P) = α₁ + πZ + δX + vSe estima la parte del logaritmo del precio explicada por el instrumento Z y los controles X. Esta etapa produce el valor ajustado de ln(P), escrito ln(P)̂, utilizado por el modelo IV.
Etapa 2: explicar las cantidades
ln(Q) = α₂ + β·ln(P)̂ + γX + uβ se estima a partir de la variación del precio proyectada por el instrumento, no de toda la variación observada de P. Para la inferencia debe usarse un estimador 2SLS completo: una segunda OLS manual sobre el valor ajustado de ln(P) daría errores estándar incorrectos.
09
Resultado numérico reproducible
El script de biblioteca estándar reproduce: βOLS = −0,577216 (EE 0,046332), π = 0,434136 (EE 0,027147), R² parcial = 0,310020, Wald agrupado χ²(1) = 255,749005 y βIV = −1,011208 (EE 0,083104; IC asintótico del 95%, z = 1,96, 60 clústeres: [−1,174092; −0,848325]). El coeficiente exploratorio del residuo de primera etapa es 0,628993 (EE 0,091948; t descriptivo = 6,840731). Como usa un regresor generado, este último cálculo no se presenta como prueba formal robusta por clúster y no valida la exclusión.
10
Seis condiciones y controles traducidos en preguntas de negocio
| Condición o control | Pregunta operativa | Evidencia que documentar |
|---|---|---|
| Relevancia | ¿El instrumento mueve suficientemente el precio tras los controles? | Coeficiente de primera etapa, R² parcial y estadístico robusto adecuado al diseño. |
| Independencia | ¿Es Z independiente de la demanda no observada condicionada a X? | Cronología, proceso de asignación, equilibrio de covariables y conocimiento del mercado. |
| Exclusión | ¿Puede Z afectar a las ventas por una vía distinta del precio? | DAG, auditoría operativa y búsqueda de vías directas como disponibilidad, calidad o surtido. |
| Fuerza | ¿La variación aislada es suficientemente informativa para una estimación estable? | Diagnósticos de instrumentos débiles e intervalos robustos a identificación débil. |
| Heterogeneidad | ¿Es defendible el supuesto de un coeficiente estructural homogéneo? | El ejemplo impone un β homogéneo. Con datos reales, documentar la heterogeneidad y no convertir automáticamente 2SLS en una elasticidad universal. |
| Sensibilidad | ¿El resultado resiste otras especificaciones plausibles? | Ventanas, controles, efectos fijos, clústeres, instrumentos y muestras alternativos declarados. |
Relevancia y fuerza son medibles. Independencia y exclusión no pueden probarse solo con el archivo; requieren justificación causal externa.
11
Diagnósticos que hay que producir antes de interpretar β
- 01
Primera etapa: coeficiente de Z, R² parcial y estadístico robusto. F > 10 no es una regla universal de validación.
- 02
Instrumentos débiles: complementar el intervalo 2SLS con inferencia robusta tipo Anderson–Rubin o CLR cuando la identificación sea incierta.
- 03
Incertidumbre: usar errores estándar robustos o agrupados coherentes con la unidad de asignación y la dependencia temporal.
- 04
Sobreidentificación: disponible solo con más instrumentos excluidos que regresores endógenos. No rechazar no demuestra validez.
- 05
Endogeneidad: una prueba Durbin–Wu–Hausman no significativa no demuestra exogeneidad del precio, especialmente con un instrumento débil.
- 06
Sensibilidad: comparar OLS, 2SLS, especificaciones alternativas y dominios de soporte sin elegir después el resultado preferido.
12
Interpretar el resultado sin extrapolarlo
En el modelo log-log homogéneo declarado, βIV = −1,011 significa que una subida del precio del 1% inducida por Z corresponde, bajo los supuestos IV y estructurales, a aproximadamente un 1,011% menos de cantidad en el soporte estudiado. Para +5%, el cálculo finito da 100 × [(1,05)^−1,011208 − 1] = −4,81%. La conversión no transporta el efecto fuera de la población, periodo o mecanismo de coste estudiados.
13
Qué se puede concluir
Bajo los supuestos de identificación y el supuesto estructural homogéneo impuesto explícitamente en el ejemplo, β describe la respuesta causal a la variación del precio inducida por el instrumento dentro de la población, el periodo y el soporte analizados. Una subida del 1% corresponde aproximadamente a una variación de β% en la cantidad; el cálculo finito exacto es 100 × [(1,01)^β − 1].
Esta elasticidad se aplica necesariamente a todos los productos, clientes, periodos, niveles de precio y futuras políticas de precios.
14
Decisión de marketing posible
Decisión posible: comparar un escenario de subida de precio limitado al soporte observado con otro sin subida, presentando por separado volumen, margen e incertidumbre. Decisión no sustentada: automatizar un precio óptimo o extrapolar a productos, clientes o niveles de precio no cubiertos. Si exclusión o independencia siguen siendo frágiles, posponer la decisión o usar un experimento seguro.
15
Cuándo no usar este método
- No hay un instrumento creíble disponible.
- El instrumento candidato afecta directamente a demanda, disponibilidad, calidad o surtido.
- La primera etapa es demasiado débil para producir una estimación informativa.
- El número de observaciones o clústeres es insuficiente para la incertidumbre requerida.
- Es viable un experimento de precios ético y operativamente seguro.
- Una regla conocida de fijación del precio permite una estrategia de identificación más directa.
16
Implementaciones de referencia
Python 3.13 · standard library · reference
python msc-p020-reference.py --csv msc-p020-price-endogeneity.csvR 4.5 · ivreg / sandwich / lmtest · companion syntax not executed in this build
library(ivreg); library(sandwich); library(lmtest)
d <- read.csv('msc-p020-price-endogeneity.csv')
fit <- ivreg(log_quantity ~ log_price + promotion + season_index |
supplier_cost_shock + promotion + season_index, data=d)
summary(fit, diagnostics=TRUE)
coeftest(fit, vcov.=vcovCL(fit, cluster=d$product_id, type='HC1'))IBM SPSS Statistics 31 · secondary syntax
2SLS log_quantity WITH log_price promotion season_index
/INSTRUMENTS=promotion season_index supplier_cost_shock
/ENDOGENOUS=log_price
/PRINT=COV.SAS 9.4 · secondary syntax
proc syslin data=pricing 2sls;
endogenous log_price;
instruments supplier_cost_shock promotion season_index;
model log_quantity = log_price promotion season_index;
run;Python es la única referencia ejecutada en esta compilación. El bloque R es una sintaxis complementaria no ejecutada aquí; SPSS y SAS son secundarios y no reproducen la inferencia agrupada. Ninguna sintaxis hace válido el instrumento: compruebe versiones, covarianza y diagnósticos de instrumentos débiles en su entorno.
17
Entregable esperado para una decisión de precios
- 01
Pregunta de precios, población, unidad de análisis, periodo y estimando log-log.
- 02
DAG y justificación escrita de relevancia, independencia y exclusión.
- 03
Primera etapa completa, fuerza del instrumento y dominio de variación identificado.
- 04
Coeficiente 2SLS, intervalo adecuado, inferencia robusta a instrumentos débiles y plan de agrupación.
- 05
Comparación OLS/IV, sensibilidades, límites de transportabilidad y decisiones expresamente no sustentadas.
18
Referencias científicas
Muestra por qué la endogeneidad de las variables de marketing, incluido el precio, puede sesgar parámetros y usos decisionales de los modelos de elección.
Aclara que la interpretación causal IV depende de supuestos explícitos sobre el instrumento, la asignación y el modelo estructural.
Establece el riesgo de sesgo e inestabilidad cuando los instrumentos explican poco la variable endógena.
19
Nivel de evidencia y límites de transporte
Nivel del dossier: método ilustrado y replicado con datos sintéticos, con tres textos completos verificados a nivel de afirmación. No es una validación empírica de un instrumento real ni una prueba de transportabilidad. Con datos reales, la relevancia es medible; independencia y exclusión siguen siendo supuestos causales que deben defenderse con el proceso de negocio, el grafo causal y análisis de sensibilidad.
Dataset · Herramienta
Conexiones metodológicas