Estimating Discrete Choice Demand Models with Sparse Market-Product Shocks

Nous proposons une nouvelle approche pour estimer le modèle logit de demande à coefficients aléatoires pour des produits différenciés, lorsque le vecteur des chocs de demande qui touchent des produits sur le marché est épars. En nous appuyant sur l’hypothèse de l’éparpillement des chocs, nous établissons une identification non paramétrique de la distribution des coefficients aléatoires et des chocs de demande dans des conditions clémentes. Ensuite, nous élaborons une procédure d’estimation bayésienne, qui utilise la structure d’éparpillement au moyen de mesures de rétrécissement a priori, pour tirer des déductions sur les paramètres du modèle et les quantités contrefactuelles. Contrairement à la méthode standard de Berry, Levinsohn et Pakes (1995), notre approche ne nécessite pas d’inversion de la demande ou de variables instrumentales, et elle constitue donc une solution de rechange valable lorsque les variables instrumentales ne sont pas disponibles ou que leur validité est douteuse. Des simulations de Monte-Carlo valident nos résultats théoriques et démontrent l’efficacité de notre approche, tandis que des applications empiriques révèlent des chocs de demande éparpillés dans des ensembles de données bien connus.