Utilidad aleatoria y elección discreta

La teoría de la utilidad aleatoria dice que cada elección tiene una parte que podemos explicar y otra que no. Piensa en un iceberg: la parte visible es lo que observamos de las preferencias de una persona. Pero hay una enorme parte oculta con factores que solo ella conoce: su estado de ánimo, sus recuerdos o sus limitaciones personales. Dos personas pueden tomar decisiones distintas e igualmente racionales porque combinan las mismas opciones observables con distintos factores que no podemos observar.

Los modelos de utilidad aleatoria parten de una idea sencilla: nunca sabemos del todo por qué las personas eligen lo que eligen. Lo que observamos, la elección, se combina con lo que no vemos, el componente aleatorio. Esta parte «aleatoria» no es un caos matemático: es todo lo que sabe quien decide y que nosotros desconocemos. Quizá elegiste la cafetería porque está más cerca, algo observable, o quizá porque ayer quien te preparó el café recordó tu nombre, algo que yo no puedo observar.

Este marco revolucionó la forma de predecir elecciones discretas: decisiones entre alternativas distintas, como ir al trabajo en auto o en tren, votar por el candidato A o por el B, o elegir el producto X o el Y. Antes de este enfoque, a los economistas les costaba explicar las elecciones inconsistentes: ¿por qué alguien tomaría el autobús hoy y conduciría mañana si nada ha cambiado? La utilidad aleatoria lo explica al considerar que las preferencias tienen un componente estable y otro que depende de la situación y cambia de un momento a otro.

Esto importa porque permite hacer predicciones incluso con información incompleta. En lugar de exigir un conocimiento perfecto de cada factor que influye en una decisión, los modelos representan los patrones predecibles y reconocen la variación que queda sin explicar. Las empresas los usan para prever la cuota de mercado de nuevos productos, quienes planifican el transporte los usan para predecir cambios de ruta y quienes diseñan políticas públicas los usan para simular cómo las regulaciones modificarán el comportamiento. El elemento «aleatorio» hace que los modelos sean más precisos al evitar imponer una falsa precisión a decisiones intrínsecamente humanas.

Un punto clave es que este enfoque replantea la «racionalidad». Actúas de forma racional cuando tus elecciones reflejan preferencias coherentes; no depende de que coincidas con los demás ni de que obtengas el mejor resultado según algún criterio objetivo. Tanto quien elige la hamburguesa como quien elige la ensalada pueden actuar racionalmente si cada uno busca el mejor resultado dadas sus propias limitaciones y preferencias, muchas de las cuales son invisibles para los demás.

La teoría de la utilidad aleatoria proporciona la base matemática del análisis de elección discreta. Trata la utilidad como una variable aleatoria formada por un componente sistemático (observable) y un componente aleatorio (no observable). La probabilidad de que una persona elija una alternativa concreta depende de la probabilidad de que esa alternativa le proporcione la mayor utilidad entre todas las opciones disponibles. McFadden (1974) demostró que, si los componentes aleatorios siguen una distribución de valores extremos, las probabilidades de elección adoptan una estructura logit con una fórmula explícita, lo que facilita el uso del modelo en el trabajo empírico. [1]

Entre los principales hallazgos de la investigación están:

• McFadden (1974): Derivó el modelo logit condicional a partir de la maximización de la utilidad aleatoria y estableció que los modelos de elección discreta son compatibles con la maximización de la utilidad bajo supuestos específicos sobre la distribución. [1]
• Train (2009): Mostró que los modelos logit mixtos pueden aproximar cualquier modelo de utilidad aleatoria y captar tanto las diferencias de preferencias entre personas como patrones flexibles de sustitución entre alternativas. [2]
• Ben-Akiva y Lerman (1985): Demostraron que los modelos de utilidad aleatoria permiten analizar el bienestar mediante cálculos de variación compensatoria, incluso cuando las elecciones son probabilísticas. [3]

Los modelos de utilidad aleatoria reciben varias críticas. Los supuestos sobre la distribución, normalmente la de Gumbel o de valores extremos, determinan los patrones de sustitución. Los modelos logit imponen la propiedad de «independencia de las alternativas irrelevantes», que puede ser poco realista cuando las opciones comparten atributos no observados. El «problema del autobús rojo y el autobús azul» lo ilustra: añadir una alternativa casi idéntica no debería restar la misma proporción de usuarios a todas las opciones. El logit mixto y las estructuras anidadas flexibilizan esta restricción, pero añaden complejidad computacional. Los modelos también tienen dificultades con conjuntos de elección muy grandes, de cientos de opciones, y con atributos endógenos: cuando los precios o las calidades responden de forma predecible a la demanda. Por último, la preferencia revelada solo muestra lo que las personas eligieron, no lo que habrían elegido en otras condiciones. Esto limita la inferencia causal cuando no hay variación experimental.