Métodos de estimación de los parámetros de la función de utilidad: estimación por máxima verosimilitud y método de momentos generalizado

En la teoría económica del consumidor y en la econometría aplicada, la reconstrucción de la función de utilidad es fundamental para entender las preferencias individuales y predecir el comportamiento de la demanda. Sin embargo, dado que la utilidad es una construcción cardinal y ordinal, no existe un observable directo de la función de utilidad misma. En su lugar, los economistas deben inferir sus parámetros observando el comportamiento de los agentes en diferentes contextos de precios e ingresos. Para ello, convergen dos enfoques metodológicos predominantes: la estimación por máxima verosimilitud (EMV) y el método de momentos generalizado (MMG). Ambos buscan aproximar los parámetros desconocidos de la función de utilidad, pero difieren en sus fundamentos estadísticos, eficiencia asintótica y requerimientos de datos.

La estimación por máxima verosimilitud se basa en el principio de asumir que los datos observados provienen de una distribución probabilística específica, definida por la función de utilidad y una estructura de errores. El objetivo de este método es encontrar los valores de los parámetros que maximicen la función de verosimilitud, es decir, la probabilidad conjunta de observar el conjunto de datos disponible. La ventaja principal de la EMV es que, bajo condiciones de regularidad estándar, produce estimadores que son consistentes, asintóticamente normales y, en muchos casos, eficientes, lo que significa que tienen la menor varianza posible entre todos los estimadores lineales no sesgados. Además, permite la construcción de pruebas de hipótesis robustas mediante la distribución asintótica del estadístico de verosimilitud restringida. No obstante, este enfoque puede volverse computacionalmente intensivo si la función de verosimilitud es compleja o no tiene forma cerrada, y es sensible a la especificación correcta de la distribución de los errores.

Por otro lado, el método de momentos generalizado ofrece una alternativa más flexible y computacionalmente ligera. Este método consiste en igualar los momentos poblacionales esperados de las variables observadas con los momentos muestrales calculados a partir de los datos. En el contexto de las funciones de utilidad, esto implica que los momentos de las variables exógenas (como precios e ingresos) deben coincidir con los momentos de las variables endógenas (como la demanda) bajo la restricción impuesta por la función de utilidad. La fuerza del MMG radica en su capacidad para manejar modelos con muchos parámetros y estructuras de errores complejas sin necesidad de asumir una distribución paramétrica específica para los errores, siempre que se puedan identificar los momentos relevantes. Aunque los estimadores obtenidos pueden tener una varianza ligeramente mayor que los de la EMV en muestras grandes, su robustez frente a violaciones de supuestos distribucionales y su facilidad de implementación lo hacen una herramienta indispensable, especialmente en modelos de elección discreta con muchos atributos.

La elección entre estos dos métodos no es meramente técnica, sino que depende de las características específicas del modelo y de los datos disponibles. En situaciones donde la función de verosimilitud es altamente no lineal y la simulación es necesaria, el MMG puede ser preferible por su estabilidad numérica. Por el contrario, cuando la eficiencia asintótica es crítica y la distribución de los errores es razonablemente conocida, la EMV ofrece resultados más precisos. Es común en la práctica que los investigadores utilicen ambos métodos en conjunto: primero para obtener una estimación inicial con el MMG y luego refinar los resultados con la EMV, o viceversa, para verificar la robustez de los hallazgos.

Finalmente, tanto la EMV como el MMG requieren una atención cuidadosa a la identificación del modelo. Si los datos no contienen suficiente variación en los precios e ingresos para distinguir entre diferentes funciones de utilidad, ni uno de los dos métodos podrá estimar los parámetros de manera única. Además, la interpretación de los resultados debe considerar que, aunque los parámetros estimados reflejan preferencias, la utilidad misma permanece un constructo teórico. Por lo tanto, la validez de cualquier inferencia económica derivada de estos métodos depende intrínsecamente de la correcta especificación del modelo y de la calidad de los datos empíricos subyacentes.