Econometría en el análisis de libre competencia
Los análisis económicos son a menudo un componente clave de la discusión en libre competencia, por lo que es esencial que los abogados que ejercen en el área comprendan los principios económicos básicos y puedan aplicar y transmitir estos conceptos de manera efectiva ante las autoridades de competencia.
Al respecto, cuatro conceptos económicos fundamentales en esta materia:
- El contrafactual: Consiste en definir un escenario hipotético alternativo que resulta idéntico al escenario existente, salvo por la presencia de aquello que interesa estudiar.
Por ejemplo, si queremos demostrar que los aumentos en precios en un mercado se deben a la conducta de un cartel -y no a otros factores externos-, habría que describir un escenario paralelo que sea igual al que tenemos, pero cuya única diferencia sea la ausencia de la conducta colusiva. Solo a partir del contraste entre estos dos escenarios es que se podría decir que hay un efecto causal entre la colusión y el alza en precios, de lo contrario no podríamos descartar la existencia de otros factores desconocidos que estarían afectando en los precios. El enfoque comúnmente utilizado por economistas es construir un contrafactual de manera artificial que sea suficientemente válido como para hacer comparaciones. A ese escenario paralelo algunos lo llaman benchmarking.
Podríamos estudiar el historial de precios como contrafactual, y sería válido si al usar datos de un mismo mercado se mantienen constantes factores como su estructura de mercado, barreras de entrada y determinantes de precios de equilibrio; por otra parte, habría que dejar de lado variables como condiciones económicas externas, v. gr. una crisis financiera, si esta no afectó a los dos períodos comparados. También se podría usar como comparador los datos de una misma industria, en un mismo período, pero en dos zonas geográficas distintas, con características similares, donde la conducta anticompetitiva sólo afectó a una de ellas. De ese modo parece razonable usarla como contrafactual.
- La regresión lineal simple: Es un modelo matemático que se utiliza para comprender cómo se relacionan las cosas entre sí. Las regresiones pueden explicar, por ejemplo, la relación que podría existir entre la conducta de un cartel y los niveles de precios, o la relación entre el grado de competencia post-fusión y los precios. Si una disminución en la cantidad de empresas compitiendo en el mercado va acompañada de un aumento de precios, se dice que la relación es negativa.
Matemáticamente, cuando son dos las variables involucradas, como por ejemplo precio de un producto (Y) y cantidad de ese producto (X), esto queda representado bajo la ecuación
El resultado de la variable Y depende del valor de X, donde c es el punto en que la recta intercepta al eje Y en un plano cartesiano y b es la pendiente de esa recta (conceptualmente esta última define una función entre X e Y, que define cómo estas dos variables se relacionan). Se generarán múltiples combinaciones (puntos en el plano cartesiano) con los cuales se podrá representar una línea o recta de dispersión. La letra "e" es un residuo que no se incluye porque no se puede observar, pero que también explica cualesquiera que sea las diferencias entre el modelo c + b X.
- Análisis explicativo: Relaciones causales:
Esta etapa supone explicar y predecir. Ambos conceptos tienen desafíos metodológicos diferentes. Comencemos con un modelo explicativo, que es cuando queremos medir directamente el efecto de una variable dada sobre otra. Retomando el caso del cartel y su efecto en precios, podríamos estimar la siguiente regresión:
Precio = c + b*Cartel + e
donde la variable Cartel toma el valor 1 si estamos parados durante el periodo del cartel y 0 si no. En este caso, el valor del coeficiente b nos dirá la diferencia de precios promedio entre estos dos períodos. La siguiente es la representación gráfica de la regresión, donde las dos barras horizontales representan los precios promedio durante los períodos sin cartel y con cartel.
Ilustración gráfica de un modelo de regresión lineal
Se observa que los precios subieron sustancialmente con la llegada del Cartel, no obstante, se debe tener presente que esta estimación no considera otras variables que también podrían estar afectando la diferencia de precios entre estos dos escenarios. Supongamos que, por ejemplo, hubo algunas interrupciones de suministro nunca antes vistos durante el periodo del cartel debido a desastres naturales. No es necesario entender econometría para reconocer que la diferencia de precios descrita podría estar ignorando el hecho de que una disminución en la oferta también conduce a precios más altos, por lo que la regresión estaría sobreestimando el efecto del cartel.
Así, por ejemplo, en el caso de la colusión de los pollos ocurrida en nuestro país, para estimar la indemnización a los consumidores se usó la fórmula
Precio.consumidor = α + β1∗Precio.mayorista + β2∗Controles + ε
Donde el coeficiente β1 nos diría cuánto cambia el precio minorista ante un cambio en los precios mayoristas. Sin embargo, como ya advertimos, esta regresión podría estar sesgada, ya que existirían factores no observables, tales como shocks de demanda específicos para el consumo de pollo, que no pueden ser controlados en el modelo. Debido a esto, se optó por complementar la regresión con el método denominado variables instrumentales
Otro ejemplo es el cálculo de indemnizaciones por colusión del Caso Farmacias, donde se estimó una regresión lineal (con variables instrumentales) para estimar la elasticidad de la demanda, esto es, qué tan sensible es la cantidad que los consumidores desean adquirir ante cambios en los precios del producto. Este dato es importante para el cálculo del daño por concepto de lucro cesante, consistente en el perjuicio experimentado por los consumidores que no pudieron comprar el medicamento debido al sobreprecio producto de la colusión.
- Análisis Predictivo: precisión de modelos. Las predicciones juegan un rol importante en el análisis de operaciones de concentración, donde lo que se quiere es predecir el efecto que podría llegar a tener una fusión en variables como el precio.
Cuando el objetivo de un análisis empírico es obtener la mejor predicción posible, se debe considerar que no siempre el modelo de regresión puede generar una predicción confiable solo porque se ajusta bien a los datos históricos.
En este gráfica observamos tres modelos de predicción distintos. Corresponde a una serie de tiempo que muestra el precio de cualquier producto, y lo que se quiere es predecir el precio del área sombreada. El modelo 1 -línea recta- corresponde al de regresión lineal que muestra una tendencia al alza de los precios, pero no evidencia los altibajos que muestran los precios, que sí parecerían estar mejor reflejados en el modelo 3. Podríamos preguntarnos entonces por qué el modelo 1 sería el mejor método predictivo si no muestra estos altibajos; la respuesta de algunos autores es que como en el futuro cercano se tienen menos incertidumbres, es posible «permitirse» que la regresión se ajuste más estrechamente a los datos históricos; por otro lado, cuanto más tiempo en el futuro queremos predecir, mayor será el número de incógnitas e incertidumbre, lo que requiere un ajuste más flexible para dejar espacio para que se desarrollen. El modelo 1 no se ajusta a los datos históricos tan bien como el modelo 2 o el modelo 3, pero tiene el mejor rendimiento en promedio.
- Data Mining: minería de datos. Es muy importante definir adecuadamente la forma de seleccionar la información, y la que finalmente se usará en el análisis investigativo, todo con el objeto de evitar sesgos de extracción de datos que persigan beneficiar una postura u otra.
Referencias bibliográficas:
Comments