Estimando a relação entre gastos

com publicidade e vendas

Aspectos
econométricos
Aspectos econométricos

I. Simultaniedade e identificação
II. Causalidade
III. Especificação de market shares
IV. Efeitos dinâmicos de gastos em propaganda
V. Periodicidade dos dados e viés de efeito
temporal
I. Simultaniedade e identificação

 Na parte teórica, vimos que

– elasticidades relevantes constantes => orçamento de
publicidade como proporção fixa das vendas
 Publicidade endógena

• No nível da firma, publicidade tem impacto nas vendas

 Vendas endógenas

 Problema de simultaniedade entre vendas e publicidade

Simultaniedade e identificação
 Considere o modelo estrutural
St = a + bMt + cPs,t + ut (equação de vendas)
Mt = d + eSt + fPM,t + wt (equação de publicidade)

St: qtde de produto vendido; PS,t: preço do produto

Mt: qtde de anúncios publicitários
P,M,t: preço do anúncio publicitário

Sinais esperados: b > 0 , e > 0, c < 0, f < 0

Hipótese: preços exógenos
Cov(PS,t, ut)  0 ; Cov(PM,t, wt) 0
Simultaniedade entre vendas e
publicidade
 Suponha que tenhamos uma realização ut > 0
 St
Na equação de publicidade, supondo e > 0
 St => Mt

Logo, na equação de vendas, Cov(Mt,ut) > 0

=> Mt endógeno; E(Mtut)  0. Estimação da equação de
vendas por mínimos quadrados ordinários leva a
resultados viesados e inconsistentes
Simultaniedade entre vendas e
publicidade
 Da mesma forma, na eq. de publicidade Cov(S,w)>0
 Suponha que tenhamos uma realização wt > 0
 Mt
Na equação de vendas, supondo b > 0
 Mt => St
 Cov(S,w)>0
=> St endógeno; E(Mtut)  0. Estimação da equação de
vendas por mínimos quadrados ordinários leva a
resultados viesados e inconsistentes
Identificação e estimação: sistema
de duas equações simultâneas
 Sistema de n equações simultâneas: condição de
ordem (condição necessária)
– Uma equação satisfaz a condição de ordem de um sistema de
equações simultâneas se o número de variáveis exógenas
excluída da equação for maior ou igual ao número de
variáveis explicativas endógenas
 No sistema de equações vendas-publicidade:
– Equação de vendas:
 Mt endógena; PM,t exógena excluída Ok
– Equação de publicidade:
 St endógena; PS,t exógena excluída Ok
Identificação e estimação: sistema
de duas equações simultâneas

 Sistema de duas equações simultâneas: condição

suficiente para identificação
– Condição de ordem + coeficiente de variável exógena
excluída estatisticamente significativo

 No sistema de equações vendas-publicidade:

– Identificação da equação de vendas:
 Condição de ordem (Ok) + PM,t estatisticamente significativa
– Identificação da equação de publicidade:
 Condição de ordem (Ok) + PS,t estatisticamente significativa
Classificação quanto à
identificação

 Para uma determinada equação

– nº de variáveis exógenas excluídas > nº de variáveis
explicativas endógenas
=> equação sobre-identificada
– nº de variáveis exógenas excluídas = nº de variáveis
explicativas endógenas
=> equação exatamente identificada
– nº de variáveis exógenas excluídas < nº de variáveis
explicativas endógenas
– => equação sub-identificada (ou não identificada)
Forma reduzida,
mínimos quadrados indiretos e
conseqüências da não-identificação

 Vamos escrever a forma reduzida das

equações para avaliar as conseqüências da
não-identificação

 Um sistema está expresso em sua forma

reduzida quando as variáveis endógenas estão
expressas somente em termos de variáveis
exógenas
Sistema de equações venda-
publicidade: forma reduzida

M t   0   1 PS ,t   2 PM ,t   t
onde
ae  d ce f eu t wt
0  1  2  t  
1  be 1  be 1  be 1  be 1  be

S t   0   1 PS ,t   2 PM ,t   t
onde
a  bd c bf u  bwt
0  1  2  t  t
1  be 1  be 1  be 1  be
Mínimos quadrados indiretos (MQI)

 Como as variáveis explicativas da forma

reduzida do sistema são exógenas, podemos
estimá-las por MQO e, em seguida, recuperar
os parâmetros estruturais => método MQI
Recuperação dos parâmetros
estruturais

^ 2 ^ 1 ^ ^ 2  1
b e  be 
2 1
 2 1
^   2 1  ^   2 1 

c  1   
 f   2   
 2   1 
Equações não-identificadas
 Suponha que excluamos PM,t da equação de
publicidade => f = 0 (viola condição de ordem)
– 4 parâmetros na forma reduzida e 5 parâmetros estruturais
– Não é possível estimar parâmetro b
– Equação de vendas não identificada
 Suponha que excluamos PS,t da equação de vendas
=> c = 0 (viola condição de ordem)
– 4 parâmetros na forma reduzida e 5 parâmetros estruturais
– Não é possível estimar parâmetro e
– Equação de publicidade não identificada
 Logo, em equações não-identificadas, não é possível
estimar parâmetro da variável endógena
MQI: limitações

 Dificuldade de se testar hipóteses envolvendo

parâmetros estruturais

 Recomendável aplicar métodos de variáveis

instrumentais

Variáveis instrumentais no sistema
vendas-publicidade
 PM,t é instrumento válido para Mt na equação de
vendas, já que
– Cov(PM,t , Mt) não-nula e
– Cov(PM,t , ut) = 0 por hipótese
 PS,t é instrumento válido para St na equação de
publicidade, já que
– Cov(PS,t , St) não-nula e
– Cov(PS,t , wt) = 0 por hipótese
 Podemos estimar parâmetros estruturais de maneira
consistente por métodos de variável intrumental
Mínimos quadrados em dois
estágios (MQ2E)

 Para a equação de vendas (similar para equação de

publicidade)

 1º estágio: estime por MQO a regressão da variável

explicativa endógena Mt sobre todas as variáveis
exógenas do sistema
 2º estágio: estime por MQO a equação de vendas,
^
substituindo Mt por M obtido no primeiro estágio
t
Teste de endogeneidade para Mt
na equação de vendas
 Se Mt exógeno
– MQO consistente e eficiente
– MQO preferível a MQ2E (este último apenas consistente)
 Se Mt endógeno
– MQO inconsistente
– MQ2E consistente
– MQ2E preferível a MQO
 Teste de endogeneidade permite assim verificar qual o
melhor método de estimação
– Teste de endogeneidade Hausman (1978)
Teste de endogeneidade

 1º passo: estime a equação reduzida de Mt

sobre todas as variáveis exógenas e obtenha
os resíduos estimados
 2º passo: inclua os resíduos estimados na
equação de vendas e estime por MQO. Caso o
coeficiente δ dos resíduos estimados for
estatisticemente significante, podemos concluir
que Mt é endógeno. Caso contrário,
concluímos que Mt é exógeno
II. Causalidade

 Causalidade de Granger

– Dizemos que a variável publicidade Mt causa no

sentido de Granger a variável vendas St se
variáveis defasadas Mt-k (k=1,2,...) contribuem
estatisticamente para a explicação da variabilidade
das vendas St, na presença de valores defasados
de St-k
Teste de causalidade de Granger

 H0: X não causa Y

 Teste de Granger: utilização de testes-F para
determinar se variáveis defasadas de X são
estatisticamente significantes para explicar Y

 Se F > valor crítico => rejeitar H0

– X causa Y
 Se F < valor crítico => não rejeitar H0
– X não causa Y
Ilustração: testes de Granger
 Suponha que a equação de vendas tenha a forma

St = δ0 + α1St-1 + α2St-2 +α3St-3 +ut

Sob a hipótese de que Mt não causa St no sentido de

Granger, nenhuma variável defasada de Mt deve ser
estatisticamente diferente de zero nas equações do
tipo

St = δ0 + α1St-1 + α2St-2 + α3St-3 + γ1Mt-1+ ... + γkMt-k +ut

Ilustração: testes de Granger

 Devemos realizar testes-F da forma

H0: γ1 = γ2 = ... = γk = 0

Caso H0 não seja rejeitada => Mt não causa St

Caso H0 seja rejeitada => Mt causa St
Causalidade de Granger:
observações

1. Causalidade de Granger não diz nada sobre

endogeneidade de variáveis, uma vez que
não averiguamos a causalidade
contemporânea entre Mt e St

2. Para fins práticos, se uma variável X causa Y,

X é útil para fazer previsões sobre Y
III. Consistência em modelos de participação
de mercado (market share models)

 Considere o modelo (Telser 1962)

sit = αi + βiwit + γi si,t-1 + εit

onde
sit participação de mercado da firma i no período t
wit publicidade firma i/publicidade demais firmas
si,t-1 participação de mercado da firma i no período t-1 (carry-over)

A especificação acima é inconsistente do ponto de vista

lógico (ilustração: duopólio)
IV. Efeitos dinâmicos da
publicidade sobre as vendas
 Qual o padrão temporal de resposta das vendas em
relação à publicidade?
(1) Modelo de efeitos persistentes (“lingering effects
model”)

St = α+ β0At + β0λAt-1+ β0λ2At-2+ β0λ3At-3+...+ut

λ : fator de decaimento
At : publicidade no período t
Modelo de efeitos persistentes:
implementação empírica

 Podemos chegar a uma especificação a ser

estimada a partir da transformação de Koyck
– Defasar a equação anterior e multiplicar por λ
– Subtrair a equação defasada da equação original

 Chegamos ao modelo empírico

St = α(1-λ) + β0At + λSt-1 + ηt
onde ηt = ut - λut-1
Modelo de efeitos persistentes:
observações

1. Como ηt segue uma média móvel de ordem 1,

temos Cov(ηt , St-1) não nula
 MQO viesado e inconsistente
2. Efeito cumulativo da publicidade sobre
vendas após m períodos
β0[1 + λ + λ2 + ... + λm-1] = β0(1- λm)/(1- λ)
quando m infinito => efeito cumulativo = β0/(1- λ)
Modelo de efeitos persistentes:
observações
3. Proporção do impacto cumulativo da publicidade
após m períodos em relação ao impacto total

p = (1- λm)

Logo, para calcular o tempo necessário para atingir a

proporção p da resposta total das vendas em relação
à publicidade, basta resolver
m = ln(1-p)/lnλ
Modelo de efeitos correntes

 Publicidade não possui efeito defasado sobre

vendas

St = α + βAt + ut
onde ut ~ AR(1)
ou seja, ut = ρut-1 + εt
Modelo de efeitos correntes:
implementação empírica
 Defasando a equação anterior em um perído,
multiplicando por ρ e substraindo da equação original,
temos

St = α(1-ρ) + βAt + βρAt-1 + ρSt-1 + εt

onde εt é white noise

Diferenças entre modelo de efeitos persistentes e modelo

de efeitos correntes:
(1) Modelo de efeitos correntes possui variável adicional At-1
(2) εt é white noise, enquanto ut é MA(1)
Escolha entre modelo de efeitos
persistentes X efeitos correntes
 Estime a seguinte equação (coeficientes não restritos)
St = γ0 + γ1At + γ2At-1 + γ3St-1 + εt

 Se γ2 = 0 => evidência em favor do modelo de efeitos

persistentes
 Se γ2 > 0 => estrutura de defasagem diferente do
modelo de decaimento, especificação de efeitos
persistentes não adequada
 Se γ2 = - γ1γ3 => evidência empírica em favor do
modelo de efeitos correntes
Modelo de lealdade de marca
(brand loyalty model)
 Houston & Weiss (1975)
 Inclusão de St-1 justificada como efeitos de fidelidade à
marca resultante do marketing

St = δ0 + δ1At + δ St-1 + ut
onde ut ~ AR(1)

Transformando a equação como no caso anterior,

podemos estimar a seguinte especificação
St = δ0 (1-ρ) + (δ2 -ρ)St-1 + δ2ρSt-2 + δ1At + δ1ρAt-2 + εt
Observação: se ρ=0, modelo se reduz ao modelo de
efeitos persistentes
V. Periodicidade dos dados e viés
de efeito temporal
 Modelo de efeitos persistentes: grande variabilidade
nas estimativas da duração do efeito publicidade sobre
vendas

 Clarke (1976): associação sistemática entre os

resultados dos modelos de efeito persistente e a
periodicidade das bases de dados

Modelo de efeitos persistentes (lingering effects model)

St = α(1-λ) + β0At + λSt-1 + ηt
onde ηt = ut - λut-1
Periodicidade dos dados e viés de
efeito temporal

Proporção do impacto cumulativo da publicidade após m

períodos em relação ao impacto total

p = (1- λm) => m = ln(1-p)/lnλ

=>Variação no período de duração m para que ocorra p%

do efeito da publicidade sobre vendas depende
inteiramente da estimativa de λ
Periodicidade dos dados e viés de
efeito temporal
 Critério de consistência para estudos com dados de
diferente periodicidade: m deve diminuir quando
periodicidade dos dados aumenta

Exemplo: suponhamos que estimemos o mesmo modelo

com dados anuais e mensais. Devemos ter
manual < mmensal.

 λ decresce quando periodicidade aumenta ( => m

diminui)

Clarke (1976): relação não verificada na prática

Periodicidade dos dados e duração do
intervalo de 90% do impacto da publicidade
sobre vendas

Periodicidade λ estimado m estimado Número de

(média) (médio) estudos
Semanal 0,537 0,9 2

Mensal 0,440 3,0 10

Bimensal 0,493 9,0 10

Trimestral 0,599 25,1 10

Anual 0,560 56,5 27
Periodicidade dos dados e viés de
efeito temporal

 Clarke(1976): estimativas de λ não decrescem

com aumento da periodicidade dos dados,
implicando em durações m pouco plausíveis

 Duração do efeito influenciada pela

periodicidade dos dados
Periodicidade dos dados e viés de
efeito temporal
 Clarke(1976): teste de escolha entre modelo de efeitos
persistentes e efeitos correntes usando dados anuais
de Palda (1964)

 Equação estimada (coeficientes não restritos)

St = γ0 + γ1At + γ2At-1 + γ3St-1 + εt
Resultado: γ2 = - γ1γ3 => evidência empírica em favor do
modelo de efeitos correntes

Clarke (1976): Modelo de efeitos correntes parece mais

adequado para a análise de dados anuais (duração do
efeito da publicidade menor que um ano)
Clarke (1976): conclusões
 Modelo de efeitos correntes parece mais adequado
para a análise de dados anuais (duração do efeito da
publicidade menor que um ano).
 Com dados anuais, modelo de efeito persistente
apresenta resultados viesados
 Modelo de efeitos persistentes mais adequado para
dados de periodicidade mais curta
(mensal/bimensal/trimestral)
 Efeitos de publicidade sobre vendas dura alguns
meses, e não anos
Agregação temporal e correlação
espúria
 Bass e Leone (1983): periodicidade dos dados deve
coincidir com o intervalo médio entre compras do
produto em análise.
 Dados anuais para produtos comprados em intervalos
de tempo curto implica em viés de agregação temporal

• Weiss, Weinberg e Windal (1983): agregação temporal

não é único fator para explicar sobrestimação de λ. Há
também problemas de especificação na agregação
analítica do modelo de microdados para macrodados.
Periodicidade dos dados e viés de
efeito temporal

 Recomendação prática:

 Para a maioria dos produtos, 90% do impacto da

publicidade sobre vendas se dá num período menor
que um ano. Logo, não se deve estimar parâmetros da
relação publicidade-vendas a partir de dados anuais.

 Uso de dados anuais leva a resultados espúrios.