En este comentario simplemente muestro que
Bajo ciertos supuestos el problema no es un problema de estimación, existe una solución exacta para $\sigma$ y una solución para los errores estructurales $\alpha_i$ hasta una normalización.
El sistema de demanda considerado está descrito por la función de demanda de Marshall
$$x_k^\star(p,M) = \left(\frac{\alpha_j}{p_j}\right)^{\sigma}\frac{M}{\sum_j p_j^{1-\sigma}\alpha_j^\sigma},$$
lo que implica que las cuotas de gasto vienen dadas por
$$s_k(p,I) := \frac{p_k x_k^\star(p,I)}{\sum_j p_j x_j^\star(p,I)} = \frac{p_k^{1-\sigma}\alpha_k^\sigma}{\sum_j p_j^{1-\sigma}\alpha_j^\sigma}.$$
A continuación, defino $K(p,\alpha) := \sum_j p_j^{1-\sigma}\alpha_j^\sigma$ donde $p = (p_1,...,p_N)$ y $\alpha := (\alpha_1,...,\alpha_N)$ y linealizar logarítmicamente los porcentajes de gasto para obtener
$$(1) \ \ \ \log s_k = (1-\sigma) p_k + \sigma \log \alpha_k + K(p,\alpha)$$
Sección transversal única de datos agregados: Dados los datos sobre $\{s_k,p_k\}_{k=1}^N$ esta ecuación se puede estimar utilizando OLS bajo el supuesto de que $\mathbb E[p_k,\ln \alpha_k] =0$ .
Consideremos ahora la situación en la que se observan dos períodos de tiempo $t=1,2$ y los precios se supone que muestran cierta variación, mientras que se supone que $\alpha$ los parámetros de la demanda del consumidor son constantes en el tiempo
$$(1') \ \ \ \log s_{kt} = (1-\sigma) p_{kt} + \sigma \log \alpha_k + K_t(p_t,\alpha),$$
donde he añadido el índice de tiempo a $K$ porque el vector precio varía en el tiempo. Está claro que se trata de una regresión estándar de efectos fijos de dos vías sin un término de error específico del tiempo. Utilizando los métodos de demeaning conocidos de la metodología de estimación de efectos fijos se puede encontrar la solución exacta para $(1-\sigma)$ .
Primero tomar promedios sobre los bienes para obtener
$$\frac{1}{N}\sum_k \log s_{kt} = (1-\sigma) \frac{1}{N}\sum_kp_{kt} + \frac{1}{N}\sum_k \sigma \log \alpha_k + K_t(p_t,\alpha),$$
restar de la ecuación (1) para obtener
$$(2) \ \ \ \ ds_{kt} = (1-\sigma) dp_{kt} + \sigma d\alpha_k,$$ donde el $d$ en de la variable significa simplemente que ha sido degradada en versión logarítmica por lo que $ds_{kt} := \log s_{kt} - \frac{1}{N}\sum_k \log s_{kt}$ .
Segundo tomar las primeras diferencias en el tiempo para conseguir
$$(3) \ \ \ \ ds_{k2} - ds_{k1} = (1-\sigma) [dp_{k2} - dp_{k1}]$$
tal que
$$(4) \ \ \forall k: \ \ \ (1-\sigma) = \frac{ds_{k2} - ds_{k1}}{dp_{k2} - dp_{k1}}$$
habiendo encontrado $\sigma$ se puede encontrar $\alpha_i$ utilizando la ecuación (2). Esto significa que hay que resolver para $d\alpha_k = \alpha_k$ bajo la normalización que $\frac{1}{N}\sum_k \log \alpha_k = 0$ . Por tanto, no se puede recuperar la media de los errores estructurales.
Bajo el supuesto de que $\alpha_k$ son invariantes en el tiempo con datos $\{p_{jt},s_{jt}\}_{j=1,...N, t=1,2}$ recuperar $\sigma$ utilizando exactamente (4) y los errores estructurales $\alpha_k$ hasta una única normalización utilizando (2).
Para ilustrar los cálculos, proporciono una pequeña simulación:
#set.seed(1)
N <- 50
M <- 100000
sigma <- 4
# Simulate structural errors assumed time-constant
phi <- 2*runif(N)+2
phi <- phi/((prod(phi))^(1/N))
# Simulate prices
p1 <- 2*runif(N)+2
p2 <- 2*runif(N)+2
s1 <- (p1/phi)^(1-sigma)
s1 <- s1/sum(s1)
E1 <- M*s1
s2 <- (p2/phi)^(1-sigma)
s2 <- s2/sum(s2)
E2 <- M*s2
x1 <- E1/p1
x2 <- E2/p2
library(data.table)
dt <- data.table(good=rep(1:N,2),time=rep(c(1,2),each=N),price=c(p1,p2),x=c(x1,x2))
dt[,E:=sum(price*x),by=time]
dt[,share:=price*x/E]
dt[,ds:=log(share)-mean(log(share)),by=time]
dt[,dp:=log(price)-mean(log(price)),by=time]
1-coef(lm(ds~dp+as.factor(good),data=dt))[2]
1-coef(lm(log(share)~log(price)+as.factor(good)+as.factor(time),data=dt))[2]
sigma
# Or from a single instead of all N
temp <- as.matrix(dt[good==2,.(ds,dp)])
1-(temp[2,1] - temp[1,1]) / (temp[2,2]-temp[1,2])
Los cálculos de este post se basan en el documento de Stephen J. Redding y David E. Weinstein A UNIFIED APPROACH TO ESTIMATING DEMAND AND WELFARE.