Heterogeneous effects of attention-driven liquidity recomposition on consumer finances: a doubly robust machine learning approach

Abstract

El objetivo de esta tesis es evaluar en profundidad los efectos de los recordatorios de pago de deuda sobre el comportamiento financiero de los consumidores. Si bien el propósito original de estas intervenciones conductuales (nudges) es mitigar las consecuencias negativas de los sesgos cognitivos —como la inatención y la falta de autocontrol—, recientemente se ha cuestionado su inocuidad universal, con estudios que indican que ciertos subgrupos de la población podrían incluso verse perjudicados por su uso. La evaluación de estas intervenciones se ha intensificado en los últimos años, particularmente desde que Richard Thaler recibió el premio Nobel de Economía en 2017. Sin embargo, solo recientemente ha sido posible estudiar los efectos heterogéneos de estas intervenciones de manera sistemática y guiada por datos (data-driven) mediante métodos de Machine Learning Causal, lo que permite identificar incluso si existen grupos que responden de manera opuesta a un mismo tratamiento. Esto requiere contar con una muestra de individuos suficientemente grande, fuentes de datos lo suficientemente ricas que permitan caracterizar efectivamente a los individuos, y variaciones suficientemente aleatorias —exógenas— que posibiliten el estudio de los efectos causales de una intervención, siendo el experimento aleatorizado el estándar de oro para este propósito.

En este contexto, esta tesis realiza tres contribuciones principales a la literatura de finanzas del consumidor. En primer lugar, utilizando un experimento aleatorizado a gran escala —con una muestra de más de trescientos mil clientes de una empresa de retail emisora de tarjetas de crédito— y datos administrativos de alta calidad, provee evidencia causal exhaustiva sobre los efectos de los recordatorios en las finanzas personales de los consumidores. En segundo lugar, toma ventaja de la magnitud del experimento para realizar un análisis sistemático de los efectos heterogéneos de los recordatorios y explorar los mecanismos detrás de esta heterogeneidad empleando metodologías de Doubly Robust Machine Learning para la estimación de efectos de tratamiento locales (específicamente, el algoritmo Instrumental Forest). Además, el estudio de esta heterogeneidad se complementa con un análisis de las fuentes de datos administrativas y la aplicación de una encuesta a una submuestra de los participantes del experimento, diseñada para capturar características conductuales y actitudes hacia sus finanzas personales. En tercer lugar, contribuye a la literatura que estudia los efectos de recomposiciones de liquidez sobre los niveles de consumo y endeudamiento. A diferencia de estudios previos, donde la validez externa se restringe a individuos que son aptos para incrementar su cupo crediticio, los participantes en este estudio corresponden a una muestra de clientes con deuda vigente de una empresa de retail, y la recomposición de liquidez que experimentan proviene de un mayor cupo disponible en sus tarjetas de crédito, tras mejorar su compliance de pago en respuesta a los recordatorios.