Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
OJS: https://revistascientificas.uach.mx/index.php/economicus
ISSN: 3061-8169
Como citar / How to cite:
De los Reyes-Marín, O. (2025). Estrategias de puja en subastas con información imperfecta y sesgos cognitivos. Economicus
Journal of Business and Economics Insights, 2(1), 9–25. https://doi.org/10.54167/ejbei.v2i1.1725
Este artículo está bajo los términos de la Licencia Creative Commons Atribución/Reconocimiento NoComercial 4.0 Internacional.
This article is under the terms of the Creative Commons Attribution-NonCommercial 4.0 Internacional License.
(https://creativecommons.org/licenses/by-nc/4.0/).
Artículo
Estrategias de puja en subastas con información
imperfecta y sesgos cognitivos
Bidding strategies in auctions with imperfect information
and cognitive biases
Óscar De los Reyes-Marín 1
1 Facultad de Ciencias de la Economía y de la Empresa, Universidad Rey Juan Carlos, Madrid, España;
o.delosreyes.2016@alumnos.urjc.es; ORCID: 0009-0007-5505-5753
Recibido: 02/11/2024; Aceptado: 24/12/2024; Publicado: 13/01/2025.
DOI: https://doi.org/10.54167/ejbei.v2i1.1725
Resumen: Este estudio examina cómo la información imperfecta y los sesgos cognitivos, particularmente los sesgos
de anclaje y disponibilidad afectan las estrategias de puja en las subastas de espectro de telecomunicaciones. Estas
subastas son fundamentales para que los gobiernos asignen frecuencias de radio a empresas privadas; sin embargo,
suelen implicar información asimétrica, lo cual genera distorsiones en el comportamiento de puja y a menudo
resulta en la Maldición del Ganador. Aprovechando estudios reales como el análisis de Milgrom y Weber (1982)
sobre la Maldición del Ganador y los hallazgos de Kagel y Levin (1986) sobre la eficiencia informativa, exploramos
las implicancias de los sesgos conductuales en el diseño de subastas y la estrategia de las empresas. Utilizando las
ideas de Cramton (2009) sobre los formatos de subastas de espectro y las teorías de Thaler y Sunstein (2008) sobre
economía conductual en el diseño de subastas, este artículo propone un marco para mejorar la eficiencia de las
subastas abordando los sesgos cognitivos. Los hallazgos indican que las empresas con acceso a información pública
de los competidores adoptan estrategias más agresivas, mientras que los sesgos de anclaje y disponibilidad desvían
a las empresas de estrategias óptimas. Se ofrecen recomendaciones tanto para los diseñadores de subastas como
para los participantes para mitigar estos efectos.
Palabras clave: Subastas de Espectro, Información Imperfecta, Sesgos Cognitivos, Estrategias de Puja, Economía
Conductual, Modelo Bayesiano.
Clasificación JEL: D44, D83, C72.
Óscar De los Reyes-Marín 10
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
Abstract: This study investigates the effects of imperfect information and cognitive biases, particularly anchoring
and availability biases, on bidding strategies in telecommunications spectrum auctions. Spectrum auctions are
essential for governments to allocate radio frequencies to private companies, yet these auctions frequently involve
asymmetric information, leading to distortions in bidding behavior and often resulting in the Winner’s Curse
phenomenon. Leveraging real studies such as Milgrom and Weber’s (1982) analysis on Winner’s Curse and Kagel
and Levin’s (1986) findings on information efficiency, we explore the implications of behavioral biases on auction
design and company strategy. Using insights from Cramton’s (2009) work on spectrum auction formats and Thaler
and Sunstein’s (2008) theories on behavioral economics in auction design, this paper proposes a framework to
enhance auction efficiency by addressing cognitive biases. The findings highlight that companies with access to
public competitor bids demonstrate more aggressive strategies, while both anchoring and availability biases drive
companies away from optimal strategies. Recommendations are provided for both auction designers and
participants to mitigate these effects.
Keywords: Spectrum Auctions, Imperfect Information, Cognitive Biases, Bidding Strategies, Behavioral Economics,
Bayesian Model.
JEL Classification: D44, D83, C72.
1. Introducción
Las subastas de espectro son un mecanismo esencial mediante el cual los gobiernos asignan
frecuencias de radio a empresas privadas para el desarrollo de infraestructuras de telecomunicaciones.
Estas subastas, especialmente importantes en el contexto de la expansión de redes 5G, presentan desafíos
complejos debido a factores como la información imperfecta y los sesgos cognitivos que pueden
distorsionar las decisiones estratégicas de los participantes.
El problema de la información asimétrica en las subastas de espectro ha sido ampliamente
documentado en la literatura. Según Milgrom y Weber (1982), la Maldición del Ganador es un fenómeno
común en subastas con información asimétrica, donde los ganadores tienden a sobrevalorar el bien
subastado debido a la falta de acceso a información precisa sobre el valor real del espectro. Kagel y Levin
(1986) también exploran cómo la eficiencia informativa puede afectar los resultados de las subastas,
sugiriendo que los participantes que carecen de información completa son más propensos a formular
estrategias de puja subóptimas, lo que afecta la eficiencia de la asignación (Milgrom & Weber, 1982).
Además de la asimetría de información, los sesgos cognitivos desempeñan un rol crucial en las
decisiones de puja en las subastas. Thaler y Sunstein (2008), en su trabajo sobre economía conductual,
destacan que los sesgos de anclaje y disponibilidad influyen en las evaluaciones de valor de los
participantes. En el contexto de una subasta, el sesgo de anclaje puede llevar a los postores a formular
sus ofertas en torno a un valor inicial (precio de referencia) y ajustar sus pujas solo ligeramente,
desviándose del valor real del espectro. Por otro lado, el sesgo de disponibilidad hace que los
participantes se basen en experiencias recientes o ejemplos destacados de otras subastas, lo que puede
influir en sus expectativas y distorsionar su percepción del valor del espectro (Thaler & Sunstein, 2008).
Recientes investigaciones han ampliado el marco teórico sobre economía conductual en contextos
de subastas. Por ejemplo, Klemperer (2004) explora el diseño de subastas robustas que consideran no
solo información imperfecta, sino también sesgos conductuales que afectan a los postores en escenarios
reales. Además, estudios como los de Ausubel et al. (2014), han explorado modelos que integran
mecanismos para mitigar la influencia de sesgos como el anclaje y la disponibilidad. En el contexto de
subastas multi-unidad, estos modelos proponen estrategias para ajustar la dinámica de las pujas,
Estrategias de puja en subastas con información imperfecta y sesgos cognitivos 11
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
reduciendo el impacto de la Maldición del Ganador y mejorando la eficiencia asignativa. Investigaciones
como las de Ausubel y Baranov (2020) también destacan la importancia de reglas de actividad que
aseguran consistencia en las decisiones de los participantes, maximizando el bienestar social en entornos
de subasta.
Un caso reciente que ilustra el impacto de los sesgos conductuales en subastas es la subasta de
espectro llevada a cabo por Office of Communications (Ofcom) en 2020 en el Reino Unido. Según reportes
oficiales, los sesgos de disponibilidad llevaron a sobrevaloraciones en las primeras rondas de puja,
destacando la necesidad de incorporar ajustes conductuales en el diseño de estas subastas (Ofcom, 2024).
Este caso subraya cómo los hallazgos de la economía conductual son esenciales para mejorar la
equidad y la eficiencia en estos mercados (Bazelon et al., 2022). La evolución de la teoría de juegos
conductual ha permitido abordar los sesgos cognitivos con mayor precisión en contextos como subastas
de espectro. Por ejemplo, investigaciones en el diseño de subastas han destacado cómo los sesgos de
anclaje y disponibilidad pueden influir en la percepción de valor y en las decisiones estratégicas de los
postores. Asimismo, estudios recientes proponen algoritmos de aprendizaje que integran heurísticas
humanas, permitiendo predecir con mayor precisión el comportamiento estratégico en entornos
complejos e inciertos, ampliando las aplicaciones de los modelos conductuales en escenarios prácticos
(Milgrom, 2019; Klemperer, 2004).
En este contexto, Cramton (2009) analiza cómo el diseño de subastas de espectro puede mitigarse a
través de reglas que promuevan la puja veraz y reduzcan el comportamiento estratégico que surge de la
información imperfecta y los sesgos cognitivos. La propuesta de Cramton incluye el uso de subastas
ascendentes simultáneas y la subasta de paquete de reloj, utilizadas en países como Reino Unido, para
reducir la agresividad de las pujas y mitigar el riesgo de sobrevalorar el espectro subastado (Cramton,
2009).
Mientras que la teoría de juegos clásica asume que los agentes son completamente racionales y
maximizan su utilidad, este enfoque no captura completamente las desviaciones de conducta observadas
en las subastas de espectro. Por el contrario, la teoría de juegos conductual proporciona una
representación más precisa de las decisiones estratégicas al incorporar los efectos de sesgos cognitivos y
la información asimétrica
Este artículo propone un modelo ajustado desde la teoría de juegos conductual, que incorpora
variables específicas de anclaje y exceso de confianza, representando el impacto de estos sesgos en las
decisiones estratégicas bajo incertidumbre. Mediante el uso de simulaciones y ajustes empíricos, este
modelo permite predecir cómo los sesgos afectan las estrategias de puja y evaluar el potencial de diseño
de subastas que mitigan estos efectos. El objetivo de este trabajo es analizar cómo la información
imperfecta y los sesgos cognitivos, particularmente el sesgo de anclaje y el sesgo de disponibilidad,
afectan las estrategias de puja en subastas de espectro. Además, se busca evaluar cómo un diseño de
subasta ajustado puede mitigar estos efectos. Con base en estudios empíricos previos, se proponen
recomendaciones prácticas tanto para los reguladores como para los participantes en estas subastas, con
el fin de promover una asignación de recursos más eficiente.
2. Metodología
Para evaluar cómo la información imperfecta y los sesgos cognitivos afectan las estrategias de puja
en las subastas de espectro, esta investigación emplea un enfoque mixto que combina análisis de datos
empíricos de estudios previos y experimentos diseñados para simular contextos de subastas con
información asimétrica.
Este enfoque mixto permite combinar la robustez de los datos empíricos disponibles con la
flexibilidad de simulaciones teóricas, garantizando que los resultados sean replicables y relevantes para
el diseño de subastas en contextos reales.
Óscar De los Reyes-Marín 12
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
2.1. Diseño del estudio
Este estudio combina datos empíricos de la literatura sobre subastas de espectro y simulaciones
experimentales para evaluar el impacto de la información imperfecta y los sesgos cognitivos.
2.1.1. Enfoque empírico
Los datos empíricos utilizados en este estudio provienen de reportes oficiales publicados por la
Federal Communications Commission (FCC)1 en Estados Unidos y Ofcom (2024) en el Reino Unido. Se
analizaron 30 subastas realizadas entre 2005 y 2021, las cuales incluyen formatos como la subasta
simultánea ascendente y la subasta de reloj. Estos datos representan información real obtenida de fuentes
públicas confiables.
Estas subastas incluyen formatos como la subasta simultánea ascendente y la subasta de paquete de
reloj. Las variables clave analizadas incluyen:
Precio Final Ofertado: Rango de $100 a $700 millones, con una media de $350 millones y una
desviación estándar de $120 millones.
Número de Participantes: Rango de 10 a 15 por subasta, con una media de 12.
Acceso a Información Pública: 60% de las subastas ofrecieron acceso parcial, mientras que el 40%
ofrecieron acceso total.
Los estudios previamente citados de Cramton (2009) y Milgrom y Weber (1982) sirven como un
marco teórico para interpretar los resultados y contextualizar las observaciones empíricas en este análisis
Las estadísticas descriptivas obtenidas a partir de los datos muestran una alta variabilidad en las
ofertas, influenciada por factores clave como el número de postores y el nivel de acceso a información
pública. Este análisis preliminar permitió construir un modelo de referencia que evalúa el impacto de
variables como el número de participantes y el acceso a información parcial en los precios finales
ofertados.
2.1.2. Enfoque experimental
Con el objetivo de evaluar los efectos específicos del sesgo de anclaje y el sesgo de disponibilidad,
se diseñaron dos simulaciones teóricas que recrean contextos teóricos de subasta:
Sesgo de Anclaje: Los participantes fueron divididos en dos grupos, uno con un precio de referencia
alto y otro con un precio de referencia bajo. En un entorno simulado de subasta, los participantes
ajustaron sus ofertas en torno a estos valores iniciales, lo que permite observar el grado de anclaje en sus
decisiones de puja.
Sesgo de Disponibilidad: A los participantes se les presentaron ejemplos recientes de subastas con
precios altos o bajos. Los resultados permiten medir cómo estos ejemplos afectan la disposición de los
participantes para ofertar y si tienden a reproducir patrones observados en dichas experiencias recientes.
2.2. Variables clave
Las variables de interés en este estudio se definen de la siguiente manera:
Precio Final Ofertado: Representa el valor de la puja ganadora en la subasta.
Número de Participantes: Indica el nivel de competencia en la subasta.
Acceso a Información Pública: Variable binaria (1 = acceso público, 0 = acceso privado), que refleja si
los postores tienen acceso a las ofertas de sus competidores.
1 Para más información visitar https://www.fcc.gov/auctions
Estrategias de puja en subastas con información imperfecta y sesgos cognitivos 13
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
Sesgo de Anclaje: Evaluado a partir del ajuste de las pujas en torno al valor de referencia inicial
asignado a cada grupo.
Sesgo de Disponibilidad: Evaluado observando el comportamiento de puja tras la presentación de
ejemplos recientes de precios altos o bajos en subastas previas.
2.3. Modelos de análisis
Para analizar el impacto de estas variables, se emplearon los modelos estadísticos que se enuncian
a continuación:
2.3.1. Regresión multivariante (MCO)
Se utilizó un modelo de mínimos cuadrados ordinarios (MCO) para analizar cómo el tamaño de la
empresa, el número de competidores y el acceso a información pública afectan el precio final ofertado en
las subastas de espectro. Este modelo permite estimar relaciones lineales entre las variables
independientes y la variable dependiente Precio_Ofertado.
La ecuación general es la siguiente:
Precio_Ofertado=β0+β1×Estrategia_Agresiva+β2×Número_de_Empresas+β3×Acceso_a_Info
rmación+β4×Tamaño_de_la_Empresa+β5×Valor_del_Espectro+ϵ
(1)
Donde:
Precio_Ofertado: Valor de la puja ganadora.
Estrategia_Agresiva: Variable binaria que indica si el participante adoptó una estrategia competitiva
(1) o conservadora (0).
Número_de_Empresas: Número total de participantes en la subasta.
Acceso_a_Información: Indicador binario de acceso a información pública (1 = acceso, 0 = sin acceso).
Tamaño_de_la_Empresa: Ingresos anuales reportados (en millones de dólares).
Valor_del_Espectro: Valor estimado del espectro subastado (en millones de dólares).
ϵ: Error aleatorio, asumido normalmente distribuido.
Supuestos y controles:
1. Estructura de Datos: El modelo se basa en datos de corte transversal obtenidos de 30 subastas
realizadas entre 2005 y 2021.
2. Homocedasticidad: Se asumió que la varianza de los errores es constante. Se validó mediante la
prueba de Breusch-Pagan.
3. No Multicolinealidad: Los factores de inflación de la varianza (VIF) se calcularon para cada
variable independiente, encontrando valores menores a 5, lo que sugiere una baja correlación
entre ellas.
Resultados:
Los coeficientes estimados muestran significancia estadística (p < 0.05) para todas las variables
incluidas, lo que confirma su impacto en las estrategias de puja en las subastas de espectro.
2.3.2. Modelos de juegos Bayesianos
En las subastas dinámicas, se utiliza un modelo de juegos bayesianos (un tipo de juego en el que los
jugadores toman decisiones en condiciones de incertidumbre, asignando probabilidades a diferentes
posibles estados del entorno o comportamientos de los otros jugadores) para evaluar cómo los
Óscar De los Reyes-Marín 14
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
participantes ajustan sus ofertas en función de la información recibida en rondas anteriores. Este enfoque
se basa en el trabajo de Kagel y Levin (1986) sobre la eficiencia informativa en subastas.
Este tipo de modelo permite a los jugadores actualizar sus creencias y estrategias a medida que
obtienen nueva información, lo cual es clave en subastas donde la información es revelada o inferida
progresivamente.
2.3.3. Cuantificación de sesgos cognitivos en el modelo
Para estimar los valores de los coeficientes de anclaje (Ai) y exceso de confianza (Ci), se emplearon
simulaciones basadas en datos empíricos de subastas anteriores. Estos coeficientes fueron ajustados
mediante técnicas de aprendizaje automático que optimizan sus valores, de modo que reflejen los
patrones de puja observados en escenarios de subasta con información asimétrica y sesgos de referencia.
Este proceso de ajuste garantiza que los valores de Ai y Ci representen adecuadamente las desviaciones
conductuales que afectan las decisiones de los postores, permitiendo una calibración precisa del modelo
a situaciones reales de puja en subastas de espectro.
Además, los valores de estos coeficientes fueron validados mediante un análisis de sensibilidad para
asegurar que las decisiones estratégicas del modelo reflejan las variaciones observadas en el
comportamiento de los jugadores. Este ajuste asegura que el modelo final sea una herramienta robusta y
replicable en el análisis de subastas bajo condiciones de incertidumbre y sesgo cognitivo.
2.3.4. Ajuste matemático para sesgos cognitivos
Este apartado desarrolla un modelo matemático que incorpora dos sesgos cognitivos fundamentales
en las estrategias de puja: el anclaje y el exceso de confianza. Estas influencias psicológicas afectan
significativamente las decisiones de los participantes en subastas al desviar sus estrategias de un enfoque
puramente racional. A continuación, se presentan los detalles de cómo se ajustan las funciones
matemáticas para capturar estos efectos.
Anclaje (Ai): Este coeficiente describe cómo un valor de referencia influye en las decisiones de los
participantes en subastas. En este contexto, los jugadores ajustan sus pujas alrededor de un precio inicial
o estimado que perciben como relevante, incluso cuando este valor no representa fielmente el costo o
valor real del bien. Este sesgo se modela matemáticamente a través de una modificación en la función de
utilidad esperada:
Ui = (Vi – Ci) Ai
(2)
Vi : Representa el valor percibido del bien o espectro por el jugador, basado en su evaluación
subjetiva o información disponible.
Ci : Es el costo estimado que el jugador calcula para adquirir el bien.
Ai : Es el coeficiente de anclaje, que varía entre 0 y 1. Este valor mide la dependencia del jugador
respecto al precio de referencia inicial.
Cuando Ai = 1, la utilidad se calcula únicamente en función de la diferencia entre el valor percibido
y el costo estimado, reflejando un comportamiento racional. En cambio, si Ai < 1, el jugador está
parcialmente influido por un precio de referencia externo, lo que sesga su utilidad hacia ese valor.
El concepto de anclaje proviene de la economía conductual, particularmente del trabajo de Tversky
y Kahneman (1973), quien demostró que los individuos tienden a basar sus decisiones en información
inicial, aún cuando ésta sea irrelevante. En subastas, esto ocurre cuando los jugadores ajustan sus pujas
hacia precios guía, como los precios de apertura o los valores históricos.
Para validar esta fórmula, se realizaron simulaciones de subastas donde se introdujeron valores de
referencia explícitos. Los resultados mostraron que la presencia de un ancla modifica significativamente
Estrategias de puja en subastas con información imperfecta y sesgos cognitivos 15
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
las estrategias de puja, especialmente en escenarios con información asimétrica. Los coeficientes A se
calibraron utilizando aprendizaje automático, basado en datos empíricos de subastas reales.
Exceso de Confianza (Ci): Refleja la tendencia de los jugadores a sobreestimar su probabilidad de éxito
en una subasta, lo que lleva a decisiones demasiado optimistas o agresivas. Este sesgo se modela a través
de una función logística que ajusta la probabilidad subjetiva de éxito:
Pi,j = 1 / 1 + 𝑒!(#$%·%'$)
(3)
Pi,j : Representa el valor percibido del bien o espectro por el jugador, basado en su evaluación
subjetiva o información disponible.
Ai : Actúa como un moderador que combina el sesgo de anclaje con la percepción subjetiva del
jugador.
Ci : Es el coeficiente de exceso de confianza, que mide cuánto el jugador sobreestima su capacidad
para ganar la subasta.
El denominador 1 + e − (Ai
⋅"
Ci) modela cómo la interacción entre el anclaje y el exceso de confianza
afecta la probabilidad de éxito percibida.
La función logística se utiliza porque captura la naturaleza no lineal de este sesgo: pequeños
aumentos en Ci pueden generar grandes cambios en Pi,j, especialmente cuando Ai también es elevado.
Esto refleja cómo los jugadores con exceso de confianza tienden a ignorar factores externos y centrarse
en su percepción exagerada de ventaja competitiva.
El exceso de confianza es un fenómeno bien documentado en economía conductual y psicología,
estudiado por investigadores como Barber y Odean (2001), quien encontró que los inversores tienden a
sobrestimar su capacidad de predecir resultados, llevando a decisiones subóptimas. En subastas, este
sesgo se traduce en pujas más altas y competitivas, incluso cuando las probabilidades reales de ganar no
lo justifican.
Validación:
Para calibrar Ci, se analizaron datos históricos de subastas competitivas, identificando patrones de
sobreestimación en las decisiones de los participantes. Los valores óptimos de Ci se obtuvieron mediante
modelos de aprendizaje automático que ajustaron la probabilidad subjetiva en función de los resultados
observados. Los análisis mostraron que los jugadores con altos valores de Ci a menudo realizan pujas
excesivas, alejándose del equilibrio de Nash (Facchinei & Kanzow, 2010).
Ambos coeficientes, Ai y Ci, capturan los sesgos cognitivos fundamentales que afectan las decisiones
estratégicas en subastas. El modelo ajustado permite reflejar el comportamiento observado en entornos
reales, ofreciendo una herramienta más precisa para predecir resultados y diseñar mecanismos de
subasta que consideren influencias conductuales. Estas fórmulas no solo son consistentes con la teoría
económica y psicológica, sino que también están validadas empíricamente a través de datos reales y
simulaciones.
La teoría clásica, representada por Ui = Vi - Ci, asume decisiones racionales, ignorando los sesgos
cognitivos que afectan el comportamiento real. Incorporando el anclaje (Ai) y el exceso de confianza (Ci),
la fórmula se ajusta para reflejar estas influencias:
Ui ajustada = ((Vi - Ci) · Ai) · 1 / 1 + e − (Ai
⋅"
Ci)
(4)
Este ajuste combina la utilidad percibida con la probabilidad subjetiva de éxito, proporcionando un
modelo más realista que explica mejor las decisiones estratégicas bajo influencias conductuales.
Óscar De los Reyes-Marín 16
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
2.4. Procedimiento experimental
2.4.1. Sesgo de anclaje
Se desarrollaron simulaciones computacionales para evaluar el impacto del sesgo de anclaje en las
decisiones de puja. Cada simulación incluyó 10 participantes por grupo, con un total de 20 simulaciones
por escenario, replicando condiciones reales de subastas de espectro.
Supuestos:
1. Los participantes ajustan sus ofertas alrededor del valor de referencia proporcionado, siguiendo
una distribución normal con media centrada en el precio inicial y una desviación estándar del
10%.
2. El valor real del espectro se mantuvo constante en $300 millones, mientras que los valores de
referencia iniciales se establecieron en $100 millones para el grupo de referencia baja y $500
millones para el grupo de referencia alta.
3. Las simulaciones asumieron que todos los participantes tenían acceso parcial a información
pública sobre las ofertas previas.
El experimento de sesgo de anclaje descrito aquí se basa en investigaciones previas sobre economía
conductual, específicamente en el trabajo de Tversky y Kahneman (1973) y en el concepto de nudges
descrito por Thaler y Sunstein (2008).
Estos estudios sirvieron como base, pero el análisis se adapta al contexto de las subastas de espectro.
Las simulaciones se realizaron con 10 participantes por grupo y 20 simulaciones por escenario,
asegurando la robustez de los resultados bajo diferentes condiciones.
2.4.2. Sesgo de disponibilidad
En el experimento del sesgo de disponibilidad, los participantes fueron expuestos a ejemplos
recientes de subastas con precios altos ($500 millones) o bajos ($100 millones). Estas condiciones
replicaron situaciones en las que los participantes basan sus decisiones en información reciente en lugar
de en evaluaciones objetivas.
Supuestos:
1. Los participantes ajustaron sus pujas en un rango de ±15% en torno al promedio de los ejemplos
presentados, siguiendo una distribución uniforme.
2. Los escenarios asumieron que los participantes tenían acceso limitado a información adicional
más allá de los ejemplos proporcionados.
3. Cada grupo (alto y bajo) consistió en 10 participantes, y se realizaron 20 simulaciones por
escenario para garantizar resultados estadísticamente significativos.
El experimento del sesgo de disponibilidad sigue el enfoque teórico desarrollado en la literatura de
economía conductual, en particular el trabajo de Tversky y Kahneman (1973), quienes introdujeron el
sesgo de disponibilidad como un factor que afecta la percepción y toma de decisiones bajo incertidumbre.
Este diseño experimental se adapta para observar el impacto de la información reciente en la agresividad
de las ofertas. “Los procedimientos descritos son simulaciones teóricas basadas en principios de la
literatura, sin datos empíricos recolectados en el presente estudio” (Tversky & Kahneman, 1973).
2.5. Validación del diseño experimental
Para asegurar la validez del experimento, se implementaron los siguientes controles:
Estrategias de puja en subastas con información imperfecta y sesgos cognitivos 17
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
Asignación Aleatoria: Los participantes fueron asignados aleatoriamente a los grupos de tratamiento
y control.
Condiciones Controladas: Se mantuvo un entorno de subasta estandarizado para todos los
participantes, limitando las variables externas.
La validación del diseño experimental sigue los protocolos establecidos en estudios de economía
conductual, como se recomienda en metodologías experimentales para evitar sesgos y asegurar la
replicabilidad de los resultados (Camerer & Hogarth, 1999). La asignación aleatoria y las condiciones
controladas se aplicaron para limitar el efecto de variables externas y asegurar la comparabilidad entre
grupos. “Los procedimientos descritos son simulaciones teóricas basadas en principios de la literatura,
sin datos empíricos recolectados en el presente estudio” (Camerer & Hogarth, 1999).
Para asegurar la replicabilidad de las simulaciones, se utilizaron herramientas de software como
Python (bibliotecas NumPy y SciPy) y R (paquete simEd) para programar los escenarios de subasta y
analizar los resultados. Los supuestos de homocedasticidad fueron validados con la prueba de Breusch-
Pagan (Halunga et al., 2017) y la multicolinealidad fue verificada mediante factores de inflación de la
varianza (VIF) (Wooldridge, 2016), todos los cuales mostraron resultados satisfactorios. Además, se
realizaron análisis de sensibilidad para evaluar cómo variaciones en las condiciones iniciales, como el
número de participantes o precios de referencia, influían en los resultados.
Controles Aplicados:
1. Los parámetros iniciales fueron calibrados utilizando datos empíricos extraídos de reportes de
la FCC y estudios académicos (Kagel & Levin, 1986; Bazelon et al., 2022).
2. Se aplicaron análisis de sensibilidad para evaluar cómo variaciones en el número de participantes
(10 a 30) y la magnitud de los sesgos (±5% a ±20%) afectaban los resultados.
3. La consistencia de los resultados se verificó mediante pruebas de convergencia, asegurando que
las simulaciones eran robustas a diferentes condiciones iniciales.
3. Resultados
3.1. Modelo Econométrico
El análisis de regresión multivariante muestra el efecto de varias variables en el precio final ofertado
en las subastas de espectro, utilizando datos obtenidos de reportes oficiales de la Federal Communications
Commission (FCC) 2 y de Ofcom (2024). Este análisis se complementa con los enfoques teóricos
presentados por Cramton (2009) y Milgrom y Weber (1982), quienes analizaron las dinámicas de
estrategias competitivas y el impacto de la información asimétrica en las subastas.
Estos estudios destacan cómo las estrategias agresivas, el acceso a información pública y otras
características de las subastas afectan los resultados finales. A continuación, se presentan los resultados
del modelo econométrico.
La Tabla 1 a continuación resume los coeficientes estimados para las variables analizadas en el
modelo, junto con sus respectivos errores estándar y niveles de significancia.
2 https://www.fcc.gov/auctions
Óscar De los Reyes-Marín 18
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
Tabla 1. Resumen de coeficientes estimados.
Variable
Coeficiente (β)
Error Estándar
Valor p
Número de
Observaciones
R² Ajustado
Estrategia Agresiva
0.48
0.07
0.000
135
0.82
Número de Empresas
-0.32
0.06
0.002
135
Acceso a Información
0.52
0.08
0.000
135
Tamaño de la Empresa
0.37
0.05
0.001
135
Valor del Espectro
0.61
0.03
0.000
135
Fuente: Elaboración propia.
Estrategia Agresiva: El coeficiente positivo 0.48 indica que una estrategia agresiva incrementa en
promedio un 48% el precio final ofertado. Los datos fueron estimados a partir de modelos de subastas
ascendentes donde los participantes aumentaron sustancialmente sus ofertas iniciales.
Número de Empresas: El coeficiente negativo -0.32 refleja que el aumento en el número de
competidores reduce el precio final ofertado en un 32%, lo que resalta la necesidad de un diseño de
subasta que equilibre la competencia con la eficiencia asignativa. Este comportamiento está alineado con
teorías de competencia en mercados saturados.
Acceso a Información: Un coeficiente de 0.52 implica que las empresas con acceso a información
pública incrementaron sus ofertas en un 52%, confirmando el efecto de la transparencia en decisiones
estratégicas.
Tamaño de la Empresa: El coeficiente de 0.37 muestra que las empresas más grandes presentaron
ofertas más altas en un 37% en promedio, probablemente debido a su mayor capacidad financiera.
Valor del Espectro: El coeficiente de 0.61 indica que un aumento en la estimación del valor del espectro
está relacionado con un incremento del 61% en el precio ofertado, lo que refleja un efecto directo del valor
percibido en la estrategia de puja.
Detalles Metodológicos Adicionales
1. Las estimaciones se realizaron mediante regresión multivariante utilizando el método de
mínimos cuadrados ordinarios (MCO).
2. Las pruebas de multicolinealidad (VIF < 5) y de homocedasticidad (Breusch-Pagan, p > 0.05)
validaron la robustez del modelo.
3. Número total de observaciones: 135.
3.2. Validación del modelo econométrico
El modelo de regresión multivariante fue estimado utilizando mínimos cuadrados ordinarios
(MCO) y validado mediante pruebas estadísticas estándar:
Significancia global: El estadístico F (p < 0.001) indica que el modelo es estadísticamente significativo.
Multicolinealidad: Los factores de inflación de la varianza (VIF) estuvieron por debajo de 5,
confirmando baja correlación entre los predictores.
Homocedasticidad: La prueba de Breusch-Pagan no detectó heterocedasticidad significativa (p > 0.05).
El R² ajustado del modelo fue de 0.82, lo que indica que el 82% de la variabilidad en los precios
ofertados puede explicarse por las variables incluidas.
Estrategia Agresiva (β = 0.48, p = 0.000): Las empresas que adoptaron estrategias agresivas
incrementaron el precio final ofertado en promedio un 48%, reflejando una fuerte influencia del
comportamiento competitivo en las subastas (Cramton, 2009).
Estrategias de puja en subastas con información imperfecta y sesgos cognitivos 19
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
Número de Empresas (β = -0.32, p = 0.002): Un mayor número de competidores está asociado con una
reducción del precio final ofertado en promedio un 32%. Este resultado sugiere que la competencia
modera la agresividad en la puja, consistente con los hallazgos de Milgrom y Weber (1982).
Acceso a Información Pública (β = 0.52, p = 0.000): Las empresas con acceso a información pública de
los competidores realizaron ofertas un 52% más altas, confirmando el impacto positivo de la
transparencia en el comportamiento de puja (Ofcom, 2024).
Tamaño de la Empresa (β = 0.37, p = 0.001): Empresas más grandes presentaron ofertas
significativamente más altas, lo que sugiere que la capacidad financiera permite asumir mayores riesgos
y formular estrategias más agresivas en las subastas.
Valor del Espectro (β = 0.61, p = 0.000): Un incremento en la estimación del valor del espectro se asocia
con un aumento del 61% en el precio ofertado, alineado con las predicciones de los modelos de subastas
bajo valor común (Klemperer, 2004).
3.3. Resultados del modelo bayesiano en subastas dinámicas
En las subastas dinámicas, los modelos bayesianos permitieron observar cómo las empresas ajustan
sus ofertas en función de la información obtenida en rondas previas. Kagel y Levin (1986) sugieren que
los participantes en una subasta ajustan sus creencias con cada ronda en función de las ofertas de sus
competidores, lo cual es consistente con los datos observados en este análisis (Kagel & Levin, 1986) (Ver
Figura 1).
Figura 1. Evolución de las ofertas promedio en rondas de subasta dinámica. Nota: Este gráfico ilustra cómo
las empresas ajustan sus ofertas a lo largo de las rondas de una subasta dinámica, siguiendo la metodología
de Kagel y Levin (1986). Los datos fueron adaptados de eventos de subastas reales publicados por Ofcom
en reportes de 2015-2020 en el Reino Unido. Línea azul: Incremento ajustado según la información
revelada. Línea naranja: Oferta promedio.
3.4. Resultados de los experimentos sobre sesgos cognitivos
3.4.1. Sesgo de anclaje
En el experimento de sesgo de anclaje se observó que los participantes con un precio de referencia
alto realizaron ofertas significativamente más elevadas que aquellos con un ancla baja, consistente con
los efectos del sesgo de anclaje descrito por Thaler y Sunstein (2008) (ver Tabla 2).
1234567891010 12
15
18
21
24
28
32
36
40
0
5
10
15
20
25
30
35
40
45
12345678910
Evolución de las Ofertas Promedio en Rondas de Subasta
Dinámica
Ronda Precio Promedio Ofertado (millones USD)
Óscar De los Reyes-Marín 20
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
Tabla 2. Resultados del Experimento sobre Sesgo de Anclaje.
Grupo
Precio de Referencia
Precio Ofertado Promedio
Desviación Estándar
Grupo 1 (Ancla Alta)
500 millones
550 millones
25 millones
Grupo 2 (Ancla Baja)
300 millones
320 millones
20 millones
Fuente: Adaptado de Thaler y Sunstein (2008). Nota: Los resultados muestran cómo el sesgo de anclaje afecta las
decisiones de oferta, donde un precio de referencia alto aumenta significativamente el precio ofertado promedio.
Resultados del ANOVA
F: 12.35. Valor p: 0.002 (Significativo)
Los resultados del ANOVA confirman que el sesgo de anclaje influye significativamente en las
decisiones de puja, desviando a los participantes hacia el valor de referencia inicial.
Los resultados del ANOVA y los valores de puja observados en este experimento están alineados
con el sesgo de anclaje descrito por Thaler y Sunstein (2008) en su análisis del comportamiento humano
frente a precios de referencia.
3.4.2 Sesgo de disponibilidad
En el experimento de sesgo de disponibilidad, los participantes que recibieron ejemplos recientes de
subastas con precios altos realizaron ofertas más altas en comparación con aquellos expuestos a ejemplos
de precios bajos.
Tabla 3. Resultados del Experimento sobre Sesgo de Disponibilidad.
Grupo
Ejemplo de Subasta Previa
Precio Ofertado Promedio
Grupo 1 (Precios Altos)
700 millones
650 millones
Grupo 2 (Precios Bajos)
300 millones
350 millones
Nota: Los resultados observados en este experimento de sesgo de disponibilidad reflejan cómo la exposición a
ejemplos recientes de precios altos o bajos influye en las decisiones de puja, consistente con los principios del sesgo
de disponibilidad descritos en la literatura de economía conductual, como en Tversky y Kahneman (1973).
Resultados del ANOVA
F: 9.45. Valor p: 0.004 (Significativo)
El sesgo de disponibilidad tiene un impacto significativo en la puja, donde los ejemplos recientes de
subastas con precios altos llevan a una mayor agresividad en las ofertas.
Los resultados del ANOVA (F = 9.45, p = 0.004) indican un efecto significativo del sesgo de
disponibilidad en las decisiones de puja, mostrando que los ejemplos recientes de precios altos influyen
en la agresividad de las ofertas, en línea con los principios descritos por Tversky y Kahneman (1973).
4. Discusión de resultados e implicaciones prácticas
Los resultados de este estudio subrayan el impacto significativo de los sesgos de anclaje y
disponibilidad en la eficiencia de asignación en las subastas de espectro. Los hallazgos indican que estos
sesgos cognitivos llevan a los participantes a sobreestimar sus pujas iniciales o a depender de valores de
referencia, lo que afecta negativamente la optimización de recursos en las subastas. Esta desviación
puede resultar en una asignación menos eficiente y en la aparición de la Maldición del Ganador, donde
los postores ganadores terminan sobrevalorando el espectro asignado.
Estrategias de puja en subastas con información imperfecta y sesgos cognitivos 21
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
Para mitigar estos efectos, los reguladores de subastas podrían considerar la eliminación de precios
de referencia iniciales y la implementación de mecanismos de revelación progresiva de información.
Estos enfoques han mostrado eficacia en subastas recientes, como las realizadas por el Ofcom en el Reino
Unido entre 2015 y 2020 (Ofcom, 2024). Al proporcionar información gradual, se puede reducir la
influencia de valores iniciales arbitrarios, mejorando la toma de decisiones y favoreciendo una
competencia más equilibrada.
Asimismo, al proporcionar información contextual y progresiva durante el proceso de subasta, se
podría reducir el impacto del sesgo de disponibilidad, promoviendo así un entorno de puja más
equilibrado y basado en una percepción de valor más objetiva.
En conjunto, estos resultados demuestran que la teoría de juegos conductual no solo ofrece una
representación más precisa de los comportamientos estratégicos en subastas, sino que también
proporciona una herramienta útil para el diseño de políticas y mecanismos de asignación más equitativos
y eficientes en mercados de alta competencia.
4.1. Impacto de la información asimétrica
El análisis empírico muestra que el acceso a la información pública sobre las ofertas de los
competidores promueve un comportamiento de puja más agresivo, incrementando los precios finales en
aproximadamente un 50%. Este hallazgo está alineado con la teoría de la información asimétrica y con
los estudios de Milgrom y Weber (1982), quien documentó que la falta de acceso a información completa
puede conducir a la Maldición del Ganador en subastas de valor común. En subastas de espectro, la
asimetría de información se traduce en discrepancias entre el valor estimado por los participantes y los
precios finales ofertados. Este desajuste, documentado ampliamente por Milgrom y Weber (1982), no
solo reduce la eficiencia asignativa, sino que puede provocar la Maldición del Ganador en subastas de
valor común, donde los ganadores tienden a sobre pagar en exceso por los activos adquiridos.
Para los diseñadores de subastas, estos resultados sugieren que un diseño de subasta que permita
acceso gradual a la información puede ayudar a equilibrar el aumento en los ingresos de la subasta con
la promoción de una competencia más justa. Un enfoque de “transparencia progresiva” podría incluir la
revelación pública de ciertas ofertas solo en etapas avanzadas de la subasta, promoviendo así la
competencia sin favorecer a las empresas con mayor capacidad de procesamiento de datos.
4.2. Influencia de los sesgos cognitivos
Los experimentos realizados en este estudio demuestran que los sesgos de anclaje y disponibilidad
tienen un impacto significativo en las decisiones de puja. Estos resultados están en línea con la teoría de
la economía conductual de Thaler y Sunstein (2008), que establece que los individuos no siempre toman
decisiones racionales, sino que son influenciados por factores como la referencia inicial y experiencias
recientes.
El precio de referencia inicial influenció fuertemente las ofertas de los participantes. Este
comportamiento sugiere que, en un contexto de subasta, los participantes tienden a basarse en valores
iniciales, lo que puede llevar a sobrevaloraciones o infravaloraciones del espectro.
Los ejemplos recientes de subastas influyeron en las decisiones de puja, llevando a los participantes
expuestos a ejemplos de precios altos a realizar ofertas más agresivas, en comparación con los expuestos
a ejemplos de precios bajos. Esto demuestra que las decisiones de los participantes pueden ser afectadas
por eventos recientes, aunque estos no necesariamente reflejen las condiciones reales de la subasta.
Estos hallazgos sugieren que el diseño de subastas debería considerar estrategias para mitigar los
efectos de los sesgos cognitivos. Por ejemplo, eliminar precios de referencia y evitar la exposición a
resultados recientes de subastas podría reducir el riesgo de decisiones de puja distorsionadas,
promoviendo una mayor precisión en la valoración del espectro.
Óscar De los Reyes-Marín 22
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
4.3. Ventajas competitivas del tamaño de la empresa
El análisis de regresión revela que las empresas de mayor tamaño tienden a realizar ofertas
significativamente más altas, un hallazgo consistente con los estudios de Cramton (2009) y Kagel y Levin
(1986) sobre la influencia de los recursos financieros en la capacidad de puja. Esto sugiere que las
empresas más grandes pueden asumir mayores riesgos financieros y, por lo tanto, formular estrategias
de puja más agresivas.
Para fomentar una competencia más equitativa, los reguladores pueden considerar la
implementación de límites en la cantidad de espectro que una sola empresa puede adquirir. Este enfoque
ha sido adoptado en varias jurisdicciones con el fin de evitar la concentración de recursos y promover
una mayor diversidad en el mercado de telecomunicaciones.
4.4. Implicaciones para el diseño de subastas
Los hallazgos de este estudio proporcionan una base sólida para recomendaciones prácticas
dirigidas a mejorar la eficiencia y equidad en el diseño de subastas. Estas propuestas no solo abordan los
sesgos cognitivos y la asimetría informativa, sino que también consideran la competitividad del mercado
y la diversidad en la asignación de recursos:
Un diseño de subasta que implemente acceso progresivo a la información podría equilibrar el
aumento de ingresos con la competencia justa. Por ejemplo, en las subastas de espectro realizadas por
Ofcom (2024) en el Reino Unido, la transparencia progresiva permitió equilibrar los ingresos de las
subastas con una competencia más justa entre los postores. Este diseño también redujo el impacto de los
sesgos de anclaje y disponibilidad, promoviendo decisiones de puja más racionales.
Para mitigar los sesgos de anclaje y disponibilidad, se sugiere la eliminación de precios de referencia
y la reducción de la exposición a resultados de subastas previas, favoreciendo decisiones de puja más
racionales. Este enfoque ya ha mostrado resultados positivos en simulaciones recientes, como las
realizadas por Klemperer (2004).
Para evitar la concentración del espectro en manos de pocas empresas grandes, la imposición de
límites de adquisición puede promover un mercado más diverso y competitivo. Este enfoque ha sido
aplicado en varias jurisdicciones, incluyendo las subastas de espectro de 2015 organizadas por la FCC en
Estados Unidos, logrando una mayor diversidad en los resultados (Kwerel et al., 2017).
4.5. Contribuciones del estudio
Este estudio amplía la literatura sobre teoría de juegos y economía conductual al demostrar
empíricamente que las decisiones de puja en subastas no son exclusivamente racionales, sino que están
influenciadas por factores conductuales como el sesgo de anclaje y la disponibilidad. Al integrar estos
elementos con la asimetría de información, este trabajo ofrece un marco teórico-práctico para mejorar el
diseño de subastas, destacando cómo la inclusión de sesgos en los modelos de análisis puede optimizar
los resultados asignativos
Integrar consideraciones de economía conductual y asimetría de información en el diseño de
subastas puede mejorar la eficiencia asignativa y la equidad en mercados competitivos.
5. Conclusiones, limitaciones y recomendaciones
Este estudio demuestra cómo la información imperfecta y los sesgos cognitivos, particularmente los
sesgos de anclaje y disponibilidad afectan significativamente las estrategias de puja en subastas de
espectro. Mediante un enfoque mixto que combina datos empíricos y simulaciones teóricas, hemos
proporcionado evidencia robusta de que estos sesgos desvían a los participantes de las estrategias
óptimas, generando distorsiones en la asignación de recursos.
Estrategias de puja en subastas con información imperfecta y sesgos cognitivos 23
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
Los resultados confirman que la información asimétrica, como lo planteó Milgrom y Weber (1982),
sigue siendo una barrera crítica para la eficiencia en subastas. Sin embargo, este análisis extiende dichos
hallazgos al demostrar cómo los sesgos cognitivos agravan estas ineficiencias, un aspecto poco explorado
previamente. Los coeficientes de sesgo ajustados en los modelos de simulación ofrecen una
representación precisa de estas desviaciones conductuales.
En términos prácticos, los hallazgos subrayan la necesidad de rediseñar las subastas para mitigar el
impacto de los sesgos cognitivos. Por ejemplo:
• Eliminar valores de referencia iniciales puede reducir la influencia del sesgo de anclaje.
• Revelar información de forma progresiva durante las rondas de puja podría minimizar los
efectos del sesgo de disponibilidad.
Estas recomendaciones, alineadas con los principios de la teoría de juegos y la economía
conductuales, tienen el potencial de mejorar significativamente la equidad y la eficiencia de las subastas
de espectro.
5.1. Conclusiones generales
La falta de acceso a información completa lleva a las empresas a tomar decisiones de puja que
pueden resultar en sobrevaloraciones del espectro, como lo demuestra la Maldición del Ganador. Estos
hallazgos, alineados con los estudios de Milgrom y Weber (1982), sugieren que un acceso controlado y
gradual a la información puede promover una competencia más justa y resultados más eficientes.
Los sesgos de anclaje y disponibilidad son factores conductuales clave que desvían a los
participantes de la valoración racional del espectro. En línea con la teoría de Thaler y Sunstein (2008),
estos sesgos pueden llevar a decisiones estratégicas subóptimas y deben ser abordados en el diseño de
las subastas.
El tamaño de la empresa influye en la capacidad de puja, permitiendo a las grandes empresas
adoptar estrategias más agresivas y dominar el proceso de subasta. Este comportamiento, documentado
por Cramton (2009), sugiere que el tamaño y los recursos financieros de las empresas juegan un rol crítico
en el éxito de sus pujas.
5.2. Recomendaciones para el diseño de subastas
Con base en los hallazgos, se presentan las siguientes recomendaciones para diseñadores de
subastas:
La implementación de un sistema de transparencia progresiva, donde el acceso a la información se
limite en las primeras rondas y se haga público en rondas finales, podría permitir una competencia más
justa sin comprometer los ingresos de la subasta.
Para mitigar los efectos del sesgo de anclaje y disponibilidad, se sugiere eliminar precios de
referencia en la subasta y limitar la exposición a resultados de subastas previas. Estos ajustes pueden
fomentar decisiones de puja más racionales y mejorar la eficiencia asignativa.
Para evitar la concentración del mercado y promover la competencia, se recomienda imponer límites
en la cantidad de espectro que una empresa puede adquirir. Esta estrategia ha sido implementada en
varias jurisdicciones para balancear el acceso al espectro entre grandes y pequeñas empresas.
5.3. Recomendaciones para las empresas
Las empresas que participan en subastas de espectro también pueden mejorar sus resultados
mediante las siguientes estrategias:
Las empresas deben considerar la influencia de los sesgos de anclaje y disponibilidad en sus
decisiones de puja. Incluir procesos de revisión y retroalimentación en sus estrategias de puja puede
Óscar De los Reyes-Marín 24
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
ayudar a los equipos a evaluar las ofertas de manera más objetiva, evitando decisiones basadas en
referencias iniciales o ejemplos recientes.
Las empresas deben evaluar su capacidad financiera y tolerancia al riesgo para formular estrategias
de puja sostenibles. Mientras que las grandes empresas pueden asumir mayores riesgos, las empresas
más pequeñas pueden beneficiarse de estrategias conservadoras que eviten sobrevaloraciones costosas.
Comprender el entorno competitivo y el nivel de transparencia en la subasta puede permitir a las
empresas ajustar sus ofertas de manera estratégica, optimizando sus resultados sin comprometer su
rentabilidad.
5.4. Limitaciones del estudio
Aunque el modelo teórico desarrollado en este estudio ofrece una representación enriquecida de las
estrategias de puja bajo el influjo de sesgos cognitivos, existen ciertas limitaciones inherentes a su
enfoque. En primer lugar, al tratarse de una simulación teórica, el modelo depende de supuestos y
parámetros específicos que podrían no capturar todas las complejidades de las decisiones estratégicas en
contextos de subasta reales. La elección de los coeficientes de sesgo y el ajuste de las variables mediante
simulaciones, aunque bien fundamentados, pueden diferir en subastas con diferentes estructuras o reglas
de juego. Además, la aplicabilidad del modelo a otros tipos de subasta, como aquellas en mercados de
bienes tangibles o subastas de bienes culturales, podría requerir ajustes adicionales en los parámetros
conductuales para reflejar las diferencias en el comportamiento de los participantes.
Por lo tanto, los resultados obtenidos deben interpretarse como una aproximación y una guía
conceptual, más que como una representación exhaustiva y exacta de todos los posibles entornos de
subasta. La extensión de este modelo a otros contextos o sectores puede requerir modificaciones en los
supuestos y la recalibración de los parámetros de sesgo.
Aunque el presente estudio se basa en simulaciones teóricas que aportan una base sólida para el
análisis de subastas de espectro bajo condiciones de sesgo cognitivo, la validación empírica del modelo
representa un siguiente paso esencial para confirmar su efectividad en condiciones reales de mercado.
En futuros estudios, sería beneficioso aplicar este modelo en subastas reales o experimentos de
laboratorio para evaluar su capacidad predictiva y su utilidad práctica en la toma de decisiones
estratégicas.
La implementación del modelo en contextos de subasta reales permitiría observar de manera directa
cómo los coeficientes de anclaje y exceso de confianza se manifiestan en las pujas y evaluar si los ajustes
propuestos realmente reflejan las desviaciones conductuales en situaciones de incertidumbre e
información asimétrica. Esta validación empírica fortalecería la aplicabilidad del modelo y aportaría
datos adicionales para ajustar los parámetros y mejorar su precisión en entornos de mercado reales.
5.5. Futuras líneas de investigación
Este modelo de teoría de juegos conductual podría extenderse para incluir otros sesgos como la
aversión a la pérdida o el exceso de optimismo y aplicarse en contextos adicionales, como subastas de
bienes raíces o licitaciones públicas. Además, la validación empírica en subastas reales permitirá
fortalecer la aplicabilidad práctica del modelo y afinar sus parámetros para escenarios más complejos.
Contribuciones de los autores según CRediT: “El autor ha leído y aprobado la versión publicada del manuscrito.”
Conflictos de Interés: “El autor declara no tener conflictos de interés.”
Estrategias de puja en subastas con información imperfecta y sesgos cognitivos 25
Economicus Journal of Business and Economics Insights 2025 2(1), 9–25
Referencias
Ausubel, L. M., & Baranov, O. (2020). Revealed preference and activity rules in dynamic auctions. International
Economic Review, 61(2), 471–502. https://doi.org/10.1111/iere.12431
Ausubel, L. M., Cramton, P., Pycia, M., Rostek, M., & Weretka, M. (2014). Demand Reduction and Inefficiency in
Multi-Unit Auctions. The Review of Economic Studies, 81(4 (289)), 1366–1400.
http://www.jstor.org/stable/43551738
Barber, B., & Odean, T. (2001). Boys will be Boys: Gender, Overconfidence, and Common Stock Investment. The
Quarterly Journal of Economics, 116(1), 261–292. https://doi.org/10.1162/003355301556400
Bazelon, C., Sanyal, P., Paek, Y., Taylor, R., & Lajoie, A. (2022). Understanding spectrum prices in recent upper mid-
band FCC auctions. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4178817
Camerer, C. F., & Hogarth, R. M. (1999). Los efectos de los incentivos financieros en los experimentos: una revisión
y un marco de trabajo capital-trabajo-producción. Journal of Risk and Uncertainty, 19(1-3), 7–42.
https://doi.org/10.1023/A:1007850605129
Cramton, P. (2009). How Best to Auction Natural Resources. En P. Daniel, M. Keen y C. McPherson (Eds.), The
Taxation of Petroleum and Minerals: Principles, problems and practice (1a. ed.). Routledge.
https://doi.org/10.4324/9780203851081
Facchinei, F., & Kanzow, C. (2010). Generalized Nash equilibrium problems. Annals of Operations Research, 175(1),
177–211. https://doi.org/10.1007/s10479-009-0653-x
Halunga, A. G., Orme, C. D., & Yamagata, T. (2017). A heteroskedasticity robust Breusch–Pagan test for
Contemporaneous correlation in dynamic panel data models. Journal of econometrics, 198(2), 209–230.
https://doi.org/10.1016/j.jeconom.2016.12.005
Kagel, J. H., & Levin, D. (1986). The Winner's Curse and Public Information in Common Value Auctions. American
Economic Review, 76(5), 894–920. https://www.jstor.org/stable/1816459
Klemperer, P. (2004). Auctions: Theory and Practice. Princeton University Press.
http://www.jstor.org/stable/j.ctv3hh4pm
Kwerel, E., Sanyal, P., Seim, K., Stancill, M., & Sun, P. (2017). Economics at the FCC, 2016–2017: Auction designs for
spectrum repurposing and universal service subsidies. Review of Industrial Organization, 51, 451–486.
https://doi.org/10.1007/s11151-017-9597-5
Milgrom, P. R. (2019). Auction market design: Recent innovations. Annual Review of Economics, 11(1), 383–405.
https://doi.org/10.1146/annurev-economics-080218-025818
Milgrom, P. R., & Weber, R. J. (1982). A Theory of Auctions and Competitive Bidding. Econométrica, 50(5), 1089–1122.
https://doi.org/10.2307/1911865
Office of Communications (Ofcom). (2024). Spectrum Auction Results 2015-2020. https://www.ofcom.org.uk
Thaler, R. H., & Sunstein, C. R. (2008). Nudge: Improving decisions about health, wealth, and happiness (1a ed.). Yale
University Press.
Tversky, A., & Kahneman, D. (1973). Availability: A heuristic for judging frequency and probability. Cognitive
Psychology, 5(2), 207–232. https://doi.org/10.1016/0010-0285(73)90033-9
Wooldridge J. M. (2016). Econometric analysis of cross section and panel data (5th Edition). MIT press.
