Using Scanner Data to Construct CPI Basic Component Indexes
利用扫描数据构建 CPI 基本分项指数AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦扫描数据聚合与消费者价格指数构造，所列细分方向没有直接对应的指数编制类别，故不勉强归类。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用扫描数据构建 CPI 基本分项指数
- 研究问题
- 如何将海量扫描数据用于美国消费者价格指数的分项构建？论文关注价格聚合与指数公式选择对测算结果及偏差的影响。
- 方法与思路
- 作者以两个城市的咖啡扫描数据比较单位价值聚合和不同价格指数公式，考察跨销售网点聚合后各公式结果的差异。
- 材料陈述的贡献
- 摘要称，链式拉氏指数偏高，修正拉氏指数的向上偏差较小；费雪或修正埃奇沃思指数表现较好，跨网点聚合可缩小公式间差异。
- 阅读关注点
- 应核对单位价值的聚合层级、销量权重与商品可比性，以及偏差判断的参照标准、链式更新方式和跨网点聚合的影响。
- 阅读边界
- 摘要证据限于两个城市的咖啡数据，未说明偏差评判基准或质量变化处理；不能直接推广到其他商品或整个消费者价格指数。
原文摘要
This article considers how scanner data could be used in constructing component indexes for the U.S. Consumer Price Index. One product, coffee, in two cities generates over 1.8 million observations in just over two years, so coping with the sheer volume of data would be a challenge. Some other findings are (1) some aggregation of prices into 'unit-value' averages is necessary for practical reasons and to avoid bias, (2) chained Laspeyres indexes are very high, (3) 'modified' Laspeyres indexes have some upward bias but much less than a true Laspeyres index, (4) Fisher ideal or modified Edgeworth indexes perform well, and (5) aggregating prices across outlets to form city-level unit values reduces the discrepancies between index-number formulas.