Hedonic prices and quality adjusted price indices powered by AI
人工智能驱动的特征价格与质量调整价格指数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：摘要研究商品质量调整与价格指数构造，未明确涉及资产定价、收益预测或所列宏观预测方法，故不强行分类。
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
人工智能驱动的特征价格与质量调整价格指数
- 研究问题
- 如何从商品描述、图像等非结构化数据提取质量特征，估计特征价格函数，并据此构建质量调整价格指数？
- 方法与思路
- 作者用深度神经网络生成商品抽象属性，估计特征价格函数，在亚马逊自营服装数据上构建同比链式 Fisher 指数。
- 材料陈述的贡献
- 摘要称，该流程可有效处理大量商品数据，并获得较高样本外预测准确性；论文还将所建指数与 CPI 等指数比较。
- 阅读关注点
- 应核对样本外预测指标的定义、商品进出与质量变化的处理，以及 Fisher 指数的权重、链式构造和比较口径。
- 阅读边界
- 摘要所报百分比缺少明确指标名称，不能补称为决定系数；样本选择与指数比较细节未说明，仅据 OpenAlex 摘要。
原文摘要
We develop empirical models that efficiently process large amounts of unstructured product data (text, images, prices, quantities) to produce accurate hedonic price estimates and derived indices. To achieve this, we generate abstract product attributes (or “features”) from descriptions and images using deep neural networks. These attributes are then used to estimate the hedonic price function. To demonstrate the effectiveness of this approach, we apply the models to Amazon’s data for first-party apparel sales, and estimate hedonic prices. The resulting models have a very high out-of-sample predictive accuracy, with ranging from 80% to 90%. Finally, we construct the AI-based hedonic Fisher price index, chained at the year-over-year frequency, and contrast it with the CPI and other electronic indices.