Using Scanner Data to Construct CP1 Basic Component Indexes
利用扫描数据构建消费者价格指数的基本组成指数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：摘要讨论扫描数据的价格聚合与消费价格指数公式，所给细分中没有直接对应的价格指数测度类别。
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
利用扫描数据构建消费者价格指数的基本组成指数
- 研究问题
- 零售扫描数据能否用于构建美国消费者价格指数的分项指标，价格聚合与不同指数公式又会怎样影响测度结果和偏差？
- 方法与思路
- 作者研究两座城市咖啡产品两年多的扫描数据，考察单位价值聚合，并比较不同拉氏指数、费雪理想指数与修正 Edgeworth 指数。
- 材料陈述的贡献
- 摘要称适当聚合有助于避免偏差，费雪与修正 Edgeworth 指数表现较好，跨门店形成城市单位价值可缩小不同公式的差异。
- 阅读关注点
- 应核对单位价值的具体构造、商品与门店聚合规则、指数比较中的基准，以及链式拉氏指数偏高和修正拉氏偏差的依据。
- 阅读边界
- 摘要仅涉及两城咖啡数据，未说明偏差基准、质量变化处理或统计不确定性；结论能否推广到其他商品和地区需查全文。
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.