روش های شماره فهرست جدید در آمار قیمت مصرف کننده

تحقیق در مورد استفاده از روش های شماره فهرست جدید برای محاسبه شاخص های قیمت با استفاده از داده های وب و اسکنر.

این آخرین نسخه است.

تاریخ انتشار: 1 سپتامبر 2020

فهرست مطالب

1. نکات اصلی
2. معرفی
3. نمای کلی از روش های شماره فهرست
4. چارچوب روشهای شماره فهرست لیست کوتاه
5. روشهای شماره فهرست لیست کوتاه استرس
6. مطالعه موردی با استفاده از داده های دنیای واقعی
7. نتیجه گیری و کار آینده
8. لینک های مربوطه
9. ضمیمه A: توضیحات فنی روشهای شماره فهرست
10. ضمیمه B: تست استرس از ویژگی های اضافی
11. ضمیمه C: مطالعات موردی از شاخص های تولید شده با استفاده از داده های دنیای واقعی

1. نقاط اصلی

• ما یک چارچوب با کیفیت تولید کرده ایم و آزمایش های بعدی روشهای مختلفی را انجام داده ایم که می تواند برای تولید شاخص های قیمت مصرف کننده در پایین ترین سطح تجمع (روش های شماره فهرست) ، از جمله روش های چند جانبه نوظهور که توسط سایر مؤسسات آماری ملی استفاده می شود (NSIS استفاده می شود (NSIS)) هنگام استفاده از داده های اسکنر و وب. این تحقیق به ما کمک می کند تا درک کنیم که آیا روش های مختلف شماره شاخص برای منابع مختلف داده (به عنوان مثال ، اسکنر و داده های وب) و دسته های مختلف هزینه (به عنوان مثال ، مواد غذایی ، لباس یا تعطیلات بسته) مورد نیاز است.
• چارچوب و آزمایش های بعدی ما نشان داده است که در کمترین سطح جمع آوری ، شاخص های قیمت مصرف کننده با استفاده از شاخص های چند جانبه برای داده های وب و اسکنر تولید شده از سایر مواردی که با استفاده از روشهای دو طرفه ثابت یا زنجیر شده ساخته شده است ، جامع تر و دقیق تر خواهد بود. Geary Khamis با کیفیت تنظیم شده (Qu-GK) بالاترین روش در برابر معیارهای چارچوب روش شماره شاخص ما بود و تحت آزمایش ما به خوبی انجام می شد. بنابراین ، روش Qu-GK روش پیشنهادی فعلی ما برای استفاده از داده های اسکنر و وب است که اطلاعات هزینه یا تقریبی آن در دسترس است.
• در صورت عدم وجود اطلاعات هزینه ، ما پیشنهاد می کنیم Geks-Jevons یک گزینه جایگزین مناسب باشد ، اگرچه ما بر اهمیت تحقیقات در تقریب هزینه های سطح محصول به عنوان یک رویکرد مؤثر برای استفاده با داده های وب ساخته شده تأکید می کنیم ، اما تقریب هزینه های مناسب را می توان ارائه دادساخته شده است.
• اقدام به استفاده از داده های اسکنر و وب برای آمار قیمت مصرف کننده یک نقطه مورد علاقه فعلی در بین بسیاری از NSI های دیگر است و ما همچنان به تولید شاخص هایی برای روشهای مورد علاقه خود به صورت موازی در حالی که تحقیق ، چه در انگلستان و چه در سطح بین المللی ، پیشرفت خواهیم کرد. این بدان معنی است که اگر اجماع بین المللی با یک روش ارجح همگرا شود ، ما احتمالاً از راهنمایی های بین المللی و بهترین روش پیروی خواهیم کرد.

2. مقدمه

ما در حال بررسی روشهای خودکار جمع آوری داده ها برای آمار قیمت مصرف کننده با افزایش پوشش محصول و فراوانی جمع آوری نسبت به منابع داده سنتی ما هستیم. منابع داده ای که ما قصد داریم از آن استفاده کنیم ، تا سال 2023 ، داده های اسکنر و وب هستند. این منابع داده جدید دارای چندین ویژگی هستند که بدان معنی است که ممکن است روش های شماره شاخص قیمت جدید برای به حداکثر رساندن استفاده از آنها در آمار ما مورد نیاز باشد. با این حال ، تعداد در حال رشد از روش های شماره شاخص وجود دارد که می تواند مورد استفاده قرار گیرد ، با کمی اجماع بین المللی ، در حال حاضر ، در مورد روش بهینه چیست.

انتخاب روشهای شماره شاخص برای استفاده در پایین ترین سطح تجمع به شدت به منبع داده و اطلاعات موجود و همچنین خصوصیات مورد نظر خود روش بستگی دارد.

3. نمای کلی از روش های شماره فهرست

جمع آوری قیمت سنتی

در حال حاضر ، نقل قول های قیمت مورد استفاده در آمار قیمت مصرف کننده انگلستان به صورت دستی از فروشگاه های فیزیکی ، وب سایت ها و با تماس تلفنی به خرده فروش یا تجارت جمع آوری می شود. این روش جمع آوری قیمت ها به این معنی است که منابع داده سنتی به طور معمول حاوی اطلاعاتی در مورد تعداد هر محصول فروخته شده نیستند و به همین ترتیب ، بیشتر شاخص ها از آنچه ما به عنوان روش های شماره شاخص بدون وزنی در پایین ترین سطح جمع آوری استفاده می کنیم ، استفاده می کنند.

برای محاسبه یک شاخص با استفاده از یک روش شماره شاخص بدون وزنی ، نمونه ای از محصولات و خرده فروشان انتخاب شده است که نماینده هزینه های مصرف کننده در هر منطقه و کشور انگلیس محسوب می شود. قیمت برای همین نمونه از محصولات هر ماه جمع آوری می شود و به طور متوسط 1 حرکت قیمت برای تولید شاخص قیمت اولیه ، معروف به یک فهرست ابتدایی (EA) محاسبه می شود. به عنوان مثال ، یک جمع کننده قیمت هر ماه قیمت یک نان معمولی خریداری شده از نان سفید را در لندن مشاهده می کند. یک شاخص EA برای نان بر اساس حرکت متوسط قیمت تمام نان های نان نمونه برداری شده در لندن ایجاد شده است. بالاتر از این سطح EA ، از وزن هزینه ها برای جمع کردن حرکات قیمت نان لندن به همراه حرکات قیمت نان در سایر مناطق و کشورهای انگلیس استفاده می شود. حرکات قیمت برای کلیه نان ها همراه با حرکات قیمت سایر کالاها و خدمات در انگلستان در محاسبه نرخ اصلی تورم قیمت مصرف کننده وزن می شوند.

برای کسب اطلاعات بیشتر در مورد نحوه جمع آوری قیمت ها و ایجاد شاخص های قیمت در اقدامات فعلی تورم قیمت مصرف کننده ، لطفاً به دفترچه راهنمای فنی شاخص های قیمت مصرف کننده ما مراجعه کنید.

منابع داده جدید

داده های پراکنده وب از وب سایت های خرده فروشان جمع آوری می شوند. در مقایسه با منابع داده سنتی ، آنها می توانند بیشتر جمع آوری شوند ، طیف گسترده تری از محصولات را بپوشانند و می توانند اطلاعات زیادی در مورد محصول و ویژگی های آن داشته باشند. قیمت ماهانه را می توان با استفاده از میانگین قیمت های مشاهده شده برای هر محصول در طی یک ماه برای داده های وب محاسبه کرد. تحقیقات در مورد چگونگی محاسبه این میانگین در حال انجام است. داده های پراکنده وب فاقد اطلاعات در مورد تعداد محصولات فروخته شده است. این بدان معناست که برای داده های پیچیده وب ، جایی که ما نتوانسته ایم تعداد احتمالی هر محصول فروخته شده را تقریب دهیم ، ما نیاز به استفاده از روش های شماره شاخص بدون وزنی داریم.

در مقابل ، داده های اسکنر توسط خرده فروشان در نقطه فروش جمع آوری می شود و اطلاعاتی در مورد تعداد و نوع محصولات فروخته شده ارائه می دهد. این داده ها به ما امکان استفاده از روشهای شماره شاخص وزنی را می دهند ، به این معنی که محصولاتی که ارزش بالاتری از فروش دارند ، تأثیر بیشتری بر نرخ تورم خواهند داشت. قیمت ماهانه برای هر محصول با در نظر گرفتن کل هزینه های آن در هر ماه و تقسیم آن بر تعداد فروش محاسبه می شود. به عنوان مثال ، اگر یک نان برند سفید برند خرده فروشان در ماه مارس ارزش فروش 100 پوند داشته باشد و 100 نان این نوع نان فروخته شده باشد ، ما محاسبه می کنیم که قیمت متوسط آن نان ناندر ماه مارس 1 پوند بود. هنگامی که ما در هر ماه برای هر محصول قیمت داریم ، می توانیم با استفاده از کل ارزش فروش ، تغییرات قیمت محصولات فردی را با استفاده از کل ارزش فروش به عنوان نشانه ای از وزن دادن به هر محصول در شاخص حاصل جمع کنیم. این بدان معنی است که ، برای داده های اسکنر ، می توانیم از روش های شماره شاخص وزنی برای تولید تخمین تورم در سطح مورد استفاده کنیم که تعداد هر محصولی را که فروخته شده است ، حساب می کند.

دوره وزنی که در ساخت شاخص های قیمت استفاده می شود

برای شاخص های وزنی ، ما باید تصمیم بگیریم که از چه دوره ای استفاده کنید. به عنوان مثال ، برای محاسبه تورم بین ژانویه و فوریه ، حرکات قیمت می تواند براساس ارزش فروش برای ژانویه ، فوریه یا به طور متوسط هر دو جمع شود. با استفاده از دوره اول (در این مورد ، ژانویه) منجر به روش شماره شاخص "وزن پایه" مانند لاسپیرس می شود. استفاده از دوره دوم (در این مورد ، فوریه) منجر به روش شماره شاخص "وزن فعلی" ، مانند Paasche می شود. استفاده از ترکیبی از وزنه ها در هر دوره منجر به یک روش شماره شاخص "فوق العاده" مانند یک فیشر یا Töqvist می شود (توضیحات فنی روشهای موجود در این مقاله را می توان در ضمیمه A یافت).

در شرایط اقتصادی عادی ، مصرف کنندگان تمایل دارند در صورت افزایش قیمت ها یا به سمت محصولات با تخفیف ، به محصولات ارزان تر جایگزین شوند. در یک شاخص وزنی پایه ، وزن قبل از وقوع این تعویض محاسبه می شود ، به این معنی که یک شاخص وزنی پایه می تواند هزینه واقعی زندگی را بیش از حد کند. معکوس برای یک شاخص وزنی با دوره فعلی صادق است زیرا وزن پس از تعویض به دور از محصولات گران تر محاسبه می شود. شاخص های فوق العاده تقریب های بهتری از هزینه زندگی هستند زیرا آنها بهتر رفتار تعویض بین پایه و دوره های فعلی را به خود اختصاص می دهند. شاخص های وزنی و فوق العاده فعلی به دلیل عدم وجود اطلاعات قابل اطمینان به موقع در دوره فعلی ، از نظر تاریخی در شاخص های قیمت مصرف کننده انگلستان استفاده نشده است.

دوره های زمانی مورد استفاده در ساخت شاخص های قیمت

نکته دیگر دوره زمانی است که باید در محاسبه شاخص استفاده شود. روشهای دو جانبه تغییرات قیمت را برای یک نمونه مداوم از محصولات بین دو دوره زمانی در نظر می گیرند ، اگرچه این دوره های زمانی لزوماً متوالی نیستند. به عنوان مثال ، در محاسبه فعلی شاخص های قیمت مصرف کننده ، قیمت در هر ماه یک سال نسبت به قیمت همان محصول در ژانویه همان سال بیان می شود. این روش فعلی به عنوان یک روش شماره شاخص دو طرفه پایه ثابت گفته می شود.

روشهای پایه ثابت فقط حرکات قیمت را برای محصولاتی که در ماه پایه موجود بودند اندازه گیری می کنند ، یا محصولاتی که در صورت عدم وجود محصولات اصلی به عنوان جایگزینی استفاده شده اند. از زنجیره ای مکرر می توان برای ترکیب منظم تر محصولات جدید استفاده کرد تا اطمینان حاصل شود که می توان محصولات جدید و ناپدید شده را برای آن به حساب آورد تا نمونه به مرور زمان نماینده بازار باشد. زنجیره ای ماهانه جایی است که مجموعه های محصول سازگار برای جفت ماه ها در طول سال گرفته می شود و حرکات قیمت آنها با هم زنجیر می شود تا یک سری مداوم تشکیل شود. به عنوان مثال ، تغییر قیمت برای مجموعه ای از محصولات بین ژانویه و فوریه ، مجموعه ای از محصولات بین فوریه و مارس و مجموعه ای از محصولات بین مارس و آوریل محاسبه می شود و این حرکات با هم زنجیر می شوند تا قیمت کلی را نشان دهندتغییر بین ژانویه و آوریل. در حالی که زنجیرهای مکرر از این مزیت برخوردار است که می تواند محصولات جدید و ناپدید شده را به خود اختصاص دهد ، اما به طور معمول از پدیده ای که به عنوان "زنجیره ای از آن" یاد می شود ، رنج می برد. این مورد بیشتر در بخش 5 مورد بررسی قرار می گیرد: روشهای شماره فهرست لیست کوتاه استرس.

در مقایسه ، روشهای چند جانبه به طور همزمان از کلیه داده ها در یک دوره زمانی معین استفاده می کنند. استفاده از روشهای چند جانبه برای محاسبه شاخص های قیمت زمانی نسبتاً جدید در سطح بین المللی است ، اما نشان داده شده است که این روش ها نسبت به همتایان روش دو جانبه خود دارای خاصیت مطلوبی هستند ، به این ترتیب که آنها محصولات جدید و ناپدید شده را به خود اختصاص می دهند (برای اینکه نماینده بازار باشند)در حالی که مقیاس زنجیره ای را نیز کاهش می دهد. روشهای چند جانبه می توانند از تعداد مشخصی از دوره های زمانی برای محاسبه شاخص قیمت حاصل استفاده کنند. تعداد دوره های زمانی مورد استفاده با روش های چند جانبه معمولاً به عنوان "طول پنجره" تعریف می شود.

انواع روشهای شماره شاخص دو طرفه (مقایسه دو دوره زمانی)

تمام روشهای دو طرفه وزنی و بدون وزنی که به سادگی قیمت ها را بین دو دوره زمانی انتخاب شده مقایسه می کنند ، می توانند از انواع پایه ثابت و زنجیره ای استفاده کنند. در جدول 1 لیستی از روشهای دو جانبه در نظر گرفته شده در این مقاله ارائه شده است که توسط دوره ای که وزن آنها حاصل می شود ، گروه بندی شده است. توضیحات فنی از کلیه روشهای در نظر گرفته شده در این مقاله در ضمیمه A ارائه شده است.

جدول 1: روشهای شماره شاخص دو طرفه مورد بررسی

منبع: اداره آمار ملی

1. تمام روش های ذکر شده در این جدول می توانند از انواع پایه ثابت و زنجیره ای استفاده کنند.

این جدول را دانلود کنید جدول 1: روش های شماره شاخص دوطرفه در حال بررسی

در حالی که درک روش های دوجانبه نسبتاً ساده است، اما در شرایط خاصی می تواند مشکل ساز باشد، به ویژه زمانی که تعداد زیادی از محصولات وارد بازار شده و از آن خارج می شوند (که به آن ریزش می گویند). نقاط ضعف روش‌های دوجانبه در بخش 5 بیشتر نشان داده شده است: روش‌های فهرست کوتاه تعداد شاخص تست استرس.

انواع روش های چند جانبه (مقایسه چندین دوره زمانی به طور همزمان)

روش های چند جانبه با استفاده همزمان از تمام داده های موجود در تمام دوره های زمانی، بر برخی از مشکلات تجربه شده در روش های دوجانبه غلبه می کنند. اما در حالی که روش های چند جانبه در مقایسه با همتایان دوجانبه خود دارای خواص سودمند بسیاری هستند، در خالص ترین شکل خود با در دسترس قرار گرفتن داده های جدیدتر برای اطلاع از محاسبه دوره های قبلی، در معرض تجدید نظر قرار می گیرند. به عنوان مثال، یک شاخص چندجانبه محاسبه شده برای مارس 2020 می تواند با استفاده از تغییرات قیمت در تمام دوره های زمانی موجود بین ژانویه 2020 و ژانویه 2021 (با استفاده از طول پنجره 13 ماهه) محاسبه شود. بنابراین، با در دسترس قرار گرفتن هر ماه آینده بین مارس 2020 و ژانویه 2021، اطلاعات بیشتری برای اطلاع از ارزش شاخص مارس وجود دارد و احتمالاً تجدید نظر خواهد شد.

با استفاده از همین مثال، در زمان انتشار یک شاخص قیمت چندجانبه برای مارس 2020، ما فاقد الزامات اطلاعاتی از باقیمانده پنجره تا جمع‌آوری همه داده‌ها تا پایان ژانویه 2021 هستیم. سری زمانی به عنوان یک روش بسط شناخته می شود. روش های توسعه را می توان در ترکیب با روش های چند جانبه برای غلبه بر نیاز به تجدید نظر استفاده کرد (جزئیات محاسبات روش گسترش را می توان در پیوست A یافت) که برای بسیاری از کاربران آمار قیمت مصرف کننده غیرعملی و نامطلوب است. طیف وسیعی از روش های چند جانبه همراه با طیف وسیعی از روش های گسترش در این مقاله در نظر گرفته شده است و در جدول 2 ارائه شده است. ترکیب های متعددی از این روش ها را می توان استفاده کرد، به عنوان مثال، GEKS-Jevons را می توان با یک اتصال حرکتی و کیفیت ترکیب کرد. Geary Khamis تنظیم شده را می توان با یک پنجره در حال گسترش ماهانه با پایه ثابت ترکیب کرد.

جدول 2: روش های چند جانبه و روش های گسترش در حال بررسی

منبع: اداره آمار ملی

1. برای اهداف این ارزیابی ، ما تصمیم گرفتیم از طول پنجره 13 ماهه برای تمام روشهای پسوند خود استفاده کنیم. تحقیقات آینده تأثیر افزایش طول پنجره بر نتایج ما را بررسی می کند
2. Geks-Jevons تنها روش چند جانبه ای بدون وزنی است که در این تحقیق در نظر گرفته شده است ، روش های هیدونیک را می توان با و بدون اطلاعات وزنه برداری محاسبه کرد

این جدول جدول 2 را بارگیری کنید: روش های چند جانبه و روش های پسوند مورد بررسی

یادداشت ها برای: نمای کلی روشهای شماره فهرست

1. از روشهای مختلف میانگین می توان استفاده کرد ، مانند میانگین هندسی (JEVONS) یا حسابی (کارلی). یکی دیگر از روشهای محترم ، که به عنوان DUTOT شناخته می شود ، به جای اینکه میانگین حرکات قیمت را بدست آورد ، نسبت قیمت متوسط را محاسبه می کند.

4- چارچوب روشهای شماره فهرست لیست کوتاه

در کل ، ترکیبی از روشهای مختلف چند جانبه و پسوند ، به همراه روشهای دو طرفه ثابت و زنجیره ای ، بیش از 50 روش بالقوه را ایجاد می کند که می توانیم در آمار قیمت مصرف کننده خود در پایین ترین سطح تجمع استفاده کنیم. برای تصمیم گیری در مورد روش شماره شاخص مناسب برای هر منبع داده (به عنوان مثال ، اسکنر و داده های وب) و هر دسته از هزینه ها (به عنوان مثال ، پوشاک ، مواد غذایی یا تعطیلات بسته) ، قصد داریم مراحل زیر را انجام دهیم.

مرحله 1: روشهای لیست کوتاه

• روشهایی را که حداقل نیازهای منابع را برآورده نمی کنند ، حذف کنید.
• روشهایی را که حداقل نیازهای تفسیر را برآورده نمی کنند ، حذف کنید.
• چارچوب نظری را برای روشهای باقیمانده اعمال کنید: خصوصیات نظری (55 ٪) ، منابع (20 ٪) ، تفسیر (15 ٪) و انعطاف پذیری (10 ٪).
• روش هایی که در 10 تیم برتر نمره می گیرند ، برای لیست کوتاه انتخاب می شوند.

مرحله 2: روشهای لیست کوتاه را ارزیابی کنید

• روش های آزمایش در برابر طیف وسیعی از مجموعه داده های مصنوعی با رفتارهای مختلف قیمت گذاری.

مرحله 3: روش مناسب را انتخاب کنید

• رفتار قیمت گذاری کالاهای منحصر به فرد را در سری زمانی داده شده ارزیابی کنید.
• مشخصات داده ها را تعیین کنید.
• ارزیابی کنید که آیا با توجه به رفتار قیمت گذاری و ویژگی های کالای منحصر به فرد ، بالاترین روش مناسب است.
• اگر بالاترین روش رتبه بندی شده نامناسب است ، گزینه جایگزین مناسب را از لیست کوتاه انتخاب کنید.

برای محدود کردن تعداد روشهای موجود برای استفاده ، ما یک لیست شلیک روش ها را بر اساس یک چارچوب کیفیت از معیارهای از پیش تعیین شده تولید کرده ایم. تعداد زیادی روش نامطلوب است زیرا اجرای آن غیر عملی است و هم پیچیده است. در حالی که تعداد زیادی روش نامطلوب است ، یک روش واحد نیز ممکن است برای همه منابع داده و دسته هزینه ها مناسب نباشد. بنابراین ما دو لیست کوتاه از روش های مناسب تولید کرده ایم: یکی از لیست های کوتاه برای استفاده در هنگام وزن هزینه یا تقریب در دسترس است و یک لیست کوتاه برای زمانی که این اطلاعات حاصل نمی شود.

چارچوب ارزیابی روشهای شماره شاخص با پانل های مشاوره فنی و ذینفعان ما در مورد قیمت مصرف کننده (APCP) مورد بحث قرار گرفته است. این چارچوب به صورت دوره ای مطابق با تحقیقات و راهنمایی های خود و بین المللی و همچنین با هر روش شماره شاخص قیمت در حال ظهور ، بررسی و به روز می شود.

پنج معیار وجود دارد که ما برای تولید لیست کوتاه خود استفاده می کنیم. در جدول 3 معیارها (با اشاره به ابعاد کیفیت سیستم آماری اروپا (ESS)) و وزن مربوط به آنها در چارچوب ما ارائه شده است. اطلاعات دقیق در مورد چارچوب ، وزن معیارها و نحوه استفاده از روشهای شماره شاخص در فرمول برنده یافت می شود؟چارچوبی برای انتخاب یک روش شاخص مناسب برای استفاده در داده های وب و اسکنر ، که در ژانویه سال 2020 به APCP فنی ارائه شده است.

جدول 3: معیارهای موجود در چارچوب روشهای شماره فهرست

منبع: اداره آمار ملی

این جدول جدول 3 را بارگیری کنید: وزن معیارها در چارچوب روشهای شماره فهرست

روشهای جدید در برابر چارچوب ما ارزیابی می شود و در برابر روشهای موجود در هنگام ظهور رتبه بندی می شود. نمرات روشهای موجود ما به صورت دوره ای مورد بررسی قرار می گیرد تا اطمینان حاصل شود که آنها جدیدترین تحقیق و تحولات در ادبیات بین المللی را به خود اختصاص می دهند.

قبل از ارزیابی روشها در برابر چارچوب ما ، دو فیلتر اصلی اعمال می شود. اول ، اگر الزامات پردازش اطلاعات غیرقابل کنترل باشد ، پس این روش از این امر مستثنی است زیرا ما نمی خواهیم مانع به موقع یا فراوانی انتشار تورم قیمت مصرف کننده شویم. ثانیا ، اگر حرکات قیمت نسبت به کسانی که از داده ها تولید می کنند یا از آن استفاده می کنند ، بصری نیست ، این روش از این امر مستثنی نیست زیرا ما معتقدیم که هر حرکات قیمت باید هم برای تولید کنندگان و هم برای کاربران قابل درک باشد.

پس از استفاده از این فیلترهای اولیه ، هر روش در برابر هر معیار ارزیابی می شود. نمرات نهایی برای رتبه بندی روشها و تولید لیست های کوتاه روشهای مناسب شاخص برای آمار قیمت مصرف کننده انگلیس استفاده می شود. در موارد نمرات مساوی بین روشها ، از معیار انسجام به عنوان یک فیلتر ثانویه برای روشهای جداگانه در رتبه بندی استفاده می شود. به عنوان مثال ، اگر دو روش در رده بندی نمره یکسانی دریافت کنند ، هر روشی که توسط سایر مؤسسات آمار ملی (NSIS) استفاده شود ، در لیست کوتاه مقدم است.

پس از بحث و گفتگو با APCP فنی و سایر متخصصان روش شماره شاخص ، ما برخی از تغییرات کوچک را در نمرات چارچوب و لیست های کوتاه در نتیجه ایجاد کرده ایم. لیست های کوتاه فعلی ما برای روش های شماره شاخص هنگام وزنه برداری اطلاعات (یا تقریبی آن) در دسترس است و برای هنگام وزنه برداری اطلاعات (یا تقریبی آن) به ترتیب در جداول 4 و 5 در دسترس نیست.

جدول 4: لیست کوتاه 1 ، روش های شماره شاخص مورد علاقه در هنگام وزنه برداری اطلاعات در دسترس است

منبع: اداره آمار ملی

این جدول جدول 4: لیست کوتاه 1 ، روشهای شماره شاخص مورد علاقه را در هنگام وزن گیری اطلاعات بارگیری کنید

جدول 5: لیست کوتاه 2 ، روش های شماره شاخص مورد علاقه هنگام وزن گیری اطلاعات در دسترس نیست

منبع: اداره آمار ملی

این جدول را دانلود کنید جدول 5: فهرست نهایی 2، روش‌های شماره شاخص مورد علاقه در زمانی که اطلاعات وزن‌دهی در دسترس نیست

جداول 4 و 5 نشان می دهد که روش های چند جانبه به طور مداوم از روش های دوجانبه در هر دو لیست کوتاه بهتر عمل می کنند. فهرست کوتاه ما در جدول 4 نشان می‌دهد که روش‌های چندجانبه بدون وزن (GEKS-Jevons) از روش‌های دوجانبه وزن‌دار ما بهتر عمل می‌کنند. همانطور که در جدول 5 مشاهده می شود، تنها سه روش بدون وزن در بین 10 روش برتر در لیست کوتاه ما قرار گرفتند.

در حالی که روش‌های دوجانبه در چارچوب رتبه‌بندی خوبی نداشتند، ما انتخاب کرده‌ایم که یک شاخص Jevons با پایه ثابت و زنجیره‌ای را در فهرست کوتاه دوم خود (در جدول 5) قرار دهیم تا مقایسه ای با روش‌های چندجانبه ارائه دهیم و اطمینان حاصل کنیم که اگر متوجه شدیم کهروش GEKS برای یک مجموعه داده مناسب نیست، اگر آنها را برای مجموعه داده مورد نظر مناسب بدانیم، می‌توانیم به روش‌های سنتی شماره شاخص‌تری برگردیم. در آینده، ما همچنین ممکن است رویکردهای لذت جویانه را برای استفاده در زمانی که اطلاعات مخارج در دسترس نیست در نظر بگیریم، اما از آنجایی که این روش ها در 10 مورد برتر ما قرار نمی گیرند، در حال حاضر به عنوان بخشی از این تحقیق ارزیابی نشده اند.

5. روش‌های شماره شاخص فهرست نهایی تست استرس

برای ارزیابی مناسب بودن بالقوه روش‌های فهرست کوتاه ما در تولید شاخص‌های قیمت مصرف‌کننده، ما مجموعه‌ای از مجموعه داده‌های مصنوعی را تولید کرده‌ایم که رفتارهای قیمت‌گذاری جدا شده را برای تست استرس عملکرد هر روش نشان می‌دهند. رفتارهایی که ما جدا کرده‌ایم و در این بخش گنجانده‌ایم، نرخ فرسایش بالا و ریزش محصول، منسوخ شدن محصول، واریانس بالا در قیمت‌ها و مقادیر بالای محصول فروخته شده است.

مجموعه داده های مصنوعی از طریق اصلاح یک مجموعه داده منبع باز معروف به داده های غذای خوب Dominick (Dominick's) تولید شدند. این داده ها توسط مرکز جیمز ام کیلتز، دانشکده بازرگانی غرفه دانشگاه شیکاگو ارائه شده است. داده‌ها به یک فروشگاه محدود می‌شدند و مقادیری که قیمت یا مقداری نداشتند، قبل از نمونه‌گیری تصادفی از داده‌ها حذف شدند. سپس یک مدل برای درک رابطه بین قیمت و کمیت به داده ها برازش داده شد و این مدل متعاقباً برای ساخت یک مجموعه داده مصنوعی استفاده شد. هنگامی که داده های پایه ایجاد شد، رفتارها را می توان به صورت مجزا به مجموعه داده اضافه کرد تا تأثیر آنها بر شاخص های حاصل را مشاهده کرد.

در ابتدا یک مجموعه داده پایه ساده برای درک تفاوت در مقادیر شاخص هر روش هنگامی که مجموعه داده مجموعه ای از محصولات استاتیک را نشان می دهد ، تولید شد ، بنابراین تمام محصولات در تمام دوره های زمانی موجود هستند و هیچ تغییری در کیفیت اساسی نمونه وجود ندارد. تغییرات نسبتاً کمی در قیمت ها و مقادیر در طول دوره 27 ماهه مورد مطالعه وجود دارد ، همانطور که با کاهش میانگین قیمت بین دوره های 1 و 27 در شکل 1 نشان داده شده است.

شکل 1: میانگین قیمت در طول زمان برای داده های مصنوعی پایه

منبع: اداره آمار ملی

این نمودار را بارگیری کنید شکل 1: میانگین قیمت در طول زمان برای داده های مصنوعی پایه

شکل 2 مقادیر شاخص را برای روشهای لیست کوتاه ما (ذکر شده در جداول 4 و 5) با استفاده از این داده های پایه ارائه می دهد. برای اهداف این مقاله ، تمام شاخص هایی که از یک روش فرمت استفاده می کنند برای 13 ماه اول از پنجره در حال گسترش استفاده می کنند و سپس پس از آن شروع به استفاده از روش های پسوند می کنند. روشهای پایه ثابت و با استفاده از روش تدوین شده با کیفیت ، با استفاده از روش ثابت در پایه ثابت ، از یک پیوند زنجیره ای سالانه برای حفظ یک سبد نماینده ، مطابق با روش سنتی ما استفاده می کنند. اینگونه است که منابع جدید داده ها برای موارد غالباً در شاخص های قیمت مصرف کننده معرفی می شوند تا هیچ داده تاریخی در دسترس ما نباشد. 1

شکل 2: شاخص های تولید شده برای روش های لیست کوتاه با استفاده از مجموعه داده مصنوعی پایه

منبع: دفتر آمار ملی - روش های شماره فهرست جدید در آمار قیمت مصرف کننده

این نمودار را بارگیری کنید شکل 2: شاخص های تولید شده برای روش های لیست کوتاه با استفاده از مجموعه داده مصنوعی پایه

شاخص های تولید شده برای روشهای بدون وزنی (Geks-Jevons با طیف وسیعی از روش های فرمت ، باس ثابت و زنجیرهای) یکسان هستند زیرا تمام محصولات در تمام دوره های زمانی در دسترس هستند. هنگامی که در دسترس بودن محصولات موجود در بازار این روشهای استاتیک است ، باید دقیقاً برابر با همتایان دو طرفه آنها باشد.

تفاوت بین شاخص های وزنی و بدون وزنی به طور متوسط بیشتر از تفاوت مشاهده شده در روشهای وزنی است ، و این امر را برجسته می کند که وجود اطلاعات وزنی در سطح محصول از نظر انتخابی از روش شماره شاخص وزنی مهمتر است.

تمام روشهای پسوند خروجی های بسیار مشابهی را برای روش های GEKS ارائه می دهند ، چیزی که ما در طول تجزیه و تحلیل خود در این مجموعه داده های مصنوعی خاص پیدا کردیم. بنابراین ، برای سهولت در تفسیر ، ما تصمیم گرفتیم که یافته ها را با استفاده از تنها شکاف حرکتی (روش افزودنی برتر ما برای روشهای GEKS) برای باقیمانده این مقاله ارائه دهیم. توجه داشته باشید که این یافته برخلاف سایر کشورها (به عنوان مثال ، Statbel (2018) و آمار هلند (2019)) است. بخش 6: مطالعه موردی با استفاده از داده های دنیای واقعی تفاوت در این روشهای پسوند را در دوره های طولانی تر از داده های اسکنر در دنیای واقعی در نظر می گیرد.

با توجه به روشهای پسوند ما در این تناوب داده ها تفاوت کمی در نتایج آنها نشان می دهد ، برای باقی مانده این بخش ما شش روش را ارائه می دهیم تا در برابر رفتارهای مختلف قیمت گذاری ، استرس آزمایش شده باشد ، Geary Khamis با کیفیت تنظیم شده (Qu-GK) ، Geks-Töqvist (Geks-T) ، Geks-Fisher (Geks-F) ، Geks-Jevons (Geks-J) ، Jevons Chavone (CJ) و Jevons پایه ثابت (FBJ). روش Qu-GK با استفاده از روش پنجره گسترش ماهانه پایه (FBME) ارائه شده است ، روش های GEKS با استفاده از روش پسوند حرکات (MS) ارائه می شود. ما روشهای دیگری را برای مقایسه در جایی که آنها به تفسیر نتایج کمک می کنند ، درج کرده ایم.

میزان جذابیت بالا و چروک محصول

یکی از ویژگی های برجسته در داده های وب و اسکنر ، تعداد زیادی از محصولات وارد و خروج از بازار ، به عنوان مثال ، با استفاده از اپیزودهای مد روز (به ویژه در بازارهای پوشاک) یا پیشرفت سریع فناوری (برای محصولات فناوری مانند مانندرایانه های شخصی ، لپ تاپ ، تبلت و تلفن های هوشمند).

محصولات می توانند از بسیاری جهات از جمله:

• محصول از موجودی خارج می شود و به طور موقت نمونه را ترک می کند
• محصول دوباره ساخته شده و نمونه را دوباره وارد می کند
• محصول قطع شده و به طور دائم نمونه را ترک می کند
• این محصول برای بازار جدید است
• این محصول به عنوان یک محصول جدید مجدداً مورد استفاده قرار می گیرد یا راه اندازی می شود

سازمان بین المللی کار (ILO)-بخش 7. 153 (2004) زنجیره ای با فرکانس بالا را هنگام برخورد با چروک محصول بالا توصیه کرد زیرا مجموعه کالاهای فصلی که در طی دو ماه متوالی همپوشانی دارند ، احتمالاً با مقایسه قیمت ها بسیار بزرگتر از مجموعه ای است که به دست می آیداز هر ماه معین با یک ماه پایه ثابت. بنابراین ، مقایسه های انجام شده با استفاده از شاخص های زنجیره ای جامع تر از مواردی است که با استفاده از یک پایه ثابت انجام می شود. در صورت عدم وجود همپوشانی محصول بین دوره فعلی و دوره پایه انتخاب شده ، یک روش پایه ثابت نیز شکست خواهد خورد. یک مثال عملی ، کتهای زنانه است ، جایی که در پایان هر "فصل" کل سهام را می توان در برخی از خرده فروشان به صورت فاز قرار داد و با سهام فصل جدید جایگزین شد (به تجزیه و تحلیل گردش مالی محصول در داده های پوشاک اسکناس وب و تأثیر آن بر روش ها مراجعه کنید. برای گردآوری شاخص های قیمت).

یک نمونه ساده از این نقص پایه ثابت با استفاده از یک سبد چهار محصول (A: D) را می توان در جدول 6 و شکل 3 مشاهده کرد.

جدول 6: داده های قیمت برای چهار محصول در چهار دوره

منبع: اداره آمار ملی