Aggregates vs disaggregates using machine learning

Abstract

Μία μέθοδος για τον υπολογισμό άμεσων προβλέψεων για επίσημους δείκτες τιμών είναι η χρήση τιμών που είναι διαθέσιμες στο διαδίκτυο. Αυτή η ιδέα ξεκίνησε από τον Cavallo (2013) που χρησιμοποίησε διαδικτυακούς δείκτες τιμών για να επαληθεύσει τα επίσημα στοιχεία που ανακοινώθηκαν για τον πληθωρισμό. Ωστόσο, ο Cavallo χρησιμοποιεί το συνολικό άθροισμα των πληροφοριών σχετικά με τις τιμές που είναι διαθέσιμες στο διαδίκτυο για να υπολογίσει τον Δείκτη Τιμών Καταναλωτή. Αυτή η εργασία διερευνά εάν οι άμεσες προβλέψεις των επίσημων δεικτών τιμών είναι πιο ακριβείς όταν χρησιμοποιούνται οι επιμέρους ομάδες αγαθών και υπηρεσιών (main aggregates) και οι επιμέρους υποκατηγορίες (disaggregates). Συμπεραίνει ότι όλες οι μέθοδοι πρέπει να λαμβάνονται υπόψη διότι σε πολλές περιπτώσεις τα main aggregates και τα disaggregates υπερέχουν στην πραγματικότητα από το total aggregate.

A method for producing nowcasts for official price indices is through the use of online prices. This idea originated with Cavallo (2013) who uses online price indices to verify the official data released about inflation. However, he uses the total aggregate of online prices information to estimate CPI. This paper sets out to investigate whether early estimates of official price indices can be more accurate using instead main aggregates or disaggregates. It concludes that all methods should be considered since on many occasions main aggregates and disaggregates actually outperform the total aggregate.