NBER美国国民经济研究局-NBER-Demand-Analysis-with-Many-Prices_39页_495kb

报告摘要

总结：Demand Analysis with Many Prices

核心内容

本文由Victor Chernozhukov、Jerry A. Hausman和Whitney K. Newey撰写，探讨了在存在大量价格的情况下进行需求分析的挑战与方法。研究提出了一种基于机器学习（ML）的方法，用于估计平均需求和消费者剩余的上下界（BCS），并解决了传统方法中因维度高而导致的偏差和过拟合问题。此外，论文还利用面板数据和横截面数据进行实证分析，尤其关注饮料价格变化对消费者福利的影响。

主要观点

“许多价格”问题：在需求建模中，由于商品数量多，价格维度高，传统的线性估计方法难以有效处理。
机器学习方法的引入：为了应对高维数据带来的挑战，作者提出使用现代机器学习方法，特别是Lasso和双稳健机器学习（DML），来估计需求函数和消费者剩余的上下界。
消费者剩余的上下界（BCS）：消费者剩余的上下界是基于收入效应的 Lipschitz 条件进行构造的，可以用于评估价格变化对福利的影响。
零消费问题的处理：通过将零消费视为需求选择的结果，而非随机扰动，可以更准确地估计平均需求和消费者剩余。
面板数据与横截面数据的比较：面板数据中的弹性通常比横截面数据小，这表明价格可能与偏好相关，从而影响估计结果。
控制变量的应用：为了处理内生性问题，作者引入了控制变量 $v_i$，使得价格、收入和偏好在控制变量下独立，从而提高估计的准确性。

关键信息

模型设定：需求函数定义为 $q_i = q(p_i, y_i, w_i, \eta_i)$，其中 $p_i$ 是价格向量，$y_i$ 是收入或支出，$w_i$ 是个体特征变量，$\eta_i$ 是未知维度的异质性项。
消费者剩余的上下界：通过积分和条件期望的组合，构造了消费者剩余的上下界，公式为：
$$
V_B(x_2) = \int_{\check{p}_1}^{\bar{p}_1} q_1(u, x_2, \eta) \exp(-B[u - \check{p}_1]) du
$$
机器学习估计方法：使用Lasso进行高维需求函数的估计，但直接代入会导致偏差。因此，作者提出双稳健机器学习（DML）方法，通过去偏化矩方程和交叉拟合来减少偏差，提高估计的精度和一致性。
控制变量与异质性：引入控制变量 $v_i$，使得价格、收入和异质性项在 $v_i$ 条件下独立，从而控制内生性问题。
实证应用：利用尼尔森公司（Nielsen）的扫描数据（scanner data）进行实证分析，发现面板数据中的价格弹性显著小于横截面数据，且消费者剩余的上下界在横截面和面板数据之间差异较小。
政策意义：研究结果对政策分析具有重要意义，特别是在评估对饮料征税对消费者福利的影响时，提供了可靠的估计工具。