在构建价格指数以衡量经济状况时，如何调整商品质量的变化是一个核心难题。传统方法，如简单的商品匹配或特征回归，存在局限性，往往会高估通胀并低估生产率增长。新兴技术，例如利用人工智能分析海量商品数据，提供了更精确的测量方式。研究表明，对质量调整不足会直接导致通胀数据失真，进而影响社会福利和养老金等公共支出，最终可能损害年轻一代的利益。
质量调整：价格指数的核心难题
衡量经济状况需要了解价格的涨跌，这依赖于构建价格指数。理想情况下，价格指数衡量的是购买“恒定效用”的成本，但商品的质量总在变化，而质量本身是无法直接观测的。因此，统计机构必须推断质量的变化。
- 简单匹配法: 当一款产品（如某个品牌的火腿）下架，另一款相似产品上架时，最简单的方法是直接将它们视为同等品。
- 这种方法的缺陷:
- 它会完全忽略产品的迭代改进。
- 如果商品有周期性打折（如服装季末清仓），该方法会错误地认为价格在持续上涨。
传统方法的尝试与局限
为了更客观地调整质量，经济学家开发了特征回归 (Hedonic Regression)。这种方法将一个商品视为一组特征的集合，并分析每个特征对价格的影响。
- 应用: 美国劳工统计局 (BLS) 广泛使用特征回归来计算消费价格指数 (CPI)，尤其是在电视、电脑、冰箱等易于分解特征的机械产品上。
- 前提条件苛刻:
- 必须假设商品的所有重要差异都体现在可观测的特征上。
- 消费者对特征的评价方式保持不变。
- 特征可以被量化。
实践中，回归模型中包含的维度越多，任何一个维度的确定性就越低。
新兴技术带来的突破
近年来，新的方法为质量调整提供了更精确的工具，挑战了传统方法的结论。
人工智能的应用: 最前沿的方法是利用 AI 分析海量的商品信息。AI 可以消化亚马逊等电商平台上的所有产品列表和图片，将其提炼为几个关键维度。研究发现，这种方法对服装价格的预测能力高达 80-90%，并显示亚马逊上的服装价格实际上大幅下降了。
从消费变化推断质量: 另一种方法通过分析不同收入人群的消费选择来推断质量。如果收入翻倍的人并没有购买更昂贵的吸尘器，那么可以推断高端和低端吸尘器之间的质量差距可能不大。
一项基于此方法的研究认为，官方通胀率被高估了 2.2%，因为人们购买更贵的商品被错误地计为价格上涨，而实际上是质量升级。
衡量免费商品的价值: 对于互联网上的免费服务（如社交媒体），其价值可以通过用户花费的时间成本来估算。用户花在社交媒体上的时间，其边际效用必须等于他们用这些时间去工作所能赚取的收入。
容易被忽视的复杂因素
除了商品本身，购物过程中的其他因素也会影响最终的价格和价值。
购物体验与渠道: 大型超市（如沃尔玛）的出现降低了商品价格，但可能需要消费者付出更高的交通成本（如必须开车前往）。如果统计时忽略这些差异，就会低估大型零售商带来的实际价格下降。
消费者的搜索强度: 在经济衰退期间，失业者有更多时间去寻找更便宜的商品，从而拉低了平均成交价。但这并非真正的消费者福利增加，因为它消耗了本可用于其他地方的时间和精力。
质量调整不当的严重后果
未能充分调整商品质量不仅仅是经济学家的技术问题，它对社会福利政策有着至关重要的影响。
我们的目标是在为养老金等福利进行通胀调整时，保持其真实价值的稳定。如果通胀被高估，我们实际上是在不知不觉中将越来越大的财富从年轻一代转移给老年人。
BLS 在质量调整上投入了大量精细而繁重的人力。削减统计机构的预算，不仅会降低经济数据的精确度，更是一种系统性地掠夺年轻人以造福老年人的行为。