Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/313330 
Erscheinungsjahr: 
2025
Quellenangabe: 
[Journal:] WISTA - Wirtschaft und Statistik [ISSN:] 1619-2907 [Volume:] 77 [Issue:] 1 [Year:] 2025 [Pages:] 67-81
Verlag: 
Statistisches Bundesamt (Destatis), Wiesbaden
Zusammenfassung: 
Die Nutzung von Scannerdaten in der Verbraucherpreisstatistik hat viele Vorteile, bringt allerdings auch einige Herausforderungen mit sich. Eine der Herausforderungen ist die Klassifizierung der Artikel nach dem vom Verbraucherpreisindex verwendeten Klassifikationssystem COICOP. Aufgrund der großen Datenmenge bei Scannerdaten ist eine automatisierte Klassifizierung mittels maschinellen Lernens zwingend, um die Daten effizient in der amtlichen Statistik verwenden zu können. Dieser Beitrag analysiert einen Ansatz aus der aktuellen Forschung, der die zugrunde liegende hierarchische Struktur der COICOP-Klassifikation bei der automatisierten Klassifizierung berücksichtigt. Außerdem werden die Auswirkungen von Fehlklassifizierungen auf den Verbraucherpreisindex untersucht.
Zusammenfassung (übersetzt): 
The use of scanner data in consumer price statistics offers many benefits but also presents certain challenges. One such challenge is the classification of articles according to the COICOP system, which is used for the consumer price index (CPI). Due to the sheer volume of scanner data, automated classification using machine learning is essential to be able to use the data efficiently in official statistics. This article examines a current research approach that incorporates the underlying hierarchical structure of the COICOP classification during the automated classification of articles. The impact of misclassification on the CPI is also analysed.
Schlagwörter: 
Maschinelles Lernen
Hierarchisches Lernen
Verbraucherpreisindex
Klassifizierung
COICOP
machine learning
hierarchical learning
consumer price index
classification
COICOP
Dokumentart: 
Article

Datei(en):
Datei
Größe
258.11 kB





Publikationen in EconStor sind urheberrechtlich geschützt.