在线和离线价格是否相似

过阿尔贝托·卡弗洛*网上的价格越来越多地用于测量和研究应用,但很少有人知道他们的关系,以价格在实体店,大多数零售交易发生.
我从开展56大的多渠道零售商的网站和实体店在10个国家同时收集价格的第一个大型的比较.
我科幻ND该价格水平为约的时间72%是相同的.
价格变化不同步,但也有类似的频率和平均尺寸.
这些结果有兴趣在零售价格互联网的电子FFECT国家统计FFICES的影响,使用在线数据的研究人员,以及任何人.
网上的价格越来越多地用于测量和研究应用.
自2008年以来,在美国麻省理工学院(MIT)的价格亿项目(BPP)一直在试验在美国和其他国家的日常在线价格指数.
1国家统计FFICES(国家统计局)已使用的邻FFI官PP)一直在试验在美国和其他国家的日常在线价格指数.

1国家统计FFICES(国家统计局)已使用的邻FFI官PP)一直在试验在美国和其他国家的日常在线价格指数.

1国家统计FFICES(国家统计局)已使用的邻FFI官方消费者价格指数(消费者价格指数)在线数据最近考虑.
2在学术研究的情况下,网上的价格被用于研究范围方消费者价格指数(消费者价格指数)在线数据最近考虑.
2在学术研究的情况下,网上的价格被用于研究范围方消费者价格指数(消费者价格指数)在线数据最近考虑.
2在学术研究的情况下,网上的价格被用于研究范围广泛的议题,包括价格竞争,市场细分,价格粘性,国际相对价格和实际汇率的动态.

3广泛的议题,包括价格竞争,市场细分,价格粘性,国际相对价格和实际汇率的动态.

3尽管他们不断增长的吸引力,对网上的价格开放的基本问题是他们是否类似于在实体店价格.
现在的问题是很重要的,因为相对较少的零售网上交易发生.
事实上,根据*斯隆管理学院,麻省理工学院,77马萨诸塞大道,剑桥,MA,02139,和NBER(电子邮件:acavallo@mit.
edu).
本研究经费由麻省理工学院斯隆管理*斯隆管理学院,麻省理工学院,77马萨诸塞大道,剑桥,MA,02139,和NBER(电子邮件:acavallo@mit.
edu).
本研究经费由麻省理工学院斯隆管理学院和数字化的国家经济研究局的经济和版权倡议JFRAP提供.
我大大好处网络特德从在NBER/CIRW,麻省理工学院斯隆,渥太华小组会议和裁判与会人员的意见,并在集团的消费物价指数的联合国欧洲经济委员会/国际劳工组织会议的专家.
我感谢玛丽亚·法齐佐拉里她出色的工作,执行和协调所有的数据收集.

我还要感谢的是收集了一些麻省理工学院和卫斯理大学的学生邻ffl第INE价格:周慧敏兮,莫里齐奥·博诺,锡沃·沃,笛卡尔荷兰,萨布里纳·卢伊,徐尹,霍莉·茨,肖恩·宾厄姆,伊丽莎白·克劳默,JEFF雷伊·汉,威廉·罗德里格斯,温克辛·汉,杰克·阿米尔诺,艾维·吉,低哑莫,坎·吉,赖利·奎恩,妍公园,正海·乔伊,克西亚克西·沃,AaroshiSahgal,以赛亚Udotong,朱利奥·卡波利诺,丹娘·巴克希,阿利森·达文索,格伦·普利多和贝利·特里戈宁.
伴随着纸,以及数据和复制的材料的,可在作者的网页上找到.
作者宣称,他有涉及到本文所描述的研究没有相关的材料或财务利益.

1见卡瓦略(2013年)和卡瓦略和Rigobon(2016).
1见卡瓦略(2013年)和卡瓦略和Rigobon(2016).
2见霍里根(2013),GRI的FFIOEN,德汉和Willenborg(2014),博彻(2015),布雷顿等人.
(2015),Krsinich(2015),尼高(2015),和Kr2见霍里根(2013),GRI的FFIOEN,德汉和Willenborg(2014),博彻(2015),布雷顿等人.
(2015),Krsinich(2015),尼高(2015),和Krsinich(2016).
3见士和古尔斯比(2003年),布林约尔松,胡锦涛和西梅斯特(2011年),爱德曼(2012),卡瓦略,尼曼和Rigobon(2014),Gorodnichenko,Sh3见士和古尔斯比(2003年),布林约尔松,胡锦涛和西梅斯特(2011年),爱德曼(2012),卡瓦略,尼曼和Rigobon(2014),Gorodnichenko,Sheremirov和塔拉韦拉(2014),Simonovska(2015),阿尔瓦雷斯,里皮和乐毕昂(2016),卡瓦略(2016),和Gorodnichenko和塔拉韦拉(2016).

12是否在线和离线价格相似-阿尔贝托·卡弗洛欧睿信息咨询(2014),在网上发生在美国所有零售交易的不到10%,这估计是对其他国家甚至更低.
本文旨在通过提供网络在线大型多渠道零售商之间的第一个规模比较大,邻ffl第INE价格来回答这个问题.
阿根廷,澳大利亚,巴西,加拿大,中国,德国:使用众包平台,手机应用程序和Web刮相结合的方法,我同时在10个国家收集的价格在网上和最大的零售商56ffl第INE同时存储,日本,南非,英国和美国.
这些数据被用于价格水平,价格变动行为,和产品选择在邻ffl第INE和在线商店进行比较.
我记录的国家,部门,和零售商的异质性和测试是否网上的价格通过IP地址位置或持久性浏览习惯的不同而不同.
结果对国家统计局和使用在线数据影响的研究人员,以及那些有兴趣在零售价格互联网的电子FF等.
数据收集FFORT,随着BPP的一部分进行的,是在范围和大小前所未有的.
我第一个选择专注于前20强企业,通过市场份额在每个国家抽样的零售商,出售包括在线和邻ffl第INE("多通道"),并可以在整个样本相匹配的是使用的产品条形码.
接下来,我用众包平台,如亚马逊的MechanicalTurk,Elance,并UpWork,雇用323名工人收集邻ffl第INE数据.
每个工人被分配了一个简单的任务:扫描条形码和收集价格在特定零售商的任何实体店一组随机的10-50的产品.
在某些情况下,他们回到同一家商店多次扫描同一组的产品.
采用特殊的应用程序为Android手机开发的简化和标准化的数据收集过程,工人扫描每个产品的条形码,手动输入的价格,拍下了价格标签,然后通过电子邮件发送所有这些信息的BPP服务器,它被自动处理和清洗.
七天内收到电子邮件,刮软件使用的条码编号,以定位和收集相同产品的网上价格在零售商网站.
匹配的在线-O国家统计局ffl第集,可供下载bpp.
mit.
edu,包含超过24000种产品,38000组的意见,2014年12月和三月至2016年间采样价格.
刮软件使用的条码编号,以定位和收集相同产品的网上价格在零售商网站.
匹配的在线-O国家统计局ffl第集,可供下载bpp.
mit.
edu,包含超过24000种产品,38000组的意见,2014年12月和2016年3月间采样价格.
刮软件使用的条码编号,以定位和收集相同产品的网上价格在零售商网站.
匹配的在线-O国家统计局ffl第集,可供下载bpp.
mit.

edu,包含超过24000种产品,38000组的意见,2014年12月和2016年3月间采样价格.

主要网络nding是在线和Offl第INE价格水平是一致的时间占72%,在国家,部门和零售商水平显着的异质性.
这些百分比的范围从巴西的42%在加拿大和英国的91%.
美国是接近平均水平,69%.
在扇区级,药店和邻FFICE产品零售商具有相同的价格最低的份额,分别为38%和25%,而这些数字上升到83%,并分别用于电子产品和服装,92%的.
当有价双FFerence,网上标记会变小,与-4%的全样本的大小.
如果我包括具有相同价格的意见,网上价格迪FFerence是平均只有百分之-1.
是否在线和离线价格相似-阿尔贝托·卡弗洛3我还科幻ND该价格变化具有相似的频率和大小在网上和Offl第INE数据.
然而,发生在同一时间只有19周的我还科幻ND该价格变化具有相似的频率和大小在网上和Offl第INE数据.
然而,发生在同一时间只有19周的我还科幻ND该价格变化具有相似的频率和大小在网上和Offl第INE数据.
然而,发生在同一时间只有19周的价格变动百分比.
虽然这个比例比同时价格变动的无条件概率较高,但它表明,个别价格序列不同步.

对于网上-O国家统计局ffl第二价FFerences的原因似乎是跨零售商和国家而异.
销售往往会产生一些差异,因为只有36销售价格的百分比是整个样品的一致性.
销售有一个小型电动FFECT的汇总结果,不过,由于销售观测的数量相对较少(总数据集的11%).
同样的,ffl第INE横跨实体店价格差别往往很低.
使用的收集在同一测的数量相对较少(总数据集的11%).
同样的,ffl第INE横跨实体店价格差别往往很低.
使用的收集在同一测的数量相对较少(总数据集的11%).
同样的,ffl第INE横跨实体店价格差别往往很低.
使用的收集在同一天多个邮政编码ffl第INE价格小样本,我FIND货物的大约78%具有相同的零售商的商店内一个单一的价格.
我还科幻ND没有,可能会导致"动态定价"策略,证据在线-O国家统计局ffl第迪FFerences.
至少在美国,网上的价格不连接到网站或当刮机器人反复浏览特定商品的在长时间内同一网页的计算机的IP地址发生变化.
还有,没有证据表明在线邻ffl第INE价二FF样品都被尝试以匹配在Amazon.
com的价格,这是相同的网络价格在多通道零售商的时间约38%的驱动.
在产品选择方面,取样Offl第INE产品的76%也在线,无论是通过使用自动匹配刮擦或通过手动搜索网站上的产品说明中发现.
商品价格的比较结果可以自动匹配类似那些必须手动匹配.
还有没有证据表明零售商试图通过改变产品的identi科幻阳离子号混淆网上-O国家统计局ffl第价格比较.
尽管在网上一般的相似性和邻ffl第INE价格,同时具有跨零售商的定价行为显着的异质性.
三种主要类型企业中脱颖而出:那些具有几乎相同的在线和邻ffl第INE价格,那些有稳定的在线标记(正或负),以及那些与二FFerent价格是不能始终保持在线更高或更低.
其中的一些模式似乎是部门级的行为,而有些则是一国之内最常见的零售商.
对于使用在线数据研究的经济学家,这些结果提供的证据表明,大多数大型的多渠道零售商价格类似的在线和邻ffl第INE.
虽然使用在线数据都有优点和缺点,我在卡瓦略(2016)讨论的能力,收集价格的巨量这么便宜提供经济研究前所未有的机遇.
我的研究结果表明,这些价格是零售交易信息的有效来源,甚至包括那些发生ffl第INE.
零售商异质性,然而,意味着使用的数据相对较少的来源研究者应谨慎看待定价模式,并应控制任何取样偏差.
4是否在线和离线价格相似-阿尔贝托·卡弗洛对于国家统计局,这些结果意味着网络可以ectively作为替代数据收集技术获得出的Offl第INE相同价格êFF.
通过网络收集的价格都差不多到那些通过检查产品在实体店高得多的成本获得.
在消费物价指数的使用在线数据仍然具有挑战,如部门覆盖率有限,缺乏量数据.
然而,我的结果应该有助于减轻对价格的在线收集特殊性的关注.
为了鼓励更多的国家和零售商SPECI网络验证测试中,BPP@MIT的应用程序和方法,本文开发可公开获得的bpp.
mit.
edu.
这些测试是明智的,因为在定价行为的高度异质性.
最后,我的网络连接ndings有兴趣在零售价格互联网的电子FFECTS人的影响.
,网上价格是所有地点相同和相似的事实邻ffl第许多双FFerent邮政编码收集INE价格意味着很少有内零售商价格离散.
我也显示此明确地和相似的事实邻ffl第许多双FFerent邮政编码收集INE价格意味着很少有内零售商价格离散.
我也显示此明确地和相似的事实邻ffl第许多双FFerent邮政编码收集INE价格意味着很少有内零售商价格离散.
我也显示此明确地在第四.
B在多个邮政编码来点INEffl第数据在实践中,大多数零售商似乎无论买方的位置和产品是否在线或者在特别是Offl第INE店出售单个价格大部分产品.
这种相似性表明,虽然在网络没有减少价格分散横跨二FFerent零售商,通过贝叶斯等人调查了大量文献如记录.
(2006),其创建的激励科幻RMS在自己的门店相同的价格.
这类内零售商价格离散很少受到关注的文献,即使它可能有国家内部存在很大的福利含义.
本文涉及该研究.
这类内零售商价格离散很少受到关注的文献,即使它可能有国家内部存在很大的福利含义.
本文涉及该研究.
这类内零售商价格离散很少受到关注的文献,即使它可能有国家内部存在很大的福利含义.
本文涉及该研究网上价格行为的文献.
写在21世纪初,一些报纸在几个狭窄的品类商品相比,人工收集在线零售商和传统的砖和砂浆的商店的价格.
例如,布林约尔松和史密斯(2000年)相比,均只在网上和多渠道零售商的CD和书籍(在他们的符号"杂种")价格:他们报告说,网上价格下跌9-16%,而具有较小的价格变动但要注意的是,"如果我们从价格水平的比较排斥混合零售商网络ndings将得到加强.
"4他们的网络连接nding意味着在线和Offl第INE价格从价格水平的比较排斥混合零售商网络ndings将得到加强.
"4他们的网络连接nding意味着在线和Offl第INE价格从价格水平的比较排斥混合零售商网络ndings将得到加强.
"4他们的网络连接nding意味着在线和Offl第INE价格多渠道零售商是紧密联系在一起.
粘土等.
(2002)也发现了类似的价格为107种图书在网站和Barnes&Noble和边界,这与我的结果是一致的一些实体店两种.
五和边界,这与我的结果是一致的一些实体店两种.
五虽然最近的在线和邻ffl第INE价格比较已经扩大到包括多个类别,但仅限于小特设样品在几家商店.
实例包括卡瓦洛,尼曼和Rigobon(2014),Borraz等.
(2015),卡瓦洛,尼曼和Rigobon(2015),和卡瓦洛(2016).
文学的独立分支,从"shopbots,"或价格比较网站,这是比较容易收集利用网上的价格.
实例包括布林约尔松和Smith4布林约尔松和史密斯(2000年),572页脚注28.
4布林约尔松和史密斯(2000年),572页脚注28.
五对于本文献的其他文件,看到贝利(1998),唐,兴(2001),克莱蒙斯,汉娜和伊特(2002),和兴,阳和汤(2006).

五对于本文献的其他文件,看到贝利(1998),唐,兴(2001),克莱蒙斯,汉娜和伊特(2002),和兴,阳和汤(2006).

是否在线和离线价格相似-阿尔贝托·卡弗洛五(2001),布林约尔松,迪克和Smith(2009),Ellison和埃利森(2009年一个),埃里森和埃利森(2009年(2001),布林约尔松,迪克和Smith(2009),Ellison和埃利森(2009年一个),埃里森和埃利森(2009年(2001),布林约尔松,迪克和Smith(2009),Ellison和埃利森(2009年一个),埃里森和埃利森(2009年b)中,Lunnemann和Wintr(2011年),Gorodnichenko,Sheremirov和塔拉韦拉(2014),和Gorodnichenkb)中,Lunnemann和Wintr(2011年),Gorodnichenko,Sheremirov和塔拉韦拉(2014),和Gorodnichenko和塔拉韦拉(2016).
虽然这些文件没有直接比较与邻ffl第INE数据的价格,他们的研究结果表明,网上的价格变化更频繁和更小的尺寸比同类科幻ndings在论文与邻国家统计局ffl第CPI价格.
我的网络连接ndings迪FFerence很可能对参与价格比较网站的零售商造成他们的焦点.
埃利森和埃利森(2009年一个)讨论,这样零售商面临ce很可能对参与价格比较网站的零售商造成他们的焦点.
埃利森和埃利森(2009年一个)讨论,这样零售商面临ce很可能对参与价格比较网站的零售商造成他们的焦点.
埃利森和埃利森(2009年一个)讨论,这样零售商面临一个独特的竞争环境,可以显着地一个FFECT他们的定价行为.
I.
同时在线-O国家统计局ffl第收集数据A.
多渠道零售商网上价格取决于零售商的类型,如在线市场,其中个别卖家设定的价格(如易趣),唯一的网上零售商(如亚马逊),以及在线和零售商ffl第INE派驻(例如,百思买).
在本文中,我注重的是销售包括在线和Offl第INE大,多渠道零售商的价格.
这些零售商占了几乎所有的零售交易,使得他们的价格数据的最重要来源,需要"代表"的数据(如通货膨胀测量)的应用.
尽管它们的重要性,网上的价格从这些零售商已经收到在学术文献中至少关注,因为缺乏数据.
此外,如布林约尔松,胡锦涛和拉赫曼(2013)指出,技术已经模糊了物理和在线零售之间的区别,B.
零售商的选择表1显示了包括数据收集在零售商的名字.
它们满足三个条件.
首先,他们是前20名零售商中,市场份额,在各自的国家.
从欧睿国际的护照零售业全球排名获得的排名信息.
这种情况有助于确保零售行业的代表性样本.

其次,他们既卖网上通过国家SPECI网络网站和实体店ffl第INE.
大多数大型零售商满足这个条件.
第三,它必须能够在线和同零售商相同的产品邻ffl第INE版本匹配.
在实践中,这意味着该产品ID收集ffl第INE可用于网络连接ND上相应的零售商网站的产物.
下收集物理存储ffl第INE价格收集价格ffl第INE通常是一个昂贵和复杂的过程.
国家统计局依靠许多训练有素的数据收集到做是正确的.

不幸,6是否在线和离线价格相似-阿尔贝托·卡弗洛表1-包括零售商国家包括零售商阿根廷家乐福,科托,简单,Sodimac,沃尔玛(Walmart)澳大利亚科尔斯,硕士,目标,WOOLWORTHS巴西RAIA的Droga,额外的,杂志路易莎,报德AZUCAR,伦纳加拿大加拿大轮胎,家得宝,源,玩具反斗城,沃尔玛(Walmart)中国欧尚驱动器,山姆会员店德国拥有GaleriaKaufhof,奥比,房地产,雷韦,土星日本BIC相机,K的电气,劳森,山田南非点击次数,难化学药剂,普莱斯,匹克薪酬,沃尔沃斯英国阿斯达,马莎百货,森斯玻利,乐购美国沃尔玛,塔吉特,西夫韦,停止用品,百思买,家得宝,劳氏,CVS,梅西的,香蕉共和国,永远21,GAP,耐克,城市走出科幻tters,老海军,史泰博,O-FFICe最大值/车厂.
笔记:这些零售商满足三个条件.
首先,他们在排名前20位的零售商名单,通过市场占有率,在各自国家根据EuromonitorInternational的.
其次,他们既卖网笔记:这些零售商满足三个条件.
首先,他们在排名前20位的零售商名单,通过市场占有率,在各自国家根据EuromonitorInternational的.
其次,他们既卖网上通过国家SPECI网络网站和实体店ffl第INE.
三,网上和Offl第INE产品可以完美匹配的价格比较.
请参阅附录中更详细的特征和结果.

由国家统计局对CPI的目的收集的微观数据不能用于我的比较,因为零售商和产品细节CON网络dential.
由于缺乏预算,传统的数据收藏EFFORT,我找了利用新技术的替代品.
我特别依赖于流行的众包平台,如亚马逊的MechanicalTurk,Elance,并UpWork,到FIND人愿意做简单的数据采集任务.
为了最大限度地减少数据输入错误的机会,我开发了一个定制的手机应用程序,简化的编数据收集过程.
众包平台具有许多优点.
首先,他们让我雇佣了大量工人,达到每个国家内多个地点和城市.
其次,有足够的工人来限制个人的价格,每有收集的数量,从而减轻了工人的负担,并减少零售商的'展示厅'的担忧.
展示厅是用来形容前往实体店只检查一个产品,然后后来从另一家商店购买在线它的实践的术语.
如果零售商看到使用移动应用程序来扫描产品的条形码或花费太多时间的数据采集器在商店,他们可能会怀疑展示厅,并要求离开.
6太多时间的数据采集器在商店,他们可能会怀疑展示厅,并要求离开.
6任务的两个主要版本被张贴在众包网站.
在最简单的情况下,工人必须使用移动应用程序,我提供扫描106我试图在2011年进行了类似的大规模,邻ffl第INE数据收集与麻省理工学院的学生在波士顿地区,但大多被要求停止,离开了商店.
收集出现这样的数据6我试图在2011年进行了类似的大规模,邻ffl第INE数据收集与麻省理工学院的学生在波士顿地区,但大多被要求停止,离开了商店.
收集出现这样的数据现在更容易,更多的人使用内部存储的智能手机.
事实上,菲茨杰拉德(2013)报告说,恐惧展示厅已经褪色了许多美国零售商.
为展示厅的做法的经济分析见维文,Sundaresan和张(2013年).
是否在线和离线价格相似-阿尔贝托·卡弗洛750种随机ffl第INE产品在任何实体店,以及一些基本的指令来分散数据采集跨商品类别.
这提供了大部分,我用它来跨越样的价格水平进行比较的数据.
任务的一个更复杂的版本所需的工人每周回到同一家商店一整月,并扫描相同的项目.
这给了我,我用它来研究第三节价格变动价格的面板.
图1.
从BPP@MIT应用屏幕截图Android手机移动应用,被称为BPP@MIT,是定制的Android手机,以简化和标准化的数据收集,它是可供下载在谷歌Play商店.
7下载应用程序后,工人们则用它来进入每次逛商店时间产品记录.
在每家商店,他们点击一个按钮,lay商店.
7下载应用程序后,工人们则用它来进入每次逛商店时间产品记录.
在每家商店,他们点击一个按钮,lay商店.
7下载应用程序后,工人们则用它来进入每次逛商店时间产品记录.
在每家商店,他们点击一个按钮,打开一个新的文件中.
对于第一个产品,他们进入商店的名字,邮政编码和国家.
然后,他们扫描产品的UPC条码(或价格标签条形码,这取决于零售商的说明),手动输入的价格标签显示的价格未来的产品(包括显示的所有销售),其标注的价格为"常规的"或'卖',以及照片的价格标签(其可用于检测错误和验证数据).
为了简化和加快数据录入,所有产品均在一个循环扫描.
便可完成数据录入会话,工人水龙头到的数据通过电子邮件发送给服务器BPP图标.
该BPP队VERI音响ES提交的数据中的一员,并支付给工人.
每隔几个小时,在BPP服务器自动处理,清洁,且每个零售商巩固传入ffl第INE科幻LES的数据.
然后Offl第INE条形码信息被用来收集来自零售商的网站上在线价格,在下一节描述.

7见https://play.
google.
com/store/apps/detailsid=com.
mit.
bpp.
该应用程序可免费下载,但"项目代码"必须从BPP队请求.
该代码被用来从二FFerent项7见https://play.
google.
com/store/apps/detailsid=com.
mit.
bpp.
该应用程序可免费下载,但"项目代码"必须从BPP队请求.
该代码被用来从二FFerent项目数据分开.
见http://bpp.
mit.
edu/offl第INE数据收集/了解更多详情.
8是否在线和离线价格相似-阿尔贝托·卡弗洛D.
对每个零售商的网站收集网上价格为了收集网上的价格,我建立了一个自定义的刮痧"机器人"为每个零售商.
在这些机器人的专门软件使用商品条码查询零售商的网站,然后收集网上的价格和其他产品信息.
在大多数情况下,机器人进入该获得ffl第INE到网站的搜索框中键入产品ID.
有关BPP的网上拼抢方法更普遍的详情,请参阅卡瓦略和Rigobon(2016).

网上收集到的价格是在零售商网站上的产品,包括适用于所有客户的任何销售或折扣的标价.
无论税款加到取决于显示器约定的价格在每个国家,但同样的条件下都适用的在线和Offl第INE.
例如,美国的价格包括销售,但通常显示为无税,无论在网站上和在实体店的价格标签.
在所有其他国家,销售或增值税率通常包含在这两个位置的价格.
运费不会被包含在这些网上的价格,所以我比较是张贴价格不含运费.
零售商必须迪FFerent方式为运费.
最常见的是一组运费,随着产品的销售或重量的总量变化.
一些零售商FF呃免费送货,这可能意味着他们调整自己的网上价格进行补偿.
零售商级别的结果提供了可用于确定何时出现这种情况的信息.
几乎所有的样品中的网上零售商有一个单一价格在线为每个产品,独立买方的位置.
换句话说,有人在旧金山谁购买从百思买网站上的笔记本电脑看到相同的上网电价有人访问在波士顿的站点.
唯一的例外是超市,有时会要求购房价格显示前输入自己的邮政编码或位置.
只有网络已经零售商我的样品中做到这一点.
收集数据时,我总是使用相同的邮政编码在线为这些网络已经零售商和邮政编码是,大部分的时间,从其中得到的Offl第INE价格的位置的二FFerent.
因此,可以在线和邻ffl第INE数据为这些零售商之间发生一些价格水平二FFerences.
然而,在附录中,我用一刮实验与美国最大的超市之一表明,即使零售商索要邮政编码信息往往相同价格他们的商品在大多数位置.
此外,消除这种类型的零售商对我的汇总结果的影响很小.
对于所有的基准测试结果,我允许七天内邻ffl第INE价格的收集网上的价格,我排除的销售价格.
结果是收集在同一天或包括销售价格的价格差不多,如在附录中.
E.
联机-O国家统计局ffl第匹配数据表2示出匹配的数据的主要特点.
我收集的价格在56个零售商一年多的时间,2014年12月和三月至2016年期间,共计超过24000层产品,38000的意见.
此数据集是否在线和离线价格相似-阿尔贝托·卡弗洛9和结果复制脚本可以从http://bpp.
mit.
edu下载.
表2-数据由国家(1)(2)(3)(4)(5)(6)(7)国家零售商开始结束工人邮政编码产品意见阿根廷五02/1508/15182323243699澳大利亚403/1508/15132230733797巴西五05/1503/16182614371915年加拿大五12/1407/15154526584031中国207/1503/16五6410513德国五03/1503/1692012151604日本404/1503/1672311272186南非五03/1503/16213123363212英国403/1505/15123216612094美国1712/1403/16206274789815332所有国家5612/1403/163234992413238383笔记:柱1示出了零售商的数量.
列2和图3显示的数据收集的开始和结束月.
列4和5日的报告所收集的数据和邮政编码与邻ffl第INE价格的工人人数.
第6列和笔记:柱1示出了零售商的数量.
列2和图3显示的数据收集的开始和结束月.
列4和5日的报告所收集的数据和邮政编码与邻ffl第INE价格的工人人数.
第6列和7提供的产品和价格的观察,可以与在线和ffl第INE信息相匹配的数量.
在附录中提供由零售商的详细信息.

该数据覆盖面因国家而异.
电子FFORT主要集中在美国,有17个零售商和所有观测的40%左右.
在另一个极端是中国,只有两个零售商.
我无法扩大在中国的Offl第INE数据的收集,因为大型零售商明确禁止在物理位置拍摄照片和录制的价格.
显然,展示厅是中国普遍存在,因此零售商尽量避免在他们的商店中使用手机.
由IBM在2013年进行的一项调查发现,中国人约24%承认有在他们打算在网上购买,在美国只有4%,相比实体店评估的产品.
8的产品.
8II.
价格水平表3横跨在网上的价格水平和邻ffl第INE样本进行比较.
第3列显示的是具有相同的网络和邻ffl第INE价格,上升到第二位小数意见的百分比.
相同的价格的百分比是所有集中观察和对一般国家之间72%.
在一些国家,如日本,价格近50%是相同的.

在其他国家,如加拿大和英国,超过90%的价格是相同的.
在美国,价格的69%是相同的,这是接近平均水平.
列4和5显示的价格是高于或低于网上的份额.
有条件的在价格上双FFerence,大多数国家往往有较低的网上价格,8Klena和Puleri(2013年).
8Klena和Puleri(2013年).
10是否在线和离线价格相似-阿尔贝托·卡弗洛表3国-价格水平的差异(1)(2)(3)(4)(5)(6)(7)国家零售商观察相同更高降低线上线上(百分比)在线在线标记迪FFerence(百分比)(百分比)(百分比)(百分)阿根廷五369960271331澳大利亚437977420五五1巴西五1915年421840-7-4加拿大五4031913五-50中国2513877630德国五160474423-8-2日本4218648745-13-7南非五32128569-3-1英国420949127-8-1美国171533269822-5-1所有国家5638383721118-4-1笔记:第3列显示的是具有相同的网络和邻ffl第INE价格意见的百分比.
第4栏显示的观测百分比在价格较高的在线和列5的价格是较低的在线的百分比.
列6示笔记:第3列显示的是具有相同的网络和邻ffl第INE价格意见的百分比.
第4栏显示的观测百分比在价格较高的在线和列5的价格是较低的在线的百分比.
列6示出了定义为平均价格二FFerence排除是相同的情况下,在线的标记,DE网络连接.
柱7示出了平均价格二FFerence包括相同的价格.
除了阿根廷和澳大利亚.
这三个国家具有相同价格的百分比最低,其中diFFerences关系最多,往往有异类的行为.
在阿根廷,不相同的价格往往较高网上,用3%的平均标记.
在巴西,它们是低,具有-7%的标记.
日本是一个局外人,价格是较低的在线时间45%,而-13%的平均标记.
价格二FFerences的平均尺寸是相当小的,如在第6列和7,其中的正数意味着价格较高联机.
第6列显示了在线的标记,但不包括这里的价格相同的情况下.
第7栏显示了在线迪FFerence,其中包括无价格双FFerence情况.
在线标记变小,与-4%的全样本的大小.
增加的价格是相同的,使网上-O国家统计局ffl第二价FFerence只有-1%,月平均值.
总之,这些结果表明,从多渠道零售商的网站,并且可以通过访问他们的实体店之一所得的邻ffl第INE价格收集网上的价格之间的小迪FFerence.
汇总结果,然而,隐藏在区一级重要的异质性.
表4显示了由他们卖的好类型分组零售商类似的结果.
药店和OFFICE-用品零售商具有相同价格的最低份额在线和邻ffl第INE.
邻FFICE的产品,价格有时更高,有时甚至更低的网络,没有任何清晰的模式,仿佛商店被独立管理.
药店,相反,往往有更低的价格在网上,可能是因为这些"便利"店,如CVS和沃尔格林在美国,可以收取更高的价格邻国家统计局ffl第客户.

是否在线和离线价格相似-阿尔贝托·卡弗洛11表4部门-价格水平的差异(1)(2)(3)(4)(5)(6)(7)扇形零售商观察相同更高降低线上线上(百分比)在线在线标记迪FFerence(百分比)(百分比)(百分比)(百分)餐饮10595352321531服装7253492五330家庭9787579五16-8-2药店43053381152-5-3电子产品五371283413-9-1FFICE2108925373811多重/混合181414980五15-9-2笔记:数据CLASSI网络版到零售商级别的部门.
第3列显示的是具有相同的网络和邻ffl第INE价格意见的百分比.
第4栏显示的观测百分比在价格较高的在线和笔记:数据CLASSI网络版到零售商级别的部门.
第3列显示的是具有相同的网络和邻ffl第INE价格意见的百分比.
第4栏显示的观测百分比在价格较高的在线和列5的价格是较低的在线的百分比.
列6示出了定义为平均价格二FFerence排除是相同的情况下,在线的标记,DE网络连接.
柱7示出了平均价格二FFerence,包括相同的价格.
电子和服装具有相同价格的最高份额.
对于服装,价格也基本相同,与大部分观测到的双FF的erences可能由邻ffl第INE数据收集错误来.
对于电子产品,价格较低的上网时间的13%,随着-9%的(最高此示例中)的平均标记.
图2示出了用于在每个国家非零价二FFerences直方图.
阿根廷和澳大利亚的情况下脱颖而出,因为围绕尖峰迪FFerences的5%的幅度出现.
这些尖峰在网上的价格为一些大型零售商的加价稳定造成的.
在所有其他国家,价格双FF样品都较为分散在-50%至50%的范围内.
作为中村和Steinsson(2008)指出,销售事件在一些国家频繁,而价格的幅度改变它们生成可以很大.
我做网络第二是销售价格创造更多迪FFerences之间的在线和邻ffl第INE样品,相同的网络的份额和邻ffl第INE价格出售意见仅为36%.
这对全样本结果影响不大,因为销售的数量少:9量少:9同样,限制样本只包括收集在同一天(而不是7天的窗口)的价格对主要结果的影响不大,因为价格通常不会更改一次一个多星期.
在附录中提供的详细信息.
对于一些价格水平迪FFerences的另一个潜在原因是商品9我来控制的销售能力是比较有限的,因为工人无法记录与应用ffl第INE销售,直到2015年10月,和一些刮机器人未能包括在线销售指标.
因此,可以认9我来控制的销售能力是比较有限的,因为工人无法记录与应用ffl第INE销售,直到2015年10月,和一些刮机器人未能包括在线销售指标.
因此,可以认为主要结果还是含有大量的销售,我无法控制的,如果这些意见被拆除相同价格的份额将上升显着地.

12是否在线和离线价格相似-阿尔贝托·卡弗洛图2.
非零价格水平的差异的直方图-50050区别(%)阿根廷-50050区别(%)澳大利亚-50050区别(%)巴西-50050区别(%)加拿大-50050区别(%)中国-50050区别(%)德国-50050区别(%)日本-50050区别(%)南非-50050区别(%)英国-50050区别(%)美国笔记:价格迪FFerences,不包括相同的价格.
正数表示,网上价格比邻ffl第INE价格更高.
直方图尺度在各个国家都匹配.
箱宽度为1%.

笔记:价格迪FFerences,不包括相同的价格.
正数表示,网上价格比邻ffl第INE价格更高.
直方图尺度在各个国家都匹配.
箱宽度为1%.

具有相似的时间序列的价格,但不同步.
我期待在下一节的这个直接证据,通过网上对比,邻ffl第INE变化货物具有相似的时间序列的价格,但不同步.
我期待在下一节的这个直接证据,通过网上对比,邻ffl第INE变化货物具有相似的时间序列的价格,但不同步.
我期待在下一节的这个直接证据,通过网上对比,邻ffl第INE变化货物的小样品,我有多个每周观察.
III.
价格变动本节比较的在网上的价格变化与邻ffl第INE样的行为.
价格变化在这里计算为在周t和t+1之间的价格非零日志二FFerence.
我研究的频率,规模和价格变化时机.
表5显示的在线和邻ffl第INE价格变化的频率是相似的.
在第一个两列显示的观察和价格变动的数量.
有观察比以前少的部分,因为我有货物的有限的子集很短的时间序列,只有大约10这些意见中有百分之一的价格变动.
在第3和4所报道的频率统计计算为每个单独的好第一个(如观察与价格变动的份额),然后跨国家的平均值.
柱5显示了一个双面的p值01020三十4050百分01020三十4050百分01020三十4050百分01020三十4050百分01020三十4050百分01020三十4050百分01020三十4050百分01020三十4050百分01020三十4050百分01020三十4050百分是否在线和离线价格相似-阿尔贝托·卡弗洛13表5国-价格变化频率和大小(1)(2)(3)(4)(5)(6)(7)(8)意见价钱意思意思平等是指意思平等变更频率频率测试绝对绝对测试线上ffl第INEp值尺寸尺寸p值线上ffl第INE(百分比)(百分比)阿根廷13922450.
1370.
1460.
5613.
6112.
460.
57澳大利亚759720.
0560.
0900.
0745.
7642.
620.
67巴西483850.
1670.
1380.
3610.
559.
360.
53加拿大14271200.
0770.
0680.
4831.
1121.
710.
06德国419160.
0350.
0410.
7427.
0815.
860.
26日本1071980.
0740.
0140.
0012.
108.
200.
34南非8821090.
1000.
0770.
1723.
3316.
990.
11英国429250.
0460.
0700.
2847.
6841.
780.
67美国75055630.
0520.
0460.
3323.
7821.
310.
20所有国家1436713280.
0760.
0680.
0722.
0219.
940.
10笔记:中国被排除在外,由于缺乏价格变化数据.
在第一个两列显示的观察和价格变动的数量.
在第3和4所报道的频率统计计算为每个单独的好意见与价格变笔记:中国被排除在外,由于缺乏价格变化数据.
在第一个两列显示的观察和价格变动的数量.
在第3和4所报道的频率统计计算为每个单独的好意见与价格变化的共享,然后在不同国家的平均值.
柱5示出了双侧t检验与相等的平均频率在网上一个零假设和邻ffl第INE样品的p值.
第6列和7日的报告价格变动的平均绝对大小.
塔8是一个双面平等在网上和t检验ffl第INE装置的p值.
t检验相等的平均频率在网上一个零假设和邻ffl第INE样品.
我只能在澳大利亚和日本的情况下,拒绝一些置信平等空.
虽然全样本结果显示网上有稍微变化频繁,这完全是由来自日本的数据驱动.
除了相似的频率,在网上和邻ffl第INE价格变动往往具有相似的尺寸,如图列6和7,在这里我报告价格变动的平均绝对大小.
塔8又是一个双面平等在网上和t检验ffl第INE装置的p值.
零假设在加拿大只,其中网上的价格变化似乎是更大的被拒绝.
在所有其他国家,迪FFerence在统计上不显着的.
相似的频率和尺寸并不意味着价格变化是完全同步的,如表6所示,其重点是变化的定时.
价格的变化可以在网上出现,邻ffl第INE,或在这两个位置.
第3列报告的价格变化对发生的包括在线和Offl第INE同时给定产品,我指的是同步的百分比.
的1328个价格变动只有19%可以跨越网络同步和邻ffl第INE样本.
虽然这个百分比大于在第4列(使用无条件频率和假设独立性)中所示的同时价格变化的无条件概率越高,这些价格系列还远未完美同步.
总的来说,这些结果表明,在线与邻ffl第INE价格序列的行为类似,但并不完全同步.
在一篇相关的论文,卡瓦略和Rigobon(2016),我们科幻ND的证据表明,网上的价格通货膨胀趋向于预测ffl第INECPI通货膨胀.
更快的调整,震荡可以解释为什么网上价格14是否在线和离线价格相似-阿尔贝托·卡弗洛表6-同步价格变动(1)(2)(3)(4)观察价格变动同步无条件价格变动可能性(百分)(百分)阿根廷1392245352.
0澳大利亚75972220.
5巴西48385182.
3加拿大1427120320.
5德国41916310.
1日本10719810.
1南非882109150.
8英国42925440.
3美国7505563110.
2所有国家143671328190.
5笔记:中国被排除在外,由于缺乏价格变化数据.
第3列报告的价格变化对发生的包括在线和Offl第INE同时给定产品,我指的是同步的百分比.
在第4栏第一笔记:中国被排除在外,由于缺乏价格变化数据.
第3列报告的价格变化对发生的包括在线和Offl第INE同时给定产品,我指的是同步的百分比.
在第4栏第一个同步价格变化的无条件概率由表5中的价格变动频率相乘而获得.
更改不会与邻ffl第INE变化同步.
不幸的是,有限的面板数据可用至今不允许我明确地在本文测试这个假设.

IV.
对于在线-O国家统计局ffl第迪FFerences其他原因在本节中,我认为在线和Offl第INE价格,需要一种特殊的数据收集éFFORT之间的双FFerences其他三个可能的原因:基于IP地址或持久性浏览习惯,多个Offl第INE价格在二FFerent实体店,并尝试不同的网上价格在Amazon.
com匹配的价格.
A.
IP地址定位和持久性浏览报告显示,被用于在线购买根据消费者或与计算机的IP地址相关联的位置的浏览习惯,一些零售商改变网上的价格.
参见,例如,华伦天奴-DeVries医师,歌手-葡萄和Soltani(2012)和Mikians等.
(2012),和Mikians等.
(2013年).
10.
如果这些定价行为是常见的我的样品中的多渠道零售商,他们可以帮助解释一些的价格水s等.
(2013年).
10.
如果这些定价行为是常见的我的样品中的多渠道零售商,他们可以帮助解释一些的价格水s等.
(2013年).
10.
如果这些定价行为是常见的我的样品中的多渠道零售商,他们可以帮助解释一些的价格水平迪FFerences的10希勒(2014)采用网FLIX数据研究是否可使用网络浏览数据网络rstdegree网上价格歧视的潜在好处音响TS10希勒(2014)采用网FLIX数据研究是否可使用网络浏览数据网络rstdegree网上价格歧视的潜在好处音响TS是否在线和离线价格相似-阿尔贝托·卡弗洛15在线和Offl第INE数据.
为了测试是否价格与浏览习惯或IP地址不同,我跑了两个实验与美国零售商刮机器人的特殊版本.
在第一个实验中测试是否价格改变基于与计算机采集数据的IP地址相关联的邮政编码.
IP地址为连接到网络的计算机唯一数字identi网络ERS.
它们是由互联网服务提供商分配并具有相关的地理位置是公共信息.
例如,麻省理工学院的校园IP地址范围从18.
0.
0.
0到18.
255.
255.
255,并在地理上连接到位于马萨诸塞州剑桥的02139邮政编码.
原则上,零售商可以检测消费者访问某个网站的IP地址,并自动改变显示的价格基于其地理位置信息.
为了测试,如果发生这种情况,我随机选择的网络连接已经从每10个美国零售商的产品和刮他们的价格12倍的连续循环.
在每个循环,11我没有科幻次这种类型的价格歧视的任何证据.
在所有情况下,价格分别为给定的产品一循环.
在每个循环,11我没有科幻次这种类型的价格歧视的任何证据.
在所有情况下,价格分别为给定的产品一循环.
在每个循环,11我没有科幻次这种类型的价格歧视的任何证据.
在所有情况下,价格分别为给定的产品一样,无论是用于连接到零售商的网站是什么IP地址.
第二个实验的目的是验证是否与特定产品的网页频繁访问可能导致零售商改变显示的价格.
在这种情况下,我在每个零售商每5一整天分钟刮下的单品.
再次,没有基于persistentbrowsing习惯价格歧视的证据:价格总是相同的.
虽然这些形式的在线价格歧视的可能是在其他行业是重要的(例如,航空公司和酒店),我的研究结果表明,他们中不常见的美国大的多渠道零售商使用.
一个可能的原因是,零售商可能会害怕对抗他们的客户,如果这些策略的报告是在媒体,在2000年发生了著名的亚马逊的定价试验,成为宣传.

12策略的报告是在媒体,在2000年发生了著名的亚马逊的定价试验,成为宣传.

12B.
ffl第INE价格离散大多数零售商有一个单一价格线上,无论买方的位置,所以第二个潜在原因在线-O国家统计局ffl第迪FFere大多数零售商有一个单一价格线上,无论买方的位置,所以第二个潜在原因在线-O国家统计局ffl第迪FFere大多数零售商有一个单一价格线上,无论买方的位置,所以第二个潜在原因在线-O国家统计局ffl第迪FFerences的可能是整个实体店价格迪FFerences.
11代理服务器是充当网络中的其它两台计算机之间通信的中介的计算机;在这种情况下,代理是机器之间,其中刮软件运行和托管零售商的网站服务器.
从11代理服务器是充当网络中的其它两台计算机之间通信的中介的计算机;在这种情况下,代理是机器之间,其中刮软件运行和托管零售商的网站服务器.
从零售商的网站的角度来看,请求从代理服务器相关的IP地址来了.
12对于最新的例子见美国有线电视新闻网(2000年)和瓦伦蒂诺-DeVries医师,歌手藤和Soltani(2012).
这似乎是比价格歧视比较常见的一种定价策略12对于最新的例子见美国有线电视新闻网(2000年)和瓦伦蒂诺-DeVries医师,歌手藤和Soltani(2012).
这似乎是比价格歧视比较常见的一种定价策略称为转向,其中零售商改变显示基于其位置或浏览特色商品的客户的订单或排名.
参见,例如,Mattioli的(2012).

16是否在线和离线价格相似-阿尔贝托·卡弗洛为了测试的电子FFECTSffl第INE价格离散,我使用的产品的一小部分,对此我有国家统计局ffl第的价格为了测试的电子FFECTSffl第INE价格离散,我使用的产品的一小部分,对此我有国家统计局ffl第的价格为了测试的电子FFECTSffl第INE价格离散,我使用的产品的一小部分,对此我有国家统计局ffl第的价格,为收集在同一天多次邮政编码.
这些数据包括九个零售商406个观测和美国46和邮政编码.
表7示出了用于在线邻ffl第INE比较,限于此多邮政编码数据集的结果.
表7-在线离线价格水平多个邮政编码差异(1)(2)(3)(4)(5)(6)(7)国家零售商观察相同更高降低线上线上(百分比)在线在线标记迪FFerence(百分比)(百分比)(百分比)(百分)美国9406601129-4-2迪FFerentffl第INE785351648-5-3相同的INEffl第831667924-3-1笔记:第3列显示的是具有相同的网络和邻ffl第INE价格意见的百分比.
第4列表示意见的百分比,其价格较高的在线和第5栏较低网上的价格的百分比.
列6示笔记:第3列显示的是具有相同的网络和邻ffl第INE价格意见的百分比.
第4列表示意见的百分比,其价格较高的在线和第5栏较低网上的价格的百分比.
列6示出了定义为平均价格二FFerence排除是相同的情况下,在线的标记,DE网络连接.
柱7示出了平均价格二FFerence包括相同的价格.
有几件事情,这里要注意.
第一,尽管小的样本大小,大致相同的共享相同的在线邻ffl第INE价格的发生是由于在本文的表3中,与价格的60%是相同的在线和邻ffl第INE.
其次,正如所料,跨邮政编码有双FFerentffl第INE的商品价格往往具有相同的在线-Offl第INE的价格低得多的概率;它发生的时间大约35%.
第三,仅仅关注产品时,与同ffl第INE价格随处可见,标记相同的ffl第INE,相同onlineoffl第INE价格的比例上升,从60%到67%.
ffl第INE价格离散可以创建在线-O国家统计局ffl第二价FFerences.
然而,影响是有限的,因为没有很多的Offl第INE分散最初.
实际上,采样产品约78%的具有相同的零售商内二FFerent物理存储相同的价格,如图柱2,扇区结果范围从药店66%到电子96%,而在online-部门二FFerences一致ffl第INE第二节比较.
13在附录中2,扇区结果范围从药店66%到电子96%,而在online-部门二FFerences一致ffl第INE第二节比较.
13在附录中2,扇区结果范围从药店66%到电子96%,而在online-部门二FFerences一致ffl第INE第二节比较.
13在附录中,我进一步的研究表明,明确要求购房者在网上输入自己的邮政编码的大型多通道超市也往往横跨位置限制价格离散量.
总的来说,这些结果加强网络nding这个价格色散低的多渠道零售商中包括在线和Offl第INE价格.
一些读者,缺乏ffl第INE价格离散的可能似乎是在与使用扫描仪的数据和文件在物理存储显着的价格迪FFerences越来越多的研究赔率.
对于最近的一个例子,看到卡普兰和13参见更多细节和结果的附录从一个更大的数据集,包括国家统计局ffl第观察对于没有网上的价格是可用的.

13参见更多细节和结果的附录从一个更大的数据集,包括国家统计局ffl第观察对于没有网上的价格是可用的.

是否在线和离线价格相似-阿尔贝托·卡弗洛17Menzio(2015年).
有很多原因可以解释的结果之间的明显迪FFerences.
首先,在这些文献多篇论文比较来自迪FFerent零售商的数据,从而使中-零售价格离散与混合之间-零售价格离散.
我的成绩只关注价格迪FFere自迪FFerent零售商的数据,从而使中-零售价格离散与混合之间-零售价格离散.
我的成绩只关注价格迪FFere自迪FFerent零售商的数据,从而使中-零售价格离散与混合之间-零售价格离散.
我的成绩只关注价格迪FFere自迪FFerent零售商的数据,从而使中-零售价格离散与混合之间-零售价格离散.
我的成绩只关注价格迪FFere自迪FFerent零售商的数据,从而使中-零售价格离散与混合之间-零售价格离散.
我的成绩只关注价格迪FFerences中零售商.
其次,在扫描仪的数据集的价格通常是每周平均值.
正如我在卡瓦略(2016)讨论,这可能会nces中零售商.
其次,在扫描仪的数据集的价格通常是每周平均值.
正如我在卡瓦略(2016)讨论,这可能会nces中零售商.
其次,在扫描仪的数据集的价格通常是每周平均值.
正如我在卡瓦略(2016)讨论,这可能会导致某些应用程序显着的测量误差.
例如,考虑在两家店有相同的价格不错,价格变化上周三,在每家商店中的事务.
如果一个商店出售在星期一好,另一个在周五,每周的价格会显得迪FFerent的时候,其实每天的价格是相同的.
同样,一些扫描仪的数据集往往具有单位价值,而不是价格.
这些计算为销售所售数量的比例,因此可以通过发生在二FFerent价格使用优惠券的数量或交易的份额ected一个FF.
当然,为了某些目的是有意义的包括优惠券或交易权是由消费者实际支付,但所造成的消费券价格离散不应导致我们FFECT的价格相信,同样的商品价格是跨相同的店铺显示为不同的价格零售商.
三,价格差别往往是一个月或一个季度内测量,因此在很多观察到的价格迪FFerence是由同一个善于迪FFerent次被收购引起的.
最后,大多数扫描仪数据集包含食品和相关产品的价格.
这也是我第二科幻更多的网上-O国家统计局ffl第价格离散,以及整个实体店ffl第INE价格迪FFerences部门.
三,价格差别往往是一个月或一个季度内测量,因此在很多观察到的价格迪FFerence是由同一个善于迪FFerent次被收购引起的.
最后,大多数扫描仪数据集包含食品和相关产品的价格.
这也是我第二科幻更多的网上-O国家统计局ffl第价格离散,以及整个实体店ffl第INE价格迪FFerences部门.
三,价格差别往往是一个月或一个季度内测量,因此在很多观察到的价格迪FFerence是由同一个善于迪FFerent次被收购引起的.
最后,大多数扫描仪数据集包含食品和相关产品的价格.
这也是我第二科幻更多的网上-O国家统计局ffl第价格离散,以及整个实体店ffl第INE价格迪FFerences部门.
C.
亚马逊定价在网上和Offl第INE价格第三个可能的原因是双FFerences是多渠道零售商可以匹配那些只在网上零售商,如Amazon.
com对自己在网上的价格.
通过这样做,他们创造在零售商的实体店和他们的网站的价格之间的楔子.

为了测试这种可能性,我创建了一个包含三个价格为每个产品一个特殊的数据集:在多渠道零售商的Offl第INE价格,网上的价格在同零售商,并在Amazon.
com的价格.
匹配的数据包含来自455级的产品和8的多通道零售商1361点意见:最佳购买,CVS,沃尔玛,目标,洛斯,梅西,O-FFICEMax和U形钉.
亚马逊的价格在这里被认为对应于标示为那些产品"Amazon.
com销售.
"为了与本文的其余部分保持一致,我专注于在七天之内,不包括销售价格收集.
附录提供了这些数据是如何收集更多的细节和结果的产品销售或由第三方卖家出售.

图3分别比较了这两个亚马逊的价格ffl第INE和线上图3分别比较了这两个亚马逊的价格ffl第INE和线上图3分别比较了这两个亚马逊的价格ffl第INE和线上图3分别比较了这两个亚马逊的价格ffl第INE和线上价格从多通道音响有效值.
价格的很大比例是相同的在这两种情况下,这是奇怪,因为这比整个二FFerent零售商的价格.
正如预期的那样,亚马逊的价格更接近网上的价格.
他们是相同的网上价格的时间大约为38%,平均价格18是否在线和离线价格相似-阿尔贝托·卡弗洛迪FFerence为-5个百分点.
亚马逊邻ffl第INE比较相同估计是31%和-6%的,分别.
图3.
价格差异与Amazon.
com(仅限美国)-100-50050100价格差(%)亚马逊与离线亚马逊与在线笔记:在Amazon.
com价格价格迪FFerences,相对于ffl第INE和线上价格从455个产品和八个多渠道零售商1361点的观测获得多渠道零售商百思买,CVS笔记:在Amazon.
com价格价格迪FFerences,相对于ffl第INE和线上价格从455个产品和八个多渠道零售商1361点的观测获得多渠道零售商百思买,CVS笔记:在Amazon.
com价格价格迪FFerences,相对于ffl第INE和线上价格从455个产品和八个多渠道零售商1361点的观测获得多渠道零售商百思买,CVS笔记:在Amazon.
com价格价格迪FFerences,相对于ffl第INE和线上价格从455个产品和八个多渠道零售商1361点的观测获得多渠道零售商百思买,CVS笔记:在Amazon.
com价格价格迪FFerences,相对于ffl第INE和线上价格从455个产品和八个多渠道零售商1361点的观测获得多渠道零售商百思买,CVS笔记:在Amazon.
com价格价格迪FFerences,相对于ffl第INE和线上价格从455个产品和八个多渠道零售商1361点的观测获得多渠道零售商百思买,CVS,沃尔玛,塔吉特,洛斯,梅西,O-FFICEMax和斯台普斯.
负数表示亚马逊是便宜.
结果标记为"通过Amazon.
com销售"的产品在这里显示,与七天内,不包括销售价格收集.
附录显示了更多的细节和结果的产品销售或由第三方卖家在亚马逊的市场销售.

这一发现并不意味着多渠道零售商进行网上和邻ffl第INE价格迪FFerent,以满足他们在网上的价格与亚马逊.
事实上,如表8所示,具有相同的上网电价与亚马逊的条件概率大约是商品具有相同的在线-Offl第INE价格一样,因为它是为那些有一些在线-Offl第INE价格迪FFerences.
相同的结论可以通过在一个相同的亚马逊网上价格运行的相同线上邻ffl第INE价格的一个简单的概率回归来获得.
有这两个变量之间没有统计学显着的关系.
唯一的迹象表明,亚马逊的价格无论对在线-Offl第INE价格迪FFerences列6和7,这表明,与亚马逊的价格迪FFerence是不属于多渠道零售商中相同的货,小发现.
01020三十40百分比是否在线和离线价格相似-阿尔贝托·卡弗洛19表8-亚马逊-在线价格水平的差异(1)(2)(3)(4)(5)(6)(7)零售商观察相同更高降低亚马逊亚马逊(百分比)亚马逊亚马逊标记狄FFerence(百分比)(百分比)(百分比)(百分)所有意见81049381447-9-5同在-OFF8801381151-10-6迪FFerent在-OFF8248382537-3-2笔记:有312个观察与亚马逊的价格,无论是在线或offl第INE价格,但不能同时,让他们从这些结果中排除.
第3列显示具有相同亚马逊和网上的价格在多渠道笔记:有312个观察与亚马逊的价格,无论是在线或offl第INE价格,但不能同时,让他们从这些结果中排除.
第3列显示具有相同亚马逊和网上的价格在多渠道零售商的意见的百分比.
第4栏显示的价格是在亚马逊和列5的价格是较低的亚马逊,相对于网上的价格的百分比较高的百分比.
列6示出了定义为平均价格二FFerence排除是相同的情况下,亚马逊标记,DE网络连接.
柱7示出了平均价格二FFerence包括相同的价格.
五,产品选型在前面的章节在线与邻ffl第INE价格之间的相似性将有双FFerent影响,如果大部分商品销往ffl第INE没有在网上提供.
因此,我现在估计整个样本的产品选择,定义为的是也可在网上ffl第INE产品份额德科幻的"重叠".

14原则上,我可以通过为其刮软件中的数据的在线应用程序使用Offl第INE条形码收到的63%.
这个数字的问题,然而,就是自动匹配过程可能会失败的原因有很多:工人可以扫描条形码错误,应用程序可能无法正确读取条形码,或者在检查网站上的拼抢机器人可能会失败.
为了更好地估计重叠时,BPP团队手工检查多少邻ffl第INE产品也被网上找到的每零售商100-200观察样品并使用提交的所有工作人员的信息,包括产品说明,这是可读价格标签的照片.
表9报告结果,按国家分组.
正如预期的那样,考虑到庞大的产品品种在这些网站上,商品的很大一部分出的Offl第INE也可以在网上找到.
平均而言,在实体店也是随机抽取的所有产品76%的零售商的网站被发现.
有国家之间的重要迪FFerences,尽管他们似乎是无关的前面部分的网络ndings.
中国和德国有最低的重叠,以及澳大利亚,巴西和英国有最高的.
在美国,邻ffl第INE产品的81%也都在网上找到.
此外,无论是自动和手动匹配产品生产线上和邻ffl第INE价格水平的比较类似的结果,如附录所示.
14需要注意的是,考虑到数据的特点,我可以估计有多少ffl第INE产品也是网上销售,而不是周围的其他方式.
在一些零售商,网上商品的选择可以比在单14需要注意的是,考虑到数据的特点,我可以估计有多少ffl第INE产品也是网上销售,而不是周围的其他方式.
在一些零售商,网上商品的选择可以比在单一实体店更大,因为网上销售可以从大型集中式仓库发货.
对于最近的福利的讨论FF的在线ECT和邻ffl第INE产品品种见泉和R.
(2014).

20是否在线和离线价格相似-阿尔贝托·卡弗洛表9-零售商-产品选择重叠(1)(2)(3)(4)国家样品发现发现总自动手动重叠(百分)阿根廷5002945273澳大利亚5004353695巴西4003311286加拿大50027913285中国10050353德国4001782352日本5003296174南非5003326076英国5003735986美国1600100331681所有国家5500360475476笔记:该BPP队随机抽取每个零售商100-200ffl第INE价格和手动搜索相同产品在相应的网站.
列2显示的是由用于构建在纸张上的数据集相匹配的自动过程的笔记:该BPP队随机抽取每个零售商100-200ffl第INE价格和手动搜索相同产品在相应的网站.
列2显示的是由用于构建在纸张上的数据集相匹配的自动过程的在线发现,产品数量.
第3列显示的是由自动化的过程,但错过了通过手动检查网站在网上找到的产品数量.
列4示出了在产品选择所估计的总的重叠.
只有在每个国家的零售商的一个子集也包括在内.
这些数字是重叠下限估计,因为我们的一些人工检查的发生几天收集原稿Offl第INE数据之后.
附录由零售商提供的结果.
这一发现排除了不能被自动匹配货物正是那些可能为其在线和Offl第INE价格迪FFerent.
这会发生,例如,如果零售商改变了在线ID号的货品来混淆他们的价格迪FFerences和预防比较.
有证据表明,这不是通常的情况.
VI.
零售商异质性国家一级的成果在前面的章节中隐瞒异质性的跨零售商大量在每一个国家.
每个零售商详细信息可在附录表A1,我在那里显示至少有100个观测所有的零售商价格水平变化的结果.
主要有三种类型的零售商的典型.
首先,有零售商,其在线和邻ffl第INE价格通常是相同的.
在这些情况下,零售商明确选择具有相同的网络和邻ffl第INE价格.
其次,也有一些零售商所占的比例很低相同的价格,但没有明确的网上标记.
在巴西许多零售商,例如,表现出了这种模式.
这些都是在网上商店将被视为另一个零售店,有时更便宜,有时甚至更贵的情况下可能.
第三,与相同价格的低份额和显着的在线标记(正或负)的零售商.

例子可以是否在线和离线价格相似-阿尔贝托·卡弗洛21在阿根廷,巴西,日本和美国被发现.
这些模式可能会重新FLECT,以弥补运输成本或价格歧视的网上消费者的愿望.
是否各种零售商可用作数据源取决于纸张或应用程序的目的.
例如,使用网上的价格在阿根廷,那里的价格的79%更高的在线零售商,是不适合的测量问题,通货膨胀如果在线标记随时间相对恒定的,但它会偏差结果比较国家间价格水平的双FFerences.
除非应用校正,在线数据将使价格在阿根廷出现比他们要高.
识别这些特殊的图案和纠正任何偏差是在报纸或使用从一个(或几个)零售商的在线数据应用尤为重要.

七.
结论本文表明,在大型的多渠道零售商,有一个从一个网站,并通过访问实体店所得的邻ffl第INE价格收集网上价格之间的小迪FFerence.
价格是大约的时间72%是相同的.
虽然这些价格变化不同步,它们具有类似的频率和大小.
与此同时,还有不同国家,行业和零售商相当大的异质性.
对于使用在线数据进行宏观和国际研究问题研究的经济学家,我的结果提供证据证明网上的价格是零售价格的代表性来源,即使大多数交易仍然O发生ffl第INE.
在更微观的层面,在行为二FFerences可以用来更好的模型定价动力和双FFerent类型在不同的部门和国家的零售商的策略.
这种高度异质性,也意味着使用的数据相对较少的源文件应谨慎看待相关的定价模式,并应控制潜在的取样偏差.
对于国家统计局考虑使用消费者价格指数网上的数据,我的结果表明,该网络可以ectively作为替代数据收集技术的多渠道零售商éFF.
特别是对于产品如电子或服装,收集在网络上的价格趋于相同,可以在实体商店中获得的一个.
网上的价格便宜收集和可高频的基础上收集,没有任何延迟.
他们还为各零售商,其中包括每个产品的许多细节和未经审查价格法术所有出售商品的信息.
当然,也有使用在线数据,包括有限的扇区覆盖和数量上缺乏信息,在卡瓦略和Rigobon(2016)讨论了许多潜在的缺点.
但是,从数据收集的角度来看,对于那些有兴趣在零售价格互联网的电子FFECT,我的网络连接ndings意味着小范围内零售商的价格分散,无论是在线和邻ffl第INE.
虽然互联网可能没有跨越零售商降低色散,它似乎已经创建22是否在线和离线价格相似-阿尔贝托·卡弗洛对于企业的激励机制,以相同的价格在其自己的物理和在线商店.
需要更多的研究来了解驱动这封FFECT机制.
一种可能性是,零售商担心拮抗客户谁现在可以轻松地通过网络或他们的手机网上比较价格.
这可能甚至是FFECT越野定价,由卡瓦略,尼曼和Rigobon(2014),谁发现的证据表明,全球网络有效值如苹果和宜家倾向于在使用同一种货币,它是平凡的消费者国家相同的价格建议跨境比较价格.