MARC

 008260203s2025        us                              c    eng  d
■001000017365908
■00520260209102853
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291567012
■035    ▼a(MiAaPQ)AAI32271874
■035    ▼a(MiAaPQ)umichrackham006428
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aO'Flaherty,  Kelsey.
■24510▼aWhy  Households  Hate  Grocery  Inflation  and  Other  Essays  in  Economic  Measurement
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a189  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  A.
■500    ▼aAdvisor:  Shapiro,  Matthew  D.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aEach  chapter  of  this  dissertation  makes  a  methodological  contribution  to  economic  measurement.  Empirical  applications  of  these  new  methods  show  the  value  of  more  granular  or  comprehensive  measures  for  challenging  long-standing  assumptions  and  raising  fundamental  questions  about  economic  behavior.Using  a  detailed  panel  of  consumer  purchases  and  matched  retail  scanner  data,  Chapter  I  uncovers  important  new  aspects  of  how  households  experience  inflation.  Inflation  varies  widely  across  households  for  a  reason  overlooked  by  aggregate  measures:  the  individual  product  choices  households  make  among  ostensibly  close  substitutes.  The  price  changes  of  different  product  varieties  became  more  widely  dispersed  when  inflation  rose  in  2021  and  2022,  and  households  frequently  failed  to  substitute  to  items  with  slower  price  growth.  A  model  of  consumption  with  idiosyncratic  preferences  rationalizes  this  behavior  and  implies  that  household-level  inflation  rates  represent  observable  bounds  on  welfare  losses.  Grocery  price  inflation  in  2022  generated  annualized  welfare  losses  ranging  from  $575  to  $1,150  in  the  10th  and  90th  percentiles  of  the  inflation  distribution.Chapter  II  develops  wage  measures  capturing  how  two  features  of  occupational  change-the  entry  and  exit  of  occupations  over  time  and  shocks  to  relative  supply  and  demand-contributed  to  workers'  effective  wage  gains  and  firms'  effective  labor  costs  from  1940-2020.  It  evaluates  these  contributions  using  a  two-sided  model  of  the  labor  market  featuring  occupational  change,  for  which  we  derive  exact  wage  indices.  These  indices  imply  increasing  occupational  variety  and  the  tendency  for  firms  and  workers  to  reallocate  labor  toward  occupations  with  lower  effective  costs  or  higher  effective  earnings  meaningfully  improved  worker  welfare  and  reduced  firms'  labor  costs.  Compared  to  baseline  real  wage  growth  of  1.03  percentage  points  annually  in  the  absence  of  occupational  change  from  1940-2020,  these  forces  raised  workers'  annualized  real  wage  growth  by  0.29  percentage  points  and  reduced  firms'  annualized  real  labor  costs  by  0.20  percentage  points.The  last  chapter  addresses  the  challenge  of  using  Big  Data  to  improve  economic  statistics  when  the  dataset  covers  only  a  non-representative  subset  of  agents.  It  tests  several  methods  for  blending  such  data  with  surveys  to  produce  unbiased  population  statistics.  Several  methods  effectively  reduce  error-including  a  "Big  Data  as  Strata"  method  which  easily  integrates  into  an  existing  survey  framework.  Results  also  highlight  a  shortcoming  of  survey  sampling  when  stratification  weights  change  rapidly,  which  Big  Data  may  be  uniquely  suited  to  identify  and  correct. 
■590    ▼aSchool  code:  0127.
■650  4▼aFinance
■653    ▼aInflation
■653    ▼aConsumption
■653    ▼aEconomic  measurement
■653    ▼aIdiosyncratic  preferences  
■653    ▼aGrocery  price  inflation
■690    ▼a0501
■690    ▼a0508
■690    ▼a1001
■690    ▼a0509
■71020▼aUniversity  of  Michigan▼bEconomics.
■7730  ▼tDissertations  Abstracts  International▼g87-03A.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365908▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books