Wykorzystanie Google Trends do modelowania stopy bezrobocia rejestrowanego w Polsce

• Autorzy: Mariusz Malinowski

Warianty tytułu

Use of Google Trends in Modelling Registered Unemployment Rate in Poland

• Języki publikacji: PL

Abstrakty

W artykule podjęto problematykę monitorowania stopy bezrobocia w Polsce. Celem przedstawionego badania jest sprawdzenie, czy dołączenie wybranych indeksów Google Trends do autoregresyjnego modelu stopy bezrobocia rejestrowanego poprawia trafność generowanych przez niego prognoz. Zastosowana metoda badania opiera się na technikach nowcastingu służących do oceny bieżącego stanu gospodarki. Dane za lata 2004-2019 zostały zaczerpnięte z publikacji GUS oraz serwisu Google Trends, który pozwala na śledzenie popularności terminów wyszukiwanych przez internautów. Porównano jakość dopasowania modelu do danych oraz błędy prognoz modelu podstawowego i modeli rozszerzonych o zmienne egzogeniczne. Artykuł przedstawia zarówno potencjał, jak i ograniczenia wykorzystywania nowego źródła danych w analizach makroekonomicznych dotyczących Polski. Na podstawie przeprowadzonej analizy można uznać, że indeksy Google, powszechnie wykorzystywane w literaturze anglojęzycznej, nie poprawiają trafności predykcji modelu autoregresyjnego. Zadowalające rezultaty uzyskiwane są tylko dla indeksów związanych z międzynarodową mobilnością siły roboczej. (abstrakt oryginalny)

EN

The paper deals with the problem of monitoring the unemployment rate in Poland. The main aim of the article is to check whether the addition of selected Google Trends indices improves the accuracy of forecasts generated by the autoregressive model of registered unemployment rate. The research method is based on nowcasting techniques which are used to assess the current state of an economy. Data for the years 2004-2019 were retrieved from publication by Statistics Poland (GUS) and Google Trends, the latter of which allows tracking the popularity of terms searched by Internet users. The study compares the goodness of fit and forecast errors of the basic model with these of models extended with exogenous variables. Both the potential and the limitations of the utilisation of a new source of data in macroeconomic analyses concerning Poland are presented in the paper. The analysis yields a conclusion that Google indexes (commonly used in the literature written in English) do not improve the accuracy of predictions of the autoregressive model. Satisfactory results are only obtained for indices related to the international mobility of the workforce. (original abstract)

Słowa kluczowe

PL

Bezrobocie; Stopa bezrobocia; Aplikacje internetowe; Prognozowanie

EN

Unemployment; Unemployment rate; Internet application; Forecasting

• Czasopismo: Wiadomości Statystyczne
• Rocznik: 2021
• Numer: nr 3
• Strony: 45-61

Twórcy

autor

Mariusz Malinowski

• Uniwersytet Warszawski

Bibliografia

• Anttonen, J. (2018). Nowcasting the Unemployment Rate in the EU with Seasonal BVAR and Google Search Data (ETLA Working Papers No. 62). http://pub.etla.fi/ETLA-Working-Papers- 62.pdf .
• Askitas, N., Zimmermann, K. F. (2009). Google Econometrics and Unemployment Forecasting. Applied Economics Quarterly, 55(2), 107-120. https://doi.org/10.3790/aeq.55.2.107 .
• Bartosik, K. (2012). Popytowe i podażowe uwarunkowania polskiego bezrobocia. Gospodarka Narodowa, 260(11-12), 25-57. https://doi.org/10.33119/GN/101003 .
• Bello-Orgaz, G., Jung, J. J., Camacho, D. (2016). Social big data: Recent achievements and new challenges. Information Fusion, 28, 45-59. https://doi.org/10.1016/j.inffus.2015.08.005 .
• Blazquez, D., Domenech, J. (2018). Big Data sources and methods for social and economic analyses. Technological Forecasting & Social Change, 130, 99-113. https://doi.org/10.1016/j.techfore.2017.07.027 .
• Buono, D., Mazzi, G. L., Kapetanios, G., Marcellino, M., Pappailias, F. (2017). Big data types for macroeconomic nowcasting. EURONA - Eurostat Review on National Accounts and Macroeconomic Indicators, (1), 93-145. https://ec.europa.eu/eurostat/cros/system/files/euronaissue1- 2017-art4.pdf .
• Choi, H., Varian, H. R. (2009). Predicting the Present with Google Trends. https://www.google.com/googleblogs/pdfs/google_predicting_the_present.pdf .
• Cox, M., Ellsworth, D. (1997). Managing Big Data for Scientific Visualization. ACM Siggraph, 97, 21-38.
• D'Amuri, F., Marcucci, J. (2012). The predictive power of Google searches in forecasting unemployment (Bank of Italy Working Papers No. 891). https://www.bancaditalia.it/pubblicazioni/temi-discussione/2012/2012- 0891/en_tema_891.pdf?language_id=1 .
• Diebold, F. X., Mariano, R. S. (2002). Comparing Predictive Accuracy. Journal of Business & Economic Statistics, 20(1), 134-144. https://doi.org/10.1198/073500102753410444 .
• Ettredge, M., Gerdes, J., Karuga, G. (2005). Using Web-based Search Data to Predict Macroeconomic Statistics. Communications of the ACM, 48(11), 87-92. https://doi.org/10.1145/1096000.1096010 .
• Giannone, D., Reichlin, L., Small, D. (2008). Nowcasting: The real-time informational content of macroeconomic data. Journal of Monetary Economics, 55(4), 665-676. https://doi.org/10.1016/j.jmoneco.2008.05.010 .
• Goel, S., Hofman, J. M., Lahaie, S., Pennock, D. M., Watts, D. J. (2010). Predicting consumer behavior with Web search. Proceedings of the National Academy of Sciences of the United States of America, 107(41), 17486-17490. https://doi.org/10.1073/pnas.1005962107 .
• Główny Urząd Statystyczny. (2018). Informacja o rozmiarach i kierunkach czasowej emigracji z Polski w latach 2004-2017. https://stat.gov.pl/download/gfx/portalinformacyjny/pl/defaultaktualnosci/5471/2/11/1/info rmacja_o_rozmiarach_i_kierunkach_czasowej_emigracji_z_polski_2004-2017.pdf .
• Główny Urząd Statystyczny. (2021). Stopa bezrobocia rejestrowanego w latach 1990-2021. https://stat.gov.pl/obszary-tematyczne/rynek-pracy/bezrobocie-rejestrowane/stopa- bezrobocia-rejestrowanego-w-latach-1990-2021,4,1.html?pdf=1 .
• Granger, C. W. J. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica, 37(3), 424-438. https://doi.org/10.2307/1912791 .
• Kapetanios, G., Papailias, F. (2018). Big Data & Macroeconomic Nowcasting: Methodological Review (ESCoE Discussion Paper 2018-12). https://escoe-website.s3.amazonaws.com/wp- content/uploads/2020/07/13161005/ESCoE-DP-2018-12.pdf .
• Laney, D. (2001). 3D Data Management: Controlling Data Volume, Velocity, and Variety. Application Delivery Strategies. http://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management- Controlling-Data-Volume-Velocity-andVariety.pdf .
• Montgomery, A. L., Zarnowitz, V., Tsay, R. S., Tiao, G. C. (1998). Forecasting the U.S. Unemployment Rate. Journal of American Statistical Association, 93(442), 478-493. https://doi.org/10.1080/01621459.1998.10473696 .
• Newey, W. K., West, K. D. (1987). A Simple, Positive Semi-Definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix. Econometrica, 55(3), 703-708. https://doi.org/10.2307/1913610 .
• Newey, W. K., West, K. D. (1994). Automatic Lag Selection in Covariance Matrix Estimation. Review of Economic Studies, 61(4), 631-653. https://doi.org/10.2307/2297912 .
• Önder, I. (2017). Forecasting Tourism Demand with Google Trends: Accuracy Comparison of Countries vs. Cities. International Journal of Tourism Research, 19(6), 648-660. https://doi.org/10.1002/jtr.2137 .
• Pavlicek, J., Kristoufek, L. (2015). Nowcasting Unemployment Rates with Google Searches: Evidence from the Visegrad Group Countries. PLoS ONE, 10(5), 1-11. https://doi.org/10.1371/journal.pone.0127084 .
• Suhoy, T. (2009). Query Indices and a 2008 Downturn: Israeli Data (Bank of Israel Discussion Paper No. 2009.06). https://www.boi.org.il/deptdata/mehkar/papers/dp0906e.pdf .
• Tuhkuri, J. (2016). Forecasting Unemployment with Google Searches (ETLA Working Papers No. 35). https://www.econstor.eu/bitstream/10419/201250/1/ETLA-Working-Papers-35.pdf .
• West, K. D. (1996). Asymptotic inference about predictive ability. Econometrica, 64(5), 1067-1084. https://doi.org/10.2307/2171956 .

Identyfikatory

DOI

10.5604/01.3001.0014.7986