Mariusz Malinowski https://orcid.org/0000-0003-4635-2960
ARTYKUŁ

(Polski) PDF

STRESZCZENIE

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.

SŁOWA KLUCZOWE

nowcasting, Google Trends, bezrobocie, dane makroekonomiczne

JEL

C22, C55, C82, E27

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/informacja_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 .

Do góry
Copyright © 2019 Główny Urząd Statystyczny