Predicting Recessions in Real-Time: Mining Google Trends and Electronic Payments Data for Clues
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Many official economic indicators are released with a time lag, released infrequently and often require revision. In this Commentary, I discuss new sources of electronically recorded data that are both timely and reflect the real-time intentions of millions (or billions) of agents. Specifically, I consider whether Google searches and the growth of electronic payments variables, such as debit and credit card transactions, would have predicted the 2008 – 2009 recession. Not too long ago, Canadian empirical macroeconomic researchers would have to wait two months for the release of the monthly National Accounts in order to update their models and forecasts. However, in the last 10 years to 20 years, technological innovations have resulted in vast amounts of other data being recorded electronically and stored. New data series are now being generated at a rate faster than analysts can study them. Due to the emergence of Google as the dominant search engine, its search-term usage can provide a snapshot of current group interests in numerous issues, such as economics, politics, health, etc. In principle, if many people are entering the same economic search terms, this could provide a clue about changing conditions, such as the onset of a recession. I find that the usage of Google search terms “recession” and “jobs” could have predicted the recession up to three months in advance of its onset. However, since Google query data are only available from 2004, the time span studied in this Commentary is very short in the context of business cycles. Consequently, our study should be viewed as illustrative of the potential uses of electronic data. I also highlight the benefits and pitfalls that users of Google data may encounter in the context of economic monitoring.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle