The usefulness of Google Trends data in macroeconomic forecasting: Evidence from Finland
Notice bibliographique
Résumé
This thesis looks into Google Trends data, its special features and uses in macroeconomic forecasting. Evidence is gathered from the literature to assess whether including Google Trends data in forecasting models improves their predictive accuracy. Google Trends data has many particularities, but nevertheless all papers included in the analysis find evidence in favor of Google Trends data being at least somewhat useful. Due to the differing modeling choices and sometimes conflicting results, it is not possible to draw exact conclusions on the conditions under which Google Trends data is useful. The hypothesis of the usefulness of Google Trends data is also tested empirically in Finnish context by estimating a dynamic factor model and by comparing the out-of-sample forecasting performance of models with and without Google Trends data. Inclusion of Google Trends data is found to not improve the forecasting performance significantly. Especially the poor nowcasting performance of the Google Trends data augmented models is surprising considering the previous literature. A robustness check suggests that the nowcasting ability of the tested models depend on the phase of the economic cycle, the models perform better during economic expansion and recovery and considerably worse during recessions and economic slowdowns. The nowcasting ability of the model is also found to increase the further in the quarter the nowcast is produced. It is not conclusive which search term selection method is optimal
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».