Nowcasting the Unemployment Rate in the EU with Seasonal BVAR and Google Search Data

Abstract

In this paper a Bayesian vector autoregressive model for nowcasting the seasonally non-adjusted unemployment rate in EU-countries is developed. On top of the official statistical releases, the model utilizes Google search data and the effect of Google data on the forecasting performance of the model is assessed. The Google data is found to yield modest improvements in forecasting accuracy of the model. To the author’s knowledge, this is the first time the forecasting performance of the Google search data has been studied in the context of Bayesian vector autoregressive model. This paper also adds to the empirical literature on the hyperparameter choice with Bayesian vector autoregressive models. The hyperparameters are set according to the mode of the posterior distribution of the hyperparameters, and this is found to improve the out-of-sample forecasting accuracy of the model significantly, compared to the rule-of-thumb values often used in the literature.

Työttömyysasteen ennustaminen EU-maissa BVAR-mallilla ja Googlen hakudatalla

Tiivistelmä

Tässä tutkimuksessa kehitetään kausiluontoinen bayesiläinen vektoriautoregressiivinen malli työttömyystason ennustamiseksi EU-maissa. Virallisten tilastojulkaisujen lisäksi malli käyttää ennustamiseen Googlen hakudataa ja tutkimuksessa tarkastellaan Googlen hakudatan käyttökelpoisuuttaa työttömyystason ennustamiseksi. Googlen hakudatan havaitaan parantavan mallin ennustetarkkuutta vain hieman. Kirjoittajan tiedossa ei ole aikaisempia tutkimuksia, jotka tarkastelisivat Googlen hakudatan käyttökelpoisuutta ennustamisessa käyttäen bayesiläisiä vektoriautoregressiivisiä malleja. Tässä tutkimuksessa tarkastellaan myös hyperparametrien valinnan merkitystä bayesiläisen vektoriautoregressiivisen mallin ennustetarkkuudelle. Hyperparametreille muodostetun marginaalisen posteriorijakauman moodin käyttämisen havaitaan parantavan mallin ennustetarkkuutta huomattavasti, verrattuna kirjallisuudelle tyypillisiin ennalta määrättyihin arvoihin.

Julkaisun tietoja

Sarja
ETLA Working Papers 62
Päiväys
05.11.2018
Avainsanat
Ennustaminen, Nykyhetken ennustaminen, BVAR, Big Data, Työttömyys
Keywords
Nowcasting, Forecasting, BVAR, Big Data, Unemployment
ISSN
2323-2420, 2323-2439 (Pdf)
JEL
C32, C53, C55, C82, E27
Sivuja
23
Kieli
Englanti
Julkaisu muissa palveluissa
Etlanow