Nowcasting unemployment using mixed data sampling and Google Trends data

Thesis title: Nowcasting nezaměstnanosti pomocí dat se smíšenou frekvencí za využití Google Trends dat
Author: Singerová, Tereza
Thesis type: Bakalářská práce
Supervisor: Frýd, Lukáš
Opponents: Sokol, Ondřej
Thesis language: Česky
Abstract:
V práci se zabývám analýzou a predikcí nezaměstnanosti v České republice. Při analýze trhu práce se běžně naráží na problém, kdy data popisující aktuální stav trhu jsou k dispozici až s téměř ročním zpožděním. Z tohoto důvodu v práci analyzuji možnost využití dat z Google Trends pro nowcasting aktuálních hodnot nezaměstnanosti. Jelikož jsou Google Trends data k dispozici s vyšší frekvencí než data o nezaměstnanosti, využívám MIDAS regresi, která takovéto propojení umožňuje bez potřeby agregace dat s vyšší frekvencí a s tím spojenou nežádoucí ztrátou potenciálně užitečné informace. Pro účely porovnání kvality predikce vytvářím modely ARIMA a ARIMAX, které však data z Google Trends nevyužívají. Po srovnání vytvořených predikčních modelů poté vyhodnocuji model MIDAS jako nejvhodnější.
Keywords: MIDAS; Google Trends; Nowcasting; Nezaměstnanost
Thesis title: Nowcasting unemployment using mixed data sampling and Google Trends data
Author: Singerová, Tereza
Thesis type: Bachelor thesis
Supervisor: Frýd, Lukáš
Opponents: Sokol, Ondřej
Thesis language: Česky
Abstract:
In this thesis I focus on the analysis and prediction of unemployment rates in the Czech Republic. During analysis of the labour market, a commonly encountered problem is that data describing the current state of the market are available with almost a year-long delay. For this reason, I analyse the possibility of using data from Google Trends for nowcasting current unemployment rates. Because Google Trends data are available at a higher frequency than unemployment data itself, I use MIDAS regression, which allows for such a connection without the need to aggregate the higher frequency data, therefore preventing the associated unwanted loss of potentially useful information. For the purpose of comparing the prediction quality, I create ARIMA and ARIMAX models, which however do not use data from Google Trends. After comparing the prediction models, I then determine the MIDAS model to be the most suitable.
Keywords: Google Trends; MIDAS; Nowcasting; Unemployment

Information about study

Study programme: Kvantitativní metody v ekonomice/Matematické metody v ekonomii
Type of study programme: Bakalářský studijní program
Assigned degree: Bc.
Institutions assigning academic degree: Vysoká škola ekonomická v Praze
Faculty: Faculty of Informatics and Statistics
Department: Department of Econometrics

Information on submission and defense

Date of assignment: 1. 1. 2022
Date of submission: 6. 5. 2022
Date of defense: 22. 6. 2022
Identifier in the InSIS system: https://insis.vse.cz/zp/80546/podrobnosti

Files for download

    Last update: