چارچوب مدل سازی MIDAS برای پیش بینی شاخص تورم چینی با استفاده از داده های جستجوی گوگل

Elsevier
سال انتشار :
2015
تعداد صفحات مقاله انگلیسی :
14
نشریه :
الزویر
تعداد رفرنس ها :
56
نوع مقاله :
مقاله ISI
کراس مارک :
Crossmark
keywords :
Inflation index forecast Consumer price index MIDAS modelling framework User generated content Google search data
کلمات کلیدی :
پیش بینی شاخص تورم، شاخص قیمت مصرف کننده، چارچوب مدل سازی MIDAS، محتوای تولید شده توسط کاربر، اطلاعات جستجوی گوگل
عنوان فارسی :

چارچوب مدل سازی MIDAS برای پیش بینی شاخص تورم چینی با استفاده از داده های جستجوی گوگل

عنوان انگلیسی :

A MIDAS modelling framework for Chinese inflation index forecast incorporating Google search data

ژورنال :
Electronic Commerce Research and Applications
لینک مقاله :
http://www.sciencedirect.com/science/article/pii/S1567422315000022
آدرس DOI :
https://doi.org/10.1016/j.elerap.2015.01.001
وضعیت ترجمه :
انجام نشده.

سال انتشار : 2015

تعداد صفحات مقاله انگلیسی : 13

نشریه : الزویر

تعداد رفرنس ها : 56

نوع مقاله : مقاله ISI

کلمات کلیدی انگلیسی : Inflation index forecast Consumer price index MIDAS modelling framework User generated content Google search data

کلمات کلیدی : پیش بینی شاخص تورم، شاخص قیمت مصرف کننده، چارچوب مدل سازی MIDAS، محتوای تولید شده توسط کاربر، اطلاعات جستجوی گوگل

عنوان فارسی : چارچوب مدل سازی MIDAS برای پیش بینی شاخص تورم چینی با استفاده از داده های جستجوی گوگل

عنوان انگلیسی : A MIDAS modelling framework for Chinese inflation index forecast incorporating Google search data

لینک مقاله : http://www.sciencedirect.com/science/article/pii/S1567422315000022



چکیده انگلیسی
Increased internet penetration makes it possible for user generated content (UGC) to reflect people’s insights and expectations on economic activities. As representative and easily accessible UGC data that reflect public opinions on economic issues, Google search data have been used to forecast macroeconomic indicators in existing literatures. However, very little empirical research has directly used Google search data to improve the forecast accuracy. This paper proposes an integrated framework, which constructs keywords base and extracts search data accordingly, and then incorporates the search data into a mixed data sampling (MIDAS) model. Five groups of search data are extracted based on the constructed keywords and are then used in MIDAS model to forecast Chinese consumer price index (CPI) from 2004 to 2012. The empirical results indicate that the search data are strongly correlated with CPI, which is officially released by the Statistic Bureau of China; the MIDAS model including the search data outperforms the benchmark models, with the average reduction of root mean square error (RMSE) being 32.9%. This research provides a rigorous and generalizable framework for macroeconomic trend prediction using Google search data, and would have great potential in supporting business decisions by eliciting relevant information from UGC data in the Internet.

چکیده فارسی
افزایش نفوذ اینترنت باعث می شود که محتوای تولید شده توسط کاربر (UGC) بتواند بینش و انتظارات افراد را در فعالیت های اقتصادی منعکس کند. به عنوان نماینده و به راحتی داده های UGC که دیدگاه عمومی را در مورد مسائل اقتصادی بازتاب می دهند، داده های جستجوی Google برای پیش بینی شاخص های اقتصاد کلان در ادبیات موجود استفاده شده است. با این حال، تحقیقات تجربی بسیار کمی به طور مستقیم از داده های جستجوی Google برای بهبود دقت پیش بینی استفاده می کنند. این مقاله یک چارچوب یکپارچه ارائه می دهد که پایگاه های کلمات کلیدی را ایجاد می کند و اطلاعات جستجو را بر اساس آن استخراج می کند و سپس داده های جستجو را به مدل MIDAS متصل می کند. پنج گروه اطلاعات جستجو بر اساس کلمات کلیدی ساخته شده استخراج می شوند و سپس در مدل MIDAS برای پیش بینی شاخص قیمت مصرف کننده در چین از سال 2004 تا 2012 استفاده می شود. نتایج تجربی نشان می دهد که داده های جستجو به شدت با CPI ارتباط دارد، که به طور رسمی منتشر شده توسط اداره آمار چین؛ مدل MIDAS از جمله داده های جستجو از مدل های معیار بهتر است، به طور متوسط ​​کاهش خطای میانگین RMSE (32.9٪). این تحقیق، یک چارچوب دقیق و قابل تعمیم برای پیش بینی روند اقتصاد کلان را با استفاده از داده های جستجو در گوگل فراهم می کند و پتانسیل بالایی در حمایت از تصمیم گیری های تجاری با شناسایی اطلاعات مربوط به داده های UGC در اینترنت دارد.





مشاهده فایل pdf مقاله :