AI Summary & Key Takeaways
AI InsightWe also show via Harvey et al (1997) modification of the Diebold-Mariano test that models with Google search query data indeed perform statistically better than the autoregressive benchmark model.
📌 3 Key Takeaways
Abstract
We investigate whether Google search query data can improve nowcasting performance of the monthly nonagricultural unemployment rate for Turkey, where monthly unemployment rate is revealed with a lag of three months. To do so, we employ linear regression models and Bayesian Model Averaging Procedure in our analysis and use data from January 2005 to October 2011. We show that Google search query data is successful at nowcasting nonagricultural unemployment rate both in-sample and out-of-sample. When compared with an autoregressive benchmark model, where we allow only the lag values of the monthly unemployment rate, the best model contains principal components of Google search query data and it is 47.7% more accurate in-sample and 38.4% more accurate out-ofsample in terms of relative root mean square errors (RMSE). The best model that does not include any Google data is 34.1% more accurate insample and 29.4% more accurate out-ofsample. We also show via Harvey et al (1997) modification of the Diebold-Mariano test that models with Google search query data indeed perform statistically better than the autoregressive benchmark model.
Özet
Bu çalışmada, Google tarama sonuçları verilerinin Türkiyede üç aylık bir gecikme ile yayınlanan aylık tarım dışı işsizlik dönem içi tahminini geliştirip geliştirilmediği araştırılmaktadır. Bunun için yapılan analizde lineer tahmin modelleri ve Bayesgil Model Ortalaması yöntemi ve Ocak 2005 ve Kasım 2011 arası verisi kullanılmıştır. Sonuçlar, Google tarama sonuçları verilerinin hem örneklem içinde hem de örneklem dışında tarım dışı işsizlik oranı dönem içi tahminlerini iyileştirdiğini göstermektedir. Sadece tarım dışı işsizliğin gecikmeli değerlerinin kullanıldığı otoregresif baz modelle kök ortalma kare hatalarına (RMSE) göre kıyaslandığında en iyi performası gösteren model Google tarama sonuçları verilerinin ana bileşenlerini (principle components) içermekte ve baz modelden örneklem içinde %47,7, örneklem dışında ise %38,4 daha doğru tahminler vermektedir. Google tarama sonuçları verilerini içermeyen en iyi model örneklem içinde %34,1, örneklem dışında ise %29,4 daha doğru tahminler vermektedir. Çalışmada ayrıca DieboldMariano testinin Harvey vd. (1997) uyarlaması kullanılarak Google tarama sonuçları verilerini içeren modellerin perfromasının baz modelden istatistiki olarak anlamlı bir şekilde daha iyi oldugu gösterilmiştir