Forecasting Unemployment Using Internet Search Data via PRISM
Forecasting Unemployment Using Internet Search Data via PRISM
复制标题
通过 PRISM 使用互联网搜索数据预测失业率
DOI：
10.1080/01621459.2021.1883436
复制
发表时间：
2021
影响因子：
3.7
通讯作者：
Kou, S. C.
中科院分区：
文献类型：
--
作者：
Yi, Dingdong;Ning, Shaoyang;Chang, Chia-Jung;Kou, S. C.
互联网产生的大数据为预测分析提供了巨大的潜力。在这里，我们专注于使用在线用户的互联网搜索数据来预测未来几周的首次申请失业救济人数，这为经济方向提供了及时的见解。为此，我们提出了一种新的基于推断季节性模块的惩罚回归方法（PRISM），该方法使用了谷歌的公开在线搜索数据。PRISM是一种半参数方法，由一般状态空间公式驱动，并采用非参数季节分解和惩罚回归。在预测首次申请失业救济人数方面，PRISM优于之前所有可用的方法，包括2008-2009年金融危机期间的预测和COVID-19大流行期间的近期预测，当时首次申请失业救济人数都迅速上升。PRISM提供的及时准确的失业预测可以帮助政府机构和金融机构评估经济趋势，做出明智的决策，特别是在经济动荡的情况下。
Big data generated from the Internet offer great potential for predictive analysis. Here we focus on using online users’ Internet search data to forecast unemployment initial claims weeks into the future, which provides timely insights into the direction of the economy. To this end, we present a novel method Penalized Regression with Inferred Seasonality Module (PRISM), which uses publicly available online search data from Google. PRISM is a semiparametric method, motivated by a general state-space formulation, and employs nonparametric seasonal decomposition and penalized regression. For forecasting unemployment initial claims, PRISM outperforms all previously available methods, including forecasting during the 2008–2009 financial crisis period and near-future forecasting during the COVID-19 pandemic period, when unemployment initial claims both rose rapidly. The timely and accurate unemployment forecasts by PRISM could aid government agencies and financial institutions to assess the economic trend and make well-informed decisions, especially in the face of economic turbulence.
登录
查看更多内容
影响因子：
3.7
作者：
De Livera, Alysha M.;Hyndman, Rob J.;Snyder, Ralph D.
通讯作者：
Snyder, Ralph D.
折扣加权估计
DOI：
--
发表时间：
1984
期刊：
影响因子：
--
作者：
J. Ameen;P. J. Harrison
通讯作者：
P. J. Harrison
影响因子：
5.4
作者：
GARDNER, ES;MCKENZIE, E
通讯作者：
MCKENZIE, E
预测分析：预测谁会点击、购买、撒谎或死亡的能力
影响因子：
3
作者：
Richard Boire
通讯作者：
Richard Boire
影响因子：
4.6
作者：
Yang S;Ning S;Kou SC
通讯作者：
Kou SC