Google Trends: predicción del nivel de Empleo. tiempo real,

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Google Trends: predicción del nivel de Empleo. tiempo real,"

Juan Carlos Soriano Godoy
hace 6 años
Vistas:

1 Google Trends: predicción del nivel de Empleo Agregado en Perú usando datos en tiempo real, Jillie Vanessa Chang Kcomt Andrea Katherine Del Río Lazo Octubre 2011

2 Contenido 1. Objetivo 2. Conceptos: qué es Google Trends? 3. Literatura 4. Google Trends y el empleo 5. Metodología 6. Resultados 7. Conclusiones

3 1. Objetivo Analizar si la utilización de los datos en tiempo real de Google Trends durante el periodo mejora las predicciones del índice de empleo de Lima para empresas de 100 y más trabajadores(ie100).

4 2. Qué es Google Trends? Servicio de Google que cuantifica las búsqueda que se realizan a través del buscador. Reporta un índice semanal del 0 al 100 que se obtiene después de dos procesos: 1. Normalización 2. Escalamiento

5 3. Literatura (1/2) Variables microeconómicas Varian y Choi (2009) : ventas minoristas, ventas de autos, casas y viajes. Carriére-Swallow y Labbé (2010): ventas de autos Song y Pan (2010) : demanda por cuartos de hoteles

6 3. Literatura (2/2) Variables macroeconómicas Della Penna y Huang (2009) y Schmidt y Vosen (2009): índice de confianza del consumidor Bersier (2010), D Amuri (2009), Askitas y Zimmermann (2009), Suhoy (2009) y Oleksandr (2010) : desempleo

7 4. Google Trends y empleo (1/5) Índice de empleo para empresas de 100 y más trabajadores(ie100) Se calcula a partir de la Encuesta Nacional de Variación Mensual de Empleo en Empresas de 10 y más Trabajadores (ENVME) y es elaborada por el MINTRA. La ENVME se aplica a empresas y establecimientos con trabajadores sujetos al régimen laboral. Rezago en la publicación: aproximadamente 3 meses.

8 4. Google Trends y empleo (2/5) Índice de Google de desempleo (IGU) Selección de palabras claves como: busco trabajo, laborum bolsa de trabajo, aptitus, etc. Mensualización de cada serie semanal a través de promedios simples. Indexación de las series ponderado por desviación estándar.

9 4. Google Trends y empleo (4/5) Índice de empleo de Lima para empresas de 100 y más trabajadores e Índice de Google de desempleo en Perú, (tasa de variación a 12 meses) 50 % 40 % tasa de crecimiento a 12 meses de IGU tasa de crecimiento a 12 meses de IE100 14% 12% 30 % 10% 20 % 8% 10 % 6% 0 % 4% -10 % 2% -20 % 0% -30 % -2% IGU IE100

10 4. Google Trends y empleo (5/5) Gráfico de dispersión del Índice de empleo en Lima para empresas de 100 y más trabajadores e IGU en Perú, (tasa de variación a 12 meses)

11 5. Metodología (1/4) Metodología 1: modelo autorregresivo de media móvil (ARMA) y modelo autorregresivo de razagos distribuidos (ARDL) Metodología 2: Cointegración y modelo de correción de errores

12 5. Metodología (2/4) Modelos ARMA y ARDL Modelo de referencia (ARMA) : Modelo aumentado (ARDL):

13 5. Metodología (3/4) Muestra completa enero 2004 diciembre 2009 enero 2010 junio 2011 muestra de estimación muestra de predicción Se evaluarán las predicciones dentro y fuera de la muestra. Las Pruebas utilizadas serán: -Raíz del Error Cuadrático Medio (RECM) -Error Absoluto Medio (EAM) -Prueba Diebold y Mariano(1995) prouesta por Clark y West (2007)

14 5. Metodología (4/4) Si las series cointegran, entonces es posible representar la relación como: De acuerdo con el teorema de representación de Granger, es posible analizar la dinámica de corto plazo a través del siguiente MCE:

15 5. Metodología (5/5) IGU será un predictor insesgado si. Más aún, será útil como indicador líder si pues su nivel precedería (causa en el sentido de Granger) a IE100. Finalmente, permitirá anticipar la senda futura de IE100 si IGU es fuertemente exógena, es decir, si.

16 6. Resultados

17 ARMA: Prediccióndentrode la muestra Parámetros estimados y coeficientes de capacidad predictiva para predicciones dentro de la muestra ó : 100( ) ó (1 ) (1 ) (2 ) (2 ) (0.03) (0.06) (0.04) (0.06) (0.06) (0.05) (0.17) (0.13) (0.17) (0.11) (12) (0.04) (0.03) (0.01) (0.01) á á á á : ( ) -

18 Predicciónfuerade la muestra(1/2) Predicción dinámica: ECM y RECM 20% - 60% Predicción dinámica: ECM y RECM 5% y 30% Predicción de IE100 usando el modelo (2b) 15.0% 12.5% ie100yoy predicción ie100yoy ± 2 s.e. 10.0% 7.5% 5.0% 2.5% 0.0% -2.5% Estimación dentro de la muestra Predicci ón fuera de la muesta -5.0%

19 ARMA:Predicción fuera de la muestra(2/2) Resultados de la prueba Diebold y Mariano ( ) ( ) í : - Ho: modelos 1 y 2 son similares en términos de predicción - Ha: el modelo 2 predice mejor que el modelo 1

20 Cointegración y modelo de corrección de errores (1/4) ADF a residuos de Largo plazo 100 = í ( : ) : Los valores mostrados son las probabilidades asociadas Metodología de Johansen í ó ó 0.15 í á ó ó 0.15? í : ó ó

21 Cointegración y modelo de corrección de errores (2/4) Relación de cointegración: IGU es un predictor insesgado de la tendencia? Modelo con restricción Al 5% de significancia no se rechaza la Ho

22 Cointegración y modelo de corrección de errores (3/4) Exogeneidad débil (metodología de Johansen) Modelo VEC con restricción

23 Cointegración y modelo de corrección de errores (4/4) En este contexto, la prueba de causalidad en el sentido de Granger indica que IE100 no causa en el sentido de Granger a IGU. Por lo cual se puede asumir que IGU es fuertemente exógena y, por tanto, un buen predictor de IE100. Causalidad a lo Granger

24 7. Conclusiones

25 Google Trends: predicción del nivel de Empleo Agregado en Perú usando datos en tiempo real, Jillie Vanessa Chang Kcomt Andrea Katherine Del Río Lazo Octubre 2011

26 Ejemplo de indexación para IGU fecha promedio mensual de promedio mensual de "busco trabajo" "bolsa de trabajo" Promedio (A) Desviación Estándar (B) /Desviación Estándar (C) Suma de la inversa de las desviaciones estándar ( )(D) 3.11 ponderadores (C/D)

Documentos relacionados

Intención de compra en internet y el gasto de los hogares

ANÁLISIS MACROECONÓMICO Intención de compra en internet y el gasto de los hogares Yalina Crispin De manera similar al indicador de Intención de Compra de Departamentos en Lima (ver Informe aquí) se ha