Trefwoorden: big data, hoog-dimensionale statistiek, tijdserie, voorspellen

"High-Dimensional Time Series Analysis: Unit Roots, Cointegration and Forecasting"

Dit onderzoek ontwikkelt nieuwe methoden om een ​​economische variabele te voorspellen op basis van een (zeer) grote verzameling potentieel relevante variabelen. Zo probeert het de werkloosheid in Nederland te voorspellen op basis van de populariteit van Google-zoekopdrachten zoals "werkloosheidsuitkering" en "vacatures". Traditionele economische modellen houden rekening met de effecten van slechts enkele variabelen tegelijkertijd. Tegenwoordig is er toegang tot veel grotere datasets die mogelijk nieuwe informatie bevatten die we kunnen verkennen. Een eenvoudig idee zou zijn om alle gegevens in hetzelfde model te gooien, maar dat biedt veel ruimte voor fouten. Vooral in de economie is het bekend dat economische variabelen zoals werkloosheid in de loop van de tijd sterk trendmatig gedrag vertonen. Als de werkloosheid in januari erg hoog was, zal die waarschijnlijk ook in februari hoog zijn. Dit soort gedrag vereist een zorgvuldige behandeling in statistische modellen. Daarom werden verschillende technieken uit de statistische literatuur gecombineerd om een ​​schattingsmethode te creëren die automatisch de irrelevante variabelen uit het model verwijdert, maar tegelijkertijd de unieke (trending) kenmerken van de variabelen in het geschatte model respecteert.