JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”,...

26
Google Trends: predicción del nivel de Empleo Agregado en Perú usando datos en Agregado en Perú usando datos en tiempo real, 2004-2011 Jillie Vanessa Chang Kcomt Andrea Katherine Del Río Lazo Octubre 2011

Transcript of JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”,...

Page 1: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

Google Trends:

predicción del nivel de Empleo

Agregado en Perú usando datos en Agregado en Perú usando datos en

tiempo real, 2004-2011

Jillie Vanessa Chang Kcomt

Andrea Katherine Del Río Lazo

Octubre 2011

Page 2: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

1. Objetivo

2. Conceptos: ¿qué es Google Trends?

3. Literatura

Contenido

3. Literatura

4. Google Trends y el empleo

5. Metodología

6. Resultados

7. Conclusiones

Page 3: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

1. Objetivo

Analizar si la utilización de los datos en tiempo

real de Google Trends durante el periodo

2004-2011 mejora las predicciones del índice de

empleo de Lima para empresas de 100 y másempleo de Lima para empresas de 100 y más

trabajadores (IE100).

Page 4: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

� Servicio de Google que cuantifica las búsqueda

que se realizan a través del buscador.

2. ¿Qué es Google Trends?

� Reporta un índice semanal del 0 al 100 que se

obtiene después de dos procesos:

1. Normalización

2. Escalamiento

Page 5: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

3. Literatura (1/2)

Variables microeconómicas

� Varian y Choi (2009) : ventas minoristas, ventas deautos, casas y viajes.autos, casas y viajes.

� Carriére-Swallow y Labbé (2010): ventas de autos

� Song y Pan (2010) : demanda por cuartos dehoteles

Page 6: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

3. Literatura (2/2)

Variables macroeconómicas

� Della Penna y Huang (2009) y Schmidt y Vosen

(2009): índice de confianza del consumidor(2009): índice de confianza del consumidor

� Bersier (2010), D’Amuri (2009), Askitas y

Zimmermann (2009), Suhoy (2009) y Oleksandr

(2010) : desempleo

Page 7: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

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

4. Google Trends y empleo (1/5)

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.

Page 8: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

Índice de Google de desempleo (IGU)

� Selección de palabras claves como: “busco trabajo”, “laborum”

“bolsa de trabajo”, “aptitus”, etc.

4. Google Trends y empleo (2/5)

“bolsa de trabajo”, “aptitus”, etc.

� Mensualización de cada serie semanal a través de promedios

simples.

� Indexación de las series ponderado por desviación estándar.

Page 9: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

10%

12%

14%

30 %

40 %

50 %tasa de crecimiento a 12 meses de IGU

tasa de crecimiento a 12 meses de IE100

Índice de empleo de Lima para empresas de 100 y más trabajadores e Índice de Google de desempleo en Perú, 2004-2011 (tasa de variación a 12 meses)

4. Google Trends y empleo (4/5)

-2%

0%

2%

4%

6%

8%

10%

-30 %

-20 %

-10 %

0 %

10 %

20 %

30 %

20

05

-01

20

05

-04

20

05

-07

20

05

-10

20

06

-01

20

06

-04

20

06

-07

20

06

-10

20

07

-01

20

07

-04

20

07

-07

20

07

-10

20

08

-01

20

08

-04

20

08

-07

20

08

-10

20

09

-01

20

09

-04

20

09

-07

20

09

-10

20

10

-01

20

10

-04

20

10

-07

20

10

-10

20

11

-01

20

11

-04

20

11

-07

20

11

-10

IE1

00

IGU

Page 10: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

Gráfico de dispersión del Índice de empleo en Lima para empresas de 100 y más trabajadores e IGU en Perú, 2004-2011 (tasa de variación a 12 meses)

4. Google Trends y empleo (5/5)

Page 11: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

5. Metodología (1/4)

Metodología 1:

modelo autorregresivo de media móvil (ARMA) ymodelo autorregresivo de razagos distribuidosmodelo autorregresivo de razagos distribuidos(ARDL)

Metodología 2:

Cointegración y modelo de correción de errores

Page 12: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

5. Metodología (2/4)

Modelo de referencia (ARMA) :

Modelos ARMA y ARDL

Modelo aumentado (ARDL):

Page 13: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

5. Metodología (3/4)

enero junio diciembre

Muestra completa

enero

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)

enero

2004

junio

2011

diciembre

2009

muestra de estimación muestra de predicción

enero

2010

Page 14: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

� Si las series cointegran, entonces es posible

representar la relación como:

� De acuerdo con el teorema de representación de

5. Metodología (4/4)

� De acuerdo con el teorema de representación de

Granger, es posible analizar la dinámica de corto

plazo a través del siguiente MCE:

Page 15: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

5. Metodología (5/5)

� IGU será un predictor insesgado si . Más aún,será útil como indicador líder si pues su nivelprecedería (causa en el sentido de Granger) aIE100. Finalmente, permitirá anticipar la senda futurade IE100 si IGU es fuertemente exógena, es decir, si

.

Page 16: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

6. Resultados

Page 17: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

ARMA: Predicción dentro de la muestra

�������� ��: �������� �� ��100(��)

�������� ��ó��� ����� � ��������� ����� ������� (1�) (1�) (2�) (2�) ��−1 0.95 1.22 0.87 1.14 (0.03) (0.06) (0.04) (0.06) ��−3 −0.30 −0.32

Parámetros estimados y coeficientes de capacidad predictivapara predicciones dentro de la muestra

��−3 −0.30 −0.32 (0.06) (0.05) '(�� −0.39 −0.38 −0.34 −0.34 (0.17) (0.13) (0.17) (0.11) �)(12) −0.89 −0.89 (0.04) (0.03) �*(� -0.02 −0.02 (0.01) (0.01) +�,��-�����, 77 75 77 75 .�/�,���

2 0.956 0.98 0.958 0.99 .�0�� ��� 5.39 0.77 3.50 0.37 �)�� ��� 5.14 0.66 3.34 0.31 .�0��,���� 0.74 0.31 0.73 0.28 �)��,���� 0.63 0.24 0.62 0.23

2���,: - 2�-�� � ,���������� �� 0.05 - 4��, ��, -�������, ,� ������� � ������, 5���������, � 12 ��,�, (“��,� 7�7”) - 4��, ��, �����, ����� �� ��,����

Page 18: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

Predicción fuera de la muestra (1/2)

Predicción de IE100 usando el modelo (2b)

Predicción dinámica: ECM y RECM 20% - 60%

Predicción dinámica: ECM y RECM 5% y 30%

15.0%ie100yoy

-5.0%

-2.5%

0.0%

2.5%

5.0%

7.5%

10.0%

12.5%

2005 2006 2007 2008 2009 2010

predicción ie100yoy

± 2 s.e.

Predicciónfuera

de la muestaEstimación dentro de la muestra

Page 19: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

ARMA:Predicción fuera de la muestra (2/2)

Resultados de la prueba Diebold y Mariano

(�) (�) +�,��-�����, 18 18 ���í,���� '� 2.58 2.43 : -���� 0.02 0.03

2���,: - Ho: modelos 1 y 2 son similares en términos de predicción - Ha: el modelo 2 predice mejor que el modelo 1

Resultados de la prueba Diebold y Mariano

Page 20: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

Cointegración y modelo de corrección de errores (1/4)

)'N ,���� ��, ��,���, � ��100� = P�*(� + R� 0� ��,���� 0.00 �,��í,���� � (S�: ������5�� ���) 0.94 T� ��,���� � ������ 0.00 2���,: - 2�-�� � ,���������� �� 0.05 - Los valores mostrados son las probabilidades asociadas

ADF a residuos de Largo plazo

2���,:

- 2�-�� � ,���������� �� 0.05 - Los valores mostrados son las probabilidades asociadas

XYZ[\íYZ]^_ `a[b[ :��������� 2� ���,�� -����� � ����������ó 0.00

S�,�� 1 -����� � ����������ó 0.15 XYZ[\íYZ]^_ c[d_a ea_e]_ fág]f_

2� ���,�� -����� � ����������ó 0.00 S�,�� 1 -����� � ����������ó 0.15 ¿ i_]jZkla[j? ní 2���,: T��� ������5�� � �� ������ó � ����������ó � � ������ � �� �).

Metodología de Johansen

Page 21: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

Relación de cointegración:

Cointegración y modelo de corrección de errores (2/4)

Modelo con restricción

¿IGU es un predictor insesgado de la tendencia?

Al 5% de significancia no se rechaza la Ho

Page 22: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

Exogeneidad débil (metodología de Johansen)

Cointegración y modelo de corrección de errores (3/4)

Modelo VEC con restricción

Page 23: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

� 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.

Cointegración y modelo de corrección de errores (4/4)

tanto, un buen predictor de IE100.

Causalidad a lo Granger

Page 24: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

7. Conclusiones

Page 25: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

Google Trends:

predicción del nivel de Empleo

Agregado en Perú usando datos en Agregado en Perú usando datos en

tiempo real, 2004-2011

Jillie Vanessa Chang Kcomt

Andrea Katherine Del Río Lazo

Octubre 2011

Page 26: JillieChang AndreaDelRio Google Trends predicci n del ......“bolsa de trabajo”, “ aptitus”, etc. 4. Google Trendsy empleo (2/5) Mensualización de cada serie semanal a través

fechapromedio mensual de

"busco trabajo"

promedio mensual de

"bolsa de trabajo"

2011-04 16.5 49.5

2011-05 17.2 50.8

Promedio (A) 16.85 50.15

Ejemplo de indexación para IGU

Promedio (A) 16.85 50.15

Desviación Estándar (B) 0.49 0.92

1/Desviación Estándar (C ) 2.02 1.09

Suma de la inversa de las desviaciones

estándar (2.02+1.09) (D)

ponderadores (C/D) 0.65 0.35

3.11