|
| Συλλογές |
|
| Τίτλος |
A combination of machine learning with classical econometric approaches for temporal disaggregation
|
| Εναλλακτικός τίτλος |
Συνδυασμός μηχανικής μάθησης με κλασσικές οικονομετρικές μεθόδους για χρονικό επιμερισμό σειρών της άυλης οικονομίας
|
| Δημιουργός |
Βαρελάς, Κωνσταντίνος, Varelas, Konstantinos
|
| Συντελεστής |
Alexopoulos, Angelos
Antoniou, Fabio
Pagratis, Spyros
Athens University of Economics and Business, Department of Economics
|
| Τύπος |
Text
|
| Φυσική περιγραφή |
109p.
|
| Γλώσσα |
en
|
| Αναγνωριστικό |
https://www.pyxida.aueb.gr/index.php?op=view_object&object_id=11031
|
| Περίληψη |
This study contributes to the literature on temporal disaggregation of time series in the context of economics in general and specifically in the context of the intangible economy. Until now, research has mainly focused on static and dynamic regressions, as well as structural time series models, yet these approaches require certain assumptions to be met. In this thesis, a hybrid method that utilizes XGBoost and a GLS model is proposed. The benefits of this approach are that it does not require any assumptions, allows for the use of an exhaustive set of trackers, and maintains a high level of consistency. A total of 33 models are evaluated based on multiple quantitative and qualitative metrics across 16 European countries and various time periods. An attempt is also made to replicate the results of the Alexopoulos and Varthalitis work, in which the use of XGBoost for temporal disaggregation was first introduced. Finally, the GVA adjusted, Non-National Accounts Intangible Investment, and Total Intangible Investment series are disaggregated from annual to quarterly for the first time. This covers 19 industry sectors and their aggregates for 16 European countries. The data utilized are obtained from the EUKLEMS & INTANProd database and Eurostat.
Αυτή η μελέτη συνεισφέρει στη βιβλιογραφία του χρονικού επιμερισμού σειρών στο πλαίσιο της οικονομίας και ειδικότερα στο πλαίσιο της άυλης οικονομίας. Μέχρι τώρα η έρευνα επικεντρωνόταν κυρίως σε στατικές και δυναμικές παλινδρομήσεις και σε διαρθρωτικά υποδείγματα χρονολογικών σειρών, όμως αυτές οι προσεγγίσεις συνεπάγονται κάποιες υποθέσεις. Σε αυτή τη διπλωματική προτείνεται μία υβριδική μέθοδος που συνδυάζει XGBoost και GLS μοντέλα. Τα οφέλη αυτής της προσέγγισης είναι η μη ύπαρξη υποθέσεων, η δυνατότητα χρήσης ενός εξαντλητικού αριθμού ανεξάρτητων μεταβλητών και η συνέπεια στα αποτελέσματα. Συνολικά 33 μοντέλα αξιολογούνται βάσει ποσοτικών και ποιοτικών κριτηρίων σε δεδομένα που αφορούν 16 ευρωπαϊκές χώρες και διάφορες χρονικές περιόδους. Επίσης, προσπάθεια γίνεται να αναπαραχθούν τα αποτελέσματα των Αλεξόπουλου και Βαρθαλίτη που ήταν οι πρώτοι που χρησιμοποίησαν XGBoost για να επιμερίσουν χρονολογικές σειρές. Τέλος, οι σειρές GVA adjusted, Non-National Accounts Intangible Investment, and Total Intangible Investment επιμερίζονται χρονικά από ετήσια σε τριμηνιαία συχνότητα για πρώτη φορά. Ο επιμερισμός καλύπτει 19 επιμέρους τομείς της οικονομίας συμπεριλαμβανομένων των συνόλων των τομέων 16 ευρωπαϊκών χωρών για κάθε μία από τις 3 προαναφερθείσες μεταβλητές. Τα δεδομένα αντλούνται από τη βάση EUKLEMS & INTANProd και την Eurostat.
|
| Λέξη κλειδί |
Machine learning (ML)
Intangible economy
Temporal disaggregation
Μηχανική μάθηση
Χρονικός επιμερισμός
Άυλη οικονομία
|
| Ημερομηνία |
29-02-2024
|
| Ημερομηνία κατάθεσης |
06-03-2024
|
| Ημερομηνία αποδοχής |
06-03-2024
|
| Άδεια χρήσης |
https://creativecommons.org/licenses/by/4.0/
|