Projektbeschreibung
Eine verbesserte wirtschaftliche Entscheidungsfindung
Die zunehmende Verfügbarkeit von Big-Data-Quellen eröffnet zahlreiche Gelegenheiten im Bereich der Wirtschaftswissenschaften. Gleichzeitig führt sie zu statistischen Herausforderungen, da für entsprechende Analysen Methoden erforderlich sind, die Schätzungen anhand höherdimensionaler Modelle mit vielen Parametern anstellen können. Die Gemeinschaft, die sich mit statistischem Lernen befasst, stellt solche Modelle bereit, allerdings sind sie nicht für wirtschaftliche Zeitreihen geeignet. Das EU-finanzierte Projekt BigTime hat vor, sich der Ökonometrie, der Statistik und des maschinellen Lernens zu bedienen, um statistische Lernmethoden zu entwickeln, die verlässliche Quantifizierungen von Unsicherheiten, leicht interpretierbare wirtschaftliche Impulsantwortfunktionsanalysen und Möglichkeiten zur Identifikation hochdimensionaler Zeitreihenmodelle bereitstellen. Das Projekt wird ein umfassendes Instrumentarium für Analysen von Zeitreihen entwickeln, das die wirtschaftliche Entscheidungsfindung bei umfangreichen, dynamischen und komplexen Zeitreihenfragen unterstützen und verbessern wird.
Ziel
Big time series data are commonplace in economics. Their variety and sheer size provide nearly endless opportunities to improve economic decision making at European governments, companies and universities: amongst others, internet search data could shed light on consumer sentiment, social media provide opportunities for improving economic policy analysis, and high-frequency volatility data could be informative for financial risk analysis.
While the expansion of these Big Data sources bring possibilities, it also raises ever-increasing statistical challenges since novel methods (for instance, 'penalized' methods) are needed to estimate high-dimensional models containing many parameters. The development of such methods has flourished in the statistical learning community, but they are not geared towards the specificities of economic time series. Econometric time series models typically differ from traditional statistical models in that they require (i) an accurate assessment of the certainty of the economic findings and predictions, (ii) a description of how the economy responds, over time, to exogenous shocks, and (iii) an identification strategy that maps the observed data to the relevant economic parameters of interest. The proposal builds a partnership between econometrics, statistics and machine learning with the aim of addressing these three econometric objectives. It develops statistical learning methods for (i) honest uncertainty quantification (inference), (ii) interpretable economic impulse response functions analysis and (iii) identification of high-dimensional time series models. The suitability of the developed Big Time Series methods is demonstrated for economic applications including financial risk analysis and macro-economic policy analysis.
As such, the proposal provides a Big Time Series Analytics toolbox to modern empirical economists that aims to support and improve economic decision making in big, dynamic and complex time series problems.
Wissenschaftliches Gebiet
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
- social scienceseconomics and businesseconomicseconometrics
- natural sciencescomputer and information sciencesinternet
- natural sciencescomputer and information sciencesdata sciencebig data
- natural sciencesmathematicsapplied mathematicsstatistics and probability
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
MSCA-IF-EF-ST - Standard EFKoordinator
6200 MD Maastricht
Niederlande