Opis projektu
Usprawnienie procesu podejmowania decyzji ekonomicznych
Ekspansja źródeł dużych zbiorów danych niesie ze sobą wiele możliwości dla dziedziny ekonomii, jednocześnie zwiększając wyzwania natury statystycznej ze względu na rosnące zapotrzebowanie na metody, które pozwolą na szacowanie wielowymiarowych modeli zawierających wiele parametrów. Takie modele wykorzystywane są w społeczności zajmującej się uczeniem statystycznym, ale nie są one odpowiednie dla ekonomicznych szeregów czasowych. Celem zespołu finansowanego ze środków UE projektu BigTime, wykorzystującego ekonometrię, statystykę i uczenie maszynowe, jest opracowanie metod uczenia statystycznego, które pozwolą na uczciwą kwantyfikację niepewności, możliwą do zinterpretowania analizę ekonomicznych funkcji odpowiedzi na impulsy oraz identyfikację wielkowymiarowych modeli szeregów czasowych. W ramach projektu opracowany zostanie zestaw narzędzi do analizy dużych szeregów czasowych, który wesprze i usprawni podejmowanie decyzji ekonomicznych w przypadku dużych, dynamicznych i złożonych problemów związanych z szeregami czasowymi.
Cel
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.
Dziedzina nauki
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
- 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
Program(-y)
Temat(-y)
System finansowania
MSCA-IF-EF-ST - Standard EFKoordynator
6200 MD Maastricht
Niderlandy