Av Malin Charlotte Engel Jensen

Formålet med denne analysen er å undersøke om bruk av stordata fra Google Søketrender kan benyttes til å lage kortsiktige prognoser for arbeidsledigheten i Norge. Modellene og rammeverket som presenteres gir treffsikre anslag på de kortsiktige svingningene i konjunktursyklusen. Modellene kan, for eksempel, fange opp et brått og uventet hopp i ledigheten. Slik hyppig og pålitelig informasjon om forventet utvikling i arbeidsledigheten vil gi NAV bedre styringsinformasjon og muligheten til å agere raskere og med mer effektiv ressursbruk. 

Et typisk eksempel på et verktøy som samler inn stordata, er Google Søketrender. Google Søketrender er en internettbasert tjeneste som lager statistikk og systematiserer hva folk søker etter på Google. Datagrunnlaget kan antas å reflektere sanntidsinformasjon om søkemotorbrukerens intensjoner (til å blant annet gjennomføre en økonomisk beslutning). I denne artikkelen undersøkes hvorvidt Google Søketrender kan benyttes til å lage kortsiktige prognoser, såkalt «nowcasting», for arbeidsledigheten.

Resultatene fra analysen viser at prognosemodeller basert på Google søketrender gir statistisk signifikante og presise anslag for arbeidsledigheten. Dette finner jeg ved å sammenligne Søketrend-modellenes anslag med anslag laget av to kjente referansemodeller. De empiriske resultatene stemmer overens med tidligere forskning på området og indikerer at rammeverket som benyttes her er stabilt på tvers av utfallsvariabler.

 

ENGLISH SUMMARY

The purpose of this analysis is to investigate whether bigdata gathered from Google Trends can be exploited to produce nowcasts of the Norwegian unemployment rate. Google Trends is a typical example of a bigdata tool that gathers statistics and systematizes what people google. The hypothesis that Google Trends is a precise indicator of the unemployment rate, stems from the idea that a search in googles’ search engine reveals the users intention to make a decision or economic transaction. These intentions, if they are followed by an action, are often measured by Google before official statistics and can therefore be an early signal as to how the official numbers will fluctuate. 

The models and methodology presented here gives accurate forecasts of the current fluctuations of the Norwegian business cycle. Further, the models can identify sudden and unexpected jumps in the unemployment rate. This type of frequently updated information of the current fluctuations in the unemployment rate will make NAV better equipped to react with more precise and well-proportioned measures when the economy is hit with a negative shock. 

The empirical results from the analysis tells us that the nowcasting models based on Google Trends presents very significant and precise forecasts of the Norwegian unemployment rate. The performance of each model in the analysis is compared to two known benchmark models by means of a DM-test. The DM-test results tells us that both benchmark models, the AR(1) and the Random Walk, are significantly outperformed by all Google Trend-models presented in this analysis.