Clustering Macroeconomic Time Series

Augustyński, Iwo; Laskoś-Grabowski, Paweł

doi:10.15611/eada.2018.2.06

Autor

Augustyński Iwo (Wrocław University of Economics, Poland), Laskoś-Grabowski Paweł (University of Wrocław, Institute of Theoretical Physics, Wrocław, Poland)

Tytuł

Clustering Macroeconomic Time Series
Grupowanie makroekonomicznych szeregów czasowych

Źródło

Econometrics. Advances in Applied Data Analysis, 2018, vol. 22, nr 2, s. 74-88, rys., tab., bibliogr. 11 poz.
Ekonometria

Słowa kluczowe

Metody grupowania, Prawdopodobieństwo, Analiza skupień, Produkt krajowy brutto (PKB), Szeregi czasowe
Grouping methods, Probability, Cluster analysis, Gross domestic product (GDP), Time-series

Uwagi

Klasyfikacja JEL:
streszcz., summ.

Abstrakt

Należąca do dziedziny eksploracji danych technika grupowania szeregów czasowych znajduje zastosowania w licznych zagadnieniach. Jako metoda nadzorowanego uczenia maszynowego wymaga ona podejmowania decyzji, na które nietrywialnie wpływa natura rozważanych danych. Celem niniejszego artykułu jest sprawdzenie użyteczności grupowania szeregów czasowych w makroekonomii oraz wypracowanie najbardziej odpowiedniej metodologii. Po przetestowaniu szerokiej grupy miar uznano Compression-Based Dissimilarity Measure (CDM) za miarę niepodobieństwa najbardziej odpowiednią do grupowania zmiennych makroekonomicznych. Sprawdzono, że wyniki grupowania są stabilne w czasie i odzwierciedlają zdarzenia wielkoskalowe, takie jak kryzysy. Proponowaną metodę z powodzeniem zastosowano również w analizie porównawczej gospodarek narodowych.(abstrakt oryginalny)

The data mining technique of time series clustering is well established. However, even when recognized as an unsupervised learning method, it does require making several design decisions that are nontrivially influenced by the nature of the data involved. By extensively testing various possibilities, we arrive at a choice of a dissimilarity measure (compression-based dissimilarity measure, or CDM) which is particularly suitable for clustering macroeconomic variables. We check that the results are stable in time and reflect large-scale phenomena, such as crises. We also successfully apply our findings to the analysis of national economies, specifically to identifying their structural relations.(original abstract)

Dostępne w

Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu

Pełny tekst

Bibliografia

Ahlborn M., Wortmann M., 2018, The core-periphery pattern of European business cycles: a fuzzy clustering approach, Journal of Macroeconomics, 55, pp. 12-27. Retrieved from http://hdl.handle.net/10419/152248.
Belke A., Domnick C., Gros D., 2017, Business Cycle Synchronization in the EMU: Core vs. Periphery (Working Paper No. 38), GLO Discussion Paper. Retrieved from http://hdl.handle.net/10419/ 156158.
Croux C., Forni M., Reichlin L., 2001, A measure of comovement for economic variables: theory and empirics, The Review of Economics and Statistics, 83(2), pp. 232-241. Retrieved from https://ideas.repec.org/a/tpr/restat/v83y2001i2p232-241.html.
Eurostat, 2013, European System of Accounts - ESA 2010, Author, Luxembourg. Retrieved from http://ec.europa.eu/eurostat/web/products-manuals-and-guidelines/-/KS-02-13-269.
Focardi S. M., Fabozzi F.J., 2004, Clustering economic and financial time series: Exploring the existence of stable correlation conditions, Finance Letters, 2(3), 1-9. Retrieved from https://www.researchgate.net/publication/2547390.
Gächter M., Riedl A., Ritzberger-Grünwald D., 2012, Business cycle synchronization in the euro area and the impact of the financial crisis, Monetary Policy and the Economy, 12(2), pp. 33-60. Retrieved from https://ideas.repec.org/a/onb/oenbmp/y2012i2b2.html.
Haan J., Inklaar R., Jong-A-Pin R., 2008, Will business cycles in the Euro Area converge: a critical survey of empirical research, Journal of Economic Surveys, 22(2), pp. 234-273. Retrieved from http://hdl.handle.net/11370/a5248e69-19bb-4057-9284-0876eac01ac2.
Hamilton J.D., 2017, Why You Should Never Use the Hodrick-Prescott Filter (Working Paper No 23429), National Bureau of Economic Research, May. Retrieved 2017-07-20 from http://www.nber.org/papers/w23429 doi: 10.3386/w23429.
Keogh E., Lonardi S., Ratanamahatana C. A., 2004, Towards Parameter-free Data Mining, [in:] Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, NY, USA: ACM, New York.
Keogh E., Lonardi S., Ratanamahatana C.A., Wei L., Lee S.-H., Handley J.,2007, Compression-based data mining of sequential data, Data Mining and Knowledge Discovery, February, 14(1), pp. 99-129. Retrieved from https://link.springer.com/article/10.1007/s10618-006-0049-3.
Papageorgiou T., Michaelides P.G., Milios J.G., 2010, Business cycles synchronization and clustering in Europe (1960-2009), Journal of Economics and Business, September, 62(5), pp. 419-470. Retrieved 2017-07-20, from http://www.sciencedirect.com/science/article/pii/S0148619510000469.

Cytowane przez

ISSN

1507-3866

Język

eng

URI / DOI

BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

Meny główne