A carregar...
Publicação
Unemployment forecasting: integrating economic narratives with machine learning
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 886.8 KB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
This dissertation explores the potential of integrating textual data with macroeconomic indicators to enhance the predictive accuracy of unemployment forecasting models. Nowadays, traditional unemployment forecasting models rely heavily on historical quantitative data, but recent studies suggest that unstructured textual data may improve prediction accuracy since it is capable of capturing a different dimension of unemployment that may be overlooked when only using quantitative data. Building on methodologies from prior research, this analysis employs a hybrid approach to assess the predictive power of machine learning models trained with three different types of data, namely: macroeconomic, textual, and a combination of both. The findings reveal that while the topics generated from economic narratives underperform in short- to medium-term predictions compared to traditional macroeconomic models, they show significant improvements in long-term forecasts, achieving enhancements of 3.83% to 13.81% over macroeconomic methods. The combined approach also shows limited effectiveness for short-term predictions, however, it begins to show positive results in medium-term forecasts. In long-term forecasts, this approach shows variations ranging from -0.21% to 5.12% relative to macroeconomic methods, although its performance frequently falls below the Autoregressive benchmark. In conclusion, textual data derived from economic narratives can enhance unemployment forecasting, particularly for longer horizons, however, their inconsistent performance, along with the complexity of the news retrieval process presents important trade-offs to consider when adopting this approach.
A presente dissertação explora como a integração de dados de texto com indicadores macroeconómicos pode melhorar a precisão dos modelos de previsão do desemprego. Atualmente, estes modelos de previsão baseiam-se essencialmente na utilização de dados quantitativos históricos, no entanto estudos recentes sugerem que a inclusão de dados textuais pode trazer melhorias na precisão das previsões, uma vez que estes são capazes de captar uma dimensão diferente do conceito de desemprego, dimensão esta que muitas vezes é negligenciada quando apenas são utilizados dados macroeconómicos. Com base em metodologias aplicadas anteriormente em estudos similares, esta análise adota uma abordagem híbrida para avaliar o desempenho de modelos de machine learning treinados com três tipos diferentes de dados: macroeconómicos, textuais extraídos de notícias e uma combinação de ambos. Os resultados indicam que, embora os tópicos derivados de notícias apresentem um desempenho inferior em previsões de curto a médio prazo face aos modelos macroeconómicos, em horizontes de longo prazo alcançam melhorias significativas, entre os 3,83% e os 13,81%. Já a abordagem combinada, embora também pouco eficaz em previsões de curto prazo, começa a mostrar resultados positivos no médio prazo e regista variações entre -0,21% e 5,12% no longo prazo, quando comparada ao método macroeconómico. Ainda assim, a abordagem apresenta frequentemente resultados abaixo do modelo autorregressivo de referência em previsões de longo prazo. Em suma, os tópicos extraídos de narrativas económicas podem ajudar a prever o indicador do desemprego a longo prazo, no entanto, o seu desempenho inconsistente, juntamente com a complexidade do processo de recolha de notícias, levanta questões importantes a serem consideradas antes da adoção desta abordagem.
A presente dissertação explora como a integração de dados de texto com indicadores macroeconómicos pode melhorar a precisão dos modelos de previsão do desemprego. Atualmente, estes modelos de previsão baseiam-se essencialmente na utilização de dados quantitativos históricos, no entanto estudos recentes sugerem que a inclusão de dados textuais pode trazer melhorias na precisão das previsões, uma vez que estes são capazes de captar uma dimensão diferente do conceito de desemprego, dimensão esta que muitas vezes é negligenciada quando apenas são utilizados dados macroeconómicos. Com base em metodologias aplicadas anteriormente em estudos similares, esta análise adota uma abordagem híbrida para avaliar o desempenho de modelos de machine learning treinados com três tipos diferentes de dados: macroeconómicos, textuais extraídos de notícias e uma combinação de ambos. Os resultados indicam que, embora os tópicos derivados de notícias apresentem um desempenho inferior em previsões de curto a médio prazo face aos modelos macroeconómicos, em horizontes de longo prazo alcançam melhorias significativas, entre os 3,83% e os 13,81%. Já a abordagem combinada, embora também pouco eficaz em previsões de curto prazo, começa a mostrar resultados positivos no médio prazo e regista variações entre -0,21% e 5,12% no longo prazo, quando comparada ao método macroeconómico. Ainda assim, a abordagem apresenta frequentemente resultados abaixo do modelo autorregressivo de referência em previsões de longo prazo. Em suma, os tópicos extraídos de narrativas económicas podem ajudar a prever o indicador do desemprego a longo prazo, no entanto, o seu desempenho inconsistente, juntamente com a complexidade do processo de recolha de notícias, levanta questões importantes a serem consideradas antes da adoção desta abordagem.
Descrição
Palavras-chave
Unemployment Forecasting Economic Narrative Analysis Machine Learning Models Previsão do Desemprego, Análise de Narrativas Económicas, Modelos de Machine Learning Previsão do Desemprego Análise de Narrativas Económicas Modelos de Machine Learning
Contexto Educativo
Citação
Pereira, Marta Vitória Miranda .(2025). “Unemployment forecasting: integrating economic narratives with machine learning”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão
Editora
Instituto Superior de Economia e Gestão