Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/38840Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Χατζηπέτρος, Αλέξανδρος Ν. | el |
| dc.contributor.author | Chatzipetros, Alexandros N. | en |
| dc.date.accessioned | 2025-03-07T14:23:23Z | - |
| dc.date.available | 2025-03-07T14:23:23Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/38840 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Big data | en |
| dc.subject | Factor augmented vector autoregression (FAVAR) | en |
| dc.subject | Principal component analysis (PCA) | en |
| dc.subject | FRED-MD dataset | en |
| dc.subject | Μεγάλα δεδομένα | el |
| dc.subject | Διανυσματική αυτοπαλινδρόμηση με εμπλουτισμό παραγόντων | el |
| dc.subject | Ανάλυση κύριων συνιστωσών | el |
| dc.subject | Δεδομένα FRED-MD | el |
| dc.title | Big data and macroeconomic research | en |
| dc.title | Μεγάλα δεδομένα και μακροοικονομική έρευνα | el |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Macroeconomics | en |
| heal.classification | Μακροοικονομικά | el |
| heal.dateAvailable | 2025-03-07T14:24:23Z | - |
| heal.language | en | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Οικονομικών και Διοικητικών Επιστημών. Τμήμα Οικονομικών Επιστημών | el |
| heal.publicationDate | 2025-01-31 | - |
| heal.abstract | In recent years, macroeconomic forecasting has increasingly relied on high-dimensional da-tasets, requiring various approaches in order to obtain valid conclusions. Traditional economet-ric models, despite their widespread use, frequently face difficulties in managing the complex structure and high volume modern economic data. Factor-based models, especially those utiliz-ing Principal Component Analysis (PCA) and Factor-Augmented Vector Autoregression (FAVAR), have become effective instruments for summarizing macroeconomic data and im-proving forecasting precision. This thesis investigates the predictive effectiveness of variables obtained from the FRED-MD dataset, motivated by the need for accessible and accurate fore-casting methodologies, while repeating and expanding upon the findings of McCracken and Ng (2015). The research evaluates factor estimates over various periods such as years 2014, 2015, and 2024 analyzing their consistency, explanatory ability, and impact in representing changes in the economy across period. A comparative examination with the previously utilized GSI da-taset underscores the enhancements offered by FRED-MD regarding data availability, con-sistency, and forecasting accuracy. The study assesses the variation percentage accounted for by extracted components, showing changes in macroeconomic relationships throughout several periods. Moreover, Chapter 1 presents the study explanation, objectives, and the importance of factor-based macroeconomic forecasting. Chapter 2 examines relevant research about factor models and their applications. Chapter 3 outlines the methodological framework, describing the factor estimation procedure, the execution of FAVAR, and the assessment metrics employed. Chapter 4 defines the dataset and preprocessing methodologies, guaranteeing openness regard-ing data changes. Chapter 5 indicates the empirical investigation, contrasting factor estimations and their prediction power over various timeframes. Chapter 6 closes the study by encapsulating principal results, addressing limitations, and proposing avenues for future research. Despite that this thesis does not apply Machine Learning techniques, it presents theoretical notions to aid future scholars in incorporating methods like Linear Regression, or Neural Networks into mac-roeconomic forecasting. The results confirm the effectiveness of factor-based methodologies, highlighting the necessity for adjustment to current economic period, hence underscoring the importance of regularly updating datasets and utilizing econometric methods to improve mac-roeconomic analysis. | en |
| heal.abstract | Τα τελευταία χρόνια, οι μακροοικονομικές προβλέψεις βασίζονται όλο και περισσότερο σε σύνολα δεδομένων μεγάλων διαστάσεων, γεγονός που απαιτεί διαφορετικές προσεγγίσεις για την εξαγωγή έγκυρων συμπερασμάτων. Τα παραδοσιακά οικονομετρικά μοντέλα, παρά την ευρεία χρήση τους, αντιμετωπίζουν συχνά δυσκολίες στη διαχείριση της πολύπλοκης δομής και του μεγάλου όγκου των σύγχρονων οικονομικών δεδομένων. Τα υποδείγματα με βάση τους κοινούς παράγοντες, ιδίως εκείνα που χρησιμοποιούν την ανάλυση κύριων συνιστωσών (PCA) και τη διανυσματική αυτοπαλινδρόμηση με βάση τους παράγοντες (FAVAR), έχουν καταστεί αποτελεσματικά εργαλεία για τη σύνοψη των μακροοικονομικών δεδομένων και τη βελτίωση της ακρίβειας των προβλέψεων. Η παρούσα διπλωματική διερευνά την προγνωστική αποτελεσματικότητα των μεταβλητών που λαμβάνονται από το σύνολο δεδομένων FRED-MD, με κίνητρο την ανάγκη για προσβάσιμες και ακριβείς μεθοδολογίες πρόβλεψης, ενώ επαναλαμβάνει τα ευρήματα των McCracken και Ng (2015). Η έρευνα αξιολογεί τις εκτιμήσεις των παραγόντων για διάφορες περιόδους, όπως τα έτη 2014, 2015 και 2024, αναλύοντας τη συνοχή, την επεξηγηματική τους ικανότητα και την επίδρασή τους στην αναπαράσταση των μεταβολών της οικονομίας σε όλη την περίοδο. Μια σύγκριση με το σύνολο δεδομένων GSI που χρησιμοποιήθηκε σε προηγούμενες έρευνες υπογραμμίζει τις βελτιώσεις που προσφέρει η FRED-MD όσον αφορά τη διαθεσιμότητα των δεδομένων, τη συνέπεια και την ακρίβεια των προβλέψεων. Η μελέτη αξιολογεί το ποσοστό μεταβλητότητας που αντιπροσωπεύουν οι εξαγόμενες συνιστώσες, δείχνοντας τις αλλαγές στις μακροοικονομικές σχέσεις σε διάφορες περιόδους. Επιπλέον, στο Κεφάλαιο 1 παρουσιάζονται η εξήγηση της μελέτης, οι στόχοι και η σημασία των μακροοικονομικών προβλέψεων βάσει παραγόντων. Το Κεφάλαιο 2 εξετάζει τη σχετική έρευνα σχετικά με τα παραγοντικά υποδείγματα και τις εφαρμογές τους. Το Κεφάλαιο 3 περιγράφει το μεθοδολογικό πλαίσιο, περιγράφοντας τη διαδικασία εκτίμησης των παραγόντων, την εκτέλεση του FAVAR και τις μετρικές αξιολόγησης που χρησιμοποιήθηκαν. Το κεφάλαιο 4 ορίζει το σύνολο δεδομένων και τις μεθοδολογίες επεξεργασίας δεδομένων, διασφαλίζοντας την συνέπεια όσον αφορά τις αλλαγές των δεδομένων. Το κεφάλαιο 5 υποδεικνύει την εμπειρική διερεύνηση, αντιπαραβάλλοντας τις εκτιμήσεις παραγόντων και την προβλεπτική τους ικανότητα σε διάφορα χρονικά πλαίσια. Το κεφάλαιο 6 συνοψίζει τα κύρια αποτελέσματα, σχολιάζοντας τους περιορισμούς και προτείνοντας δρόμους για μελλοντική έρευνα. Παρά το γεγονός ότι η παρούσα διατριβή δεν εφαρμόζει τεχνικές Μηχανικής Μάθησης, παρουσιάζει θεωρητικές έννοιες που θα βοηθήσουν τους μελλοντικούς μελετητές να ενσωματώσουν μεθόδους όπως η Γραμμική Παλινδρόμηση, ή τα Νευρωνικά Δίκτυα στις μακροοικονομικές προβλέψεις. Τα αποτελέσματα επιβεβαιώνουν την αποτελεσματικότητα των μεθοδολογιών που βασίζονται σε παράγοντες, αναδεικνύοντας την ανάγκη προσαρμογής στην τρέχουσα οικονομική περίοδο, υπογραμμίζοντας, τη σημασία της συχνής επικαιροποίησης των συνόλων δεδομένων και της χρήσης οικονομετρικών μεθόδων για τη βελτίωση της μακροοικονομικής ανάλυσης. | el |
| heal.advisorName | Salamaliki, Paraskevi | en |
| heal.committeeMemberName | Symeonidis, Spyridon | en |
| heal.committeeMemberName | Charistos, Konstantinos | en |
| heal.committeeMemberName | Salamaliki, Paraskevi | en |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Οικονομικών και Διοικητικών Επιστημών. Τμήμα Οικονομικών Επιστημών | el |
| heal.academicPublisher | University of Ioannina. School of Economics and Management Sciences. Department of Economics | en |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 84 σ. | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΟΕ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε. Χατζηπέτρος Αλέξανδρος (2025).pdf | Macroeconomics | 3.65 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
