Hur kan beslutsfattare undvika att bli felfotade av "svarta svanen"-händelser som den globala finanskrisen, när deras modellering visar sig vara begränsad och stel? Ett projekt använder sofistikerade algoritmer som använder lokaliserad data för bättre prognoser.

Den globala finanskrisen (GFC) som startade 2008 föranledde en omprövning av ekonomiska prognoser. Modellering har länge varit ett standardverktyg för hantering av centralbanker för att göra bedömningar av de globala och inhemska ekonomiska utsikterna, som sedan underbygger penningpolitiken.

Dock, med ständigt utvecklande ekonomier, om modellerna inte har förmågan att återspegla dessa förändringar, den efterföljande politiken, även om det kanske passar för det förflutna, kanske inte längre är lönsamt. En stor del av utmaningen för ekonomiska prognoser ligger i svårigheten att identifiera dessa förändringar, de individuella triggers som hjälper till att forma makroekonomin, kräva korrigerande policyer för att kompensera negativa konsekvenser.

Det EU-finansierade post-GFC Monetary Policy-projektet föreslog en ny metod som, genom att införliva lokal data, eftersträvade en snabbare reaktion på makroekonomiska förändringar än vad befintliga metoder tillåter. Projektet fann att det gav frukt när man tog prissättningen för sjukvården som en indikator på politisk framgång men var mindre tillämplig på penningpolitiken, när man tittar på finansiella data.

Använda lokala data som förutsägare för förändring

Ett av problemen med traditionella ekonomiska modeller är att många arbetar enligt linjära regressionsprinciper, med konstanta koefficienter. Här, effekter anses vara konstanta över tiden. Dock, som Marie Curie Fellow Dr Isabel Casas säger, "Faktiskt, i den verkliga världen, effekterna förändras över tiden när de reagerar på det bredare ekonomiska klimatet eller plötsliga oväntade ekonomiska eller finansiella chocker." dessa modeller kan egentligen bara spegla mycket allmänna trender, skapa något som liknar ett medelvärde av de förändrade effekterna.

En metod för att motverka denna begränsning är att tillämpa icke-parametrisk regression, varvid själva modellen faktiskt konstrueras av data, snarare än att byggas från förutbestämda prediktorer. Dr. Casas förklarar effektiviteten av metoden, säger Dr. Casas, "Släktskapet mellan två olika variabler förändras över tiden, om det är dagar, veckor eller år. Metoderna vi använde kan upptäcka dessa ändringar automatiskt, ger en mindre partisk bild av verkligheten."

Projektets information kom från lokaliserad data som ett sätt att representera tidsvarierande effekter. Forskarna skapade ett statistiskt paket som heter tvReg, använder programmeringsspråket R, som tillämpade tidsvarierande koefficientalgoritmer på data. På grund av deras programmeringskomplexitet, dessa algoritmer har varit, tills nu, till stor del förbehållet specialister.

Den penningpolitiska tillämpningen av den metod som används för finansiella data, inklusive variabler som mäter industriell produktion, korta och långa räntor, inflation, valutadata och Credit Default Swaps. Dock, forskarna fann att modelleringen inte gav andra prediktiva resultat än de som genererades av traditionell modellering, dra slutsatsen att denna tidsvarierande teknik inte erbjöd en betydande fördel för dessa data.

Å andra sidan, när det gällde den vårdpolitiska ansökan, ett tillvägagångssätt de tog var att titta på i vilken utsträckning sjukvård kan betraktas som en lyxvara inom EU- och OECD -länder.

Deras resultat skiljer sig från tidigare resultat i litteraturen där sjukvård alltid (baserat på pris) var positionerad som en lyxvara i EU. Dr. Casas avslutar, "Det är uppenbart att EU-länderna konvergerar till en gemensam politik, med priset på sjukvård ganska stabilt under åren och billigare än i de bredare OECD-länderna, så vi kan se att hälsopolitiken efter 2008 i EU går i rätt riktning."

Nästa steg i forskningen är att fokusera på modellering som förutsäger beteendet hos processer i andra sammanhang, till exempel för förnybar energiproduktion baserad på oceaniska data, som innehåller information om svällning, tidvatten, vind eller våghöjd. Detta kommer att visa sig vara fördelaktigt för både producenter och konsumenter på EU:s elmarknad.