Apa itu siaran sekarang?

Seperti forecasting , yang memprediksi masa depan, nowcasting memprediksi masa kini, yaitu memperkirakan keadaan saat ini atau jangka pendek menggunakan data real-time dan analitik prediktif.

Di mana siaran sekarang digunakan?

Nowcasting memainkan peran penting dalam bidang di mana informasi terbaru sangat diperlukan untuk pengambilan keputusan yang efektif tetapi mungkin tidak dapat diakses dengan segera. Bidang tersebut meliputi keuangan, meteorologi, kesehatan masyarakat, ekonomi, dan lain-lain. Di bidang keuangan, misalnya, prediksi pergerakan harga saham secara real-time berguna bagi investor untuk membuat keputusan berdasarkan informasi dan berbagai sumber data yang tersedia serta analitik lanjutan dapat dimanfaatkan untuk tujuan ini. Demikian pula, data dari masukan sensorik dan citra satelit dapat digunakan untuk prediksi cuaca jangka pendek yang akurat dalam meteorologi. Namun, artikel ini akan berfokus pada penyiaran ekonomi makro — prediksi waktu nyata dari indikator ekonomi makro utama, seperti PDB dan inflasi. Statistik resmi untuk indikator semacam itu seringkali hanya tersedia dengan lag.

Penyiaran makroekonomi:

Memprediksi dinamika ekonomi jangka pendek merupakan input penting dalam proses pengambilan keputusan berbagai pelaku ekonomi. Namun, menyusun indikator ekonomi makro utama secara akurat dapat menjadi tantangan karena berbagai alasan. Misalnya, estimasi resmi dirilis dengan penundaan yang cukup lama , dan ketidakpastian dalam data dan estimasi dapat menyebabkan banyak revisi, terkadang bertahun-tahun setelah rilis pertama. Selain itu, berbagai seri data diperlukan untuk melakukan nowcasting indikator ekonomi makro secara akurat — semakin memperumit proses [1].

Krisis ekonomi makro, seperti akibat pandemi Covid-19, membuat nowcasting semakin menantang karena dampak ekonomi krisis yang belum pernah terjadi sebelumnya , kebijakan tidak konvensional yang dirancang untuk mengatasi krisis tersebut, dan model tradisional yang tidak dapat diandalkan karena ketergantungannya pada data yang tertinggal [2].

Pembelajaran mesin untuk penyiaran ekonomi makro:

Penggunaan model pembelajaran mesin (ML) untuk nowcasting ekonomi makro sangat menguntungkan karena kemampuannya untuk secara efektif menangani beragam kumpulan data real-time , mengelola kolinearitas dalam prediktor, dan menangkap interaksi nonlinear antara prediktor dan variabel target. Selain itu, model ML memprioritaskan peningkatan akurasi prediksi — aspek penting dari aplikasi penyiaran makroekonomi [2].

Contoh penggunaan ML untuk macro nowcasting:

Pendekatan populer untuk nowcasting ekonomi makro adalah model faktor dinamis (DFM) dan model Mixed Data Sampling (MIDAS); namun, penggunaan model ML telah meningkat akhir-akhir ini. Ini karena kebutuhan untuk memanfaatkan kumpulan data frekuensi tinggi, non-tradisional, dan kompleks. Beberapa artikel yang tercantum di bawah menekankan kegunaan model ML dalam mengekstraksi nilai ekonomi dari data tersebut. Selain itu, artikel ini menyoroti bahwa model ML dapat digunakan bersamaan dengan alat ekonometrik tradisional seperti model MIDAS untuk meningkatkan akurasi prediksi dan mendapatkan wawasan yang lebih mendalam tentang tren ekonomi makro [3, 4].

A. Kapetanios, G. dan Papailias, F. Data besar & penyiaran ekonomi makro: Tinjauan metodologis. Laporan teknis, Makalah Diskusi ESCoE DP-2018–12 , 2018. ( tautan makalah )

B. Richardson, A., Mulder, T. dan Vehbi, T. Nowcasting PDB menggunakan algoritme pembelajaran mesin: Penilaian waktu nyata. International Journal of Forecasting , 2020. ( tautan kertas )

C. Chapman, J., dan Desai, A. Menggunakan data pembayaran untuk menghitung variabel ekonomi makro selama awal COVID-19. Jurnal Infrastruktur Pasar Keuangan , 9(1), 2021. ( tautan kertas )

D. Babii, A., Ghysels, E., dan Striaukas, J. Regresi deret waktu pembelajaran mesin dengan aplikasi untuk siaran sekarang. Jurnal Statistik Bisnis & Ekonomi , 40, 2022 ( link kertas )

Tantangan untuk diatasi:

Namun, penggunaan model ML juga menimbulkan beberapa tantangan yang dapat mengurangi keefektifan model tersebut untuk penggunaan kebijakan. Khususnya, masalah overfitting model ML nowcasting; yaitu, karena fleksibilitas model ini, mudah untuk menyesuaikannya pada data dalam sampel, yang dapat mengurangi performa di luar sampel. Selain itu, model-model ini sulit untuk ditafsirkan, yang penting untuk memahami prediksi mereka — terutama jika digunakan untuk mendukung keputusan kebijakan.

Para peneliti membuat kemajuan untuk mengatasi tantangan ini. Misalnya, satu pendekatan yang baru-baru ini dikembangkan untuk mengurangi masalah interpretabilitas adalah metodologi berbasis nilai Shapley [5, 6]. Namun, perhatikan bahwa meskipun metode tersebut didasarkan pada teori permainan, mereka tidak memberikan kriteria statistik yang optimal. Untuk mengatasinya, misalnya, dalam makalah baru-baru ini [7], penulis mengusulkan pengambilan sampel data campuran berbasis ML dan mengembangkan asimtotik dalam konteks regresi linier yang diatur. Namun, banyak kemajuan yang perlu dilakukan untuk menggunakan analisis asimtotik tersebut untuk pendekatan ML nonlinier yang populer.

Referensi

[1] Giannone, D., Reichlin, L., & Kecil, D. (2008). Nowcasting: Konten informasi real-time dari data ekonomi makro. Jurnal ekonomi moneter , 55 .

[2] Chapman, JT, & Desai, A. (2022). Prediksi Makroekonomi Menggunakan Data Pembayaran dan Pembelajaran Mesin. pracetak arXiv arXiv:2209.00948 .

[3] Saham, JH, & Watson, MW (2011). Model faktor dinamis.

[4] Ghysels, E., Sinko, A., & Valkanov, R. (2007). Regresi MIDAS: Hasil lebih lanjut dan arah baru. Tinjauan ekonometrika , 26 .

[5] Lundberg, SM, & Lee, SI (2017). Pendekatan terpadu untuk menafsirkan prediksi model. Kemajuan dalam sistem pemrosesan informasi saraf , 30 .

[6] Buckmann, M., Joseph, A., & Robertson, H. (2021). Membuka kotak hitam: Interpretasi pembelajaran mesin dan alat inferensi dengan aplikasi untuk peramalan ekonomi. Dalam Ilmu Data untuk Ekonomi dan Keuangan: Metodologi dan Aplikasi.

[7] Babii, A., Ghysels, E., & Striaukas, J. (2022). Regresi deret waktu pembelajaran mesin dengan aplikasi untuk penyiaran sekarang. Jurnal Statistik Bisnis & Ekonomi , 40.