Nowcasting With Google Trends in an Emerging Market

• Autores: Yan Carrière Swallow, Felipe Labbé
• Localización: Documentos de Trabajo ( Banco Central de Chile ), ISSN-e 0717-4411, Nº. 588, 2010
• Idioma: inglés
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Gran parte de las variables macro agregadas son reveladas con cierto rezago dificultando así la evaluación del estado actual de la economía. Este trabajo explora si la información sobre búsquedas en Internet puede reflejar el comportamiento de una variable macro en tiempo real en un mercado emergente. Utilizando datos de búsquedas en Google construimos un índice que refleja la intención de comprar un auto, y testeamos si este índice logra mejorar el ajuste y la eficiencia de modelos de nowcasting para ventas de autos en Chile. Además, evaluamos si dicho índice proporciona información sobre la predicción de cambios de tendencias. Pese a una relativamente baja penetración de Internet, nuestros resultados indican que los modelos que incorporan nuestro índice tienen varias ventajas:

    generan predicciones más acertadas en términos de ajuste y eficiencia, dentro y fuera de muestra. Adicionalmente, se muestra cierta ganancia sensibilizando la oportunidad de la entrega de la información.

  • English

    Most economic variables are released with a lag, making it difficult for policy-makers to make an accurate assessment of current conditions. This paper explores whether observing Internet browsing habits can inform practitioners about real-time aggregate consumer behavior in an emerging market. Using data on Google search queries, we introduce a simple index of interest in automobile purchases in Chile and test whether it improves the fit and efficiency of nowcasting models for automobile sales. We also examine to what extent our index helps us identify turning points in sales data. Despite relatively low rates of Internet usage among the population, we find that models incorporating our Google Trends Automotive Index outperform benchmark specifications in both in-sample and outof- sample nowcasts while providing substantial gains in information delivery times.