Título :	Macroeconomic Forecasting in the Era of Big Data : Theory and Practice
Tipo de documento:	documento electrónico
Autores:	Fuleky, Peter,
Mención de edición:	1 ed.
Editorial:	[s.l.] : Springer
Fecha de publicación:	2020
Número de páginas:	XIII, 719 p. 80 ilustraciones, 62 ilustraciones en color.
ISBN/ISSN/DL:	978-3-030-31150-6
Nota general:	Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave:	Econometría  Macroeconómica  Grandes datos  Estadísticas  Investigación cuantitativa  Macroeconomía y economía monetaria  Estadística en Negocios  Gestión  Economía  Finanzas  Seguros  Análisis de datos y Big Data
Índice Dewey:	330.015195
Resumen:	Este libro analiza las herramientas de big data utilizadas en la previsión macroeconómica y aborda cuestiones econométricas relacionadas, incluyendo cómo capturar relaciones dinámicas entre variables; cómo seleccionar modelos parsimoniosos; cómo lidiar con la incertidumbre del modelo, la inestabilidad, la no estacionariedad y los datos de frecuencia mixta; y cómo evaluar pronósticos, entre otros. Cada capítulo contiene referencias y proporciona información general sólida, al mismo tiempo que revisa los últimos avances en el campo. En consecuencia, el libro ofrece un recurso valioso para investigadores, pronosticadores profesionales y estudiantes de economía cuantitativa.
Nota de contenido:	Introduction: Sources and Types of Big Data for Macroeconomic Forecasting -- Capturing Dynamic Relationships: Dynamic Factor Models -- Factor Augmented Vector Autoregressions, Panel VARs, and Global VARs -- Large Bayesian Vector Autoregressions -- Volatility Forecasting in a Data Rich Environment -- Neural Networks -- Seeking Parsimony: Penalized Time Series Regression -- Principal Component and Static Factor Analysis -- Subspace Methods -- Variable Selection and Feature Screening -- Dealing with Model Uncertainty: Frequentist Averaging -- Bayesian Model Averaging -- Bootstrap Aggregating and Random Forest -- Boosting -- Density Forecasting -- Forecast Evaluation -- Further Issues: Unit Roots and Cointegration -- Turning Points and Classification -- Robust Methods for High-dimensional Regression and Covariance Matrix Estimation -- Frequency Domain -- Hierarchical Forecasting.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Macroeconomic Forecasting in the Era of Big Data : Theory and Practice [documento electrónico] / Fuleky, Peter,  . -  1 ed.  . - [s.l.] : Springer, 2020 . - XIII, 719 p. 80 ilustraciones, 62 ilustraciones en color.
ISBN : 978-3-030-31150-6
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.

Palabras clave:	Econometría  Macroeconómica  Grandes datos  Estadísticas  Investigación cuantitativa  Macroeconomía y economía monetaria  Estadística en Negocios  Gestión  Economía  Finanzas  Seguros  Análisis de datos y Big Data
Índice Dewey:	330.015195
Resumen:	Este libro analiza las herramientas de big data utilizadas en la previsión macroeconómica y aborda cuestiones econométricas relacionadas, incluyendo cómo capturar relaciones dinámicas entre variables; cómo seleccionar modelos parsimoniosos; cómo lidiar con la incertidumbre del modelo, la inestabilidad, la no estacionariedad y los datos de frecuencia mixta; y cómo evaluar pronósticos, entre otros. Cada capítulo contiene referencias y proporciona información general sólida, al mismo tiempo que revisa los últimos avances en el campo. En consecuencia, el libro ofrece un recurso valioso para investigadores, pronosticadores profesionales y estudiantes de economía cuantitativa.
Nota de contenido:	Introduction: Sources and Types of Big Data for Macroeconomic Forecasting -- Capturing Dynamic Relationships: Dynamic Factor Models -- Factor Augmented Vector Autoregressions, Panel VARs, and Global VARs -- Large Bayesian Vector Autoregressions -- Volatility Forecasting in a Data Rich Environment -- Neural Networks -- Seeking Parsimony: Penalized Time Series Regression -- Principal Component and Static Factor Analysis -- Subspace Methods -- Variable Selection and Feature Screening -- Dealing with Model Uncertainty: Frequentist Averaging -- Bayesian Model Averaging -- Bootstrap Aggregating and Random Forest -- Boosting -- Density Forecasting -- Forecast Evaluation -- Further Issues: Unit Roots and Cointegration -- Turning Points and Classification -- Robust Methods for High-dimensional Regression and Covariance Matrix Estimation -- Frequency Domain -- Hierarchical Forecasting.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i