Essays in applied time series econometrics

Abstract

Aquesta tesi aborda tres temes de contínua rellevància acadèmica i social -- el canvi climàtic, la política monetària i la migració internacional -- utilitzant eines de la literatura macroeconomètrica per a l'anàlisi causal i la previsió amb dades de sèries temporals. Al primer capítol, coautor amb Alessandra Testa, desenvolupem un marc economètric que permet desentranyar les fonts naturals i antropogèniques de la variació de la temperatura als Estats Units utilitzant una alta resolució espacial. Utilitzant un VAR (Vector Autorregressiu) augmentat amb factors i la identificació de xocs estructurals en el domini de la freqüència, mostrem que l'activitat socioeconòmica als Estats Units des de la dècada de 1940 ha estat responsable d'una quarta part dels canvis de temperatura a llarg termini, amb una importància creixent a les àrees on es concentra la indústria nord-americana. Per contra, les fluctuacions de temperatura induïdes de manera natural deixen l'economia nord-americana essencialment inalterada. Al segon capítol, proposo una manera de fusionar la literatura sobre el growth-at-risk i la inflation-at-risk amb mètodes d'inferència causal quan hi ha molta informació. En un procediment en dues etapes que involucra un model factorial dinàmic estructural i regressions quantíliques, mostro que els xocs de política monetària contractiva als Estats Units augmenten la incertesa al voltant de la inflació i exacerben la bimodalitat de la distribució prevista del creixement del PIB. La política expansiva redueix la incertesa i gairebé resol el "mal" equilibri predit per al creixement econòmic. Els resultats suggereixen que els esforços per controlar la inflació no són adequats per a la gestió del risc macroeconòmic. Al tercer capítol, coautor amb Andre Groeger, Tobias Heidland, Finja Krueger i Conghan Zheng, incorporem les Cerques a Google com a predictors de la migració de refugiats entre més de 150 països d'origen cap als països de la UE27 utilitzant mètodes d'aprenentatge automàtic. Mostrem que, atès el gran augment sense precedents de sol·licituds d'asil durant la crisi migratòria de 2015-2016, és difícil superar els models de referència ingenus. No obstant això, els models que només compten amb dades de Google Trends i cap altre predictor funcionen comparativament bé fora de la mostra per a alguns corredors de migració seleccionats. Donada l'alta freqüència d'aquestes dades, investiguem el seu potencial en un exercici de nowcasting per a la recent onada de refugiats d'Ucraïna provocada per la invasió russa de febrer de 2022. L'exercici reflecteix les troballes de la cursa de cavalls entre diversos països: fins i tot els models sofisticats amb dades d'alta freqüència els hi costa anticipar amb precisió les sol·licituds d'asil en relacions migratòries importants.

Esta tesis aborda tres temas de continua relevancia académica y social – el cambio climático, la política monetaria y la migración internacional – utilizando herramientas de la literatura macroeconométrica para el análisis causal y la previsión con datos de series temporales. En el primer capítulo, en coautoría con Alessandra Testa, desarrollamos un marco econométrico que permite desentrañar las fuentes naturales y antropogénicas de la variación de la temperatura en los Estados Unidos utilizando una alta resolución espacial. Utilizando un FAVAR (factor-augmented Vector Autoregression) y una identificación de choques estructurales en el dominio de la frecuencia, mostramos que la actividad socioeconómica en los Estados Unidos desde la década de 1940 ha sido responsable de una cuarta parte de los cambios de temperatura a largo plazo, con una importancia creciente en las áreas donde se concentra la industria estadounidense. Por el contrario, las fluctuaciones de temperatura inducidas naturalmente dejan la economía estadounidense esencialmente inalterada. En el segundo capítulo, se propone una forma de fusionar la literatura sobre el growth-at-risk y la inflation-at-risk con métodos de inferencia causal cuando hay mucha información. En un procedimiento en dos etapas que involucra un modelo factorial dinámico estructural y regresiones cuantílicas, se muestra que los choques de política monetaria contractiva en los Estados Unidos aumentan la incertidumbre en torno a la inflación y exacerban la bimodalidad de la distribución predicha del crecimiento del PIB. La política expansiva reduce la incertidumbre y casi resuelve el "mal" equilibrio predicho para el crecimiento económico. Los resultados sugieren que los esfuerzos por controlar la inflación no son adecuados para la gestión del riesgo macroeconómico. En el tercer capítulo, en coautoría con Andre Groeger, Tobias Heidland, Finja Krueger y Conghan Zheng, incorporamos las Búsquedas en Google como predictores de la migración de refugiados entre más de 150 países de origen hacia los países de la UE27 utilizando métodos de aprendizaje automático. Mostramos que, dado el gran aumento sin precedentes de solicitudes de asilo durante la crisis migratoria de 2015-2016, es difícil superar los modelos de referencia ingenuos. Sin embargo, los modelos que solo cuentan con datos de Google Trends y ningún otro predictor funcionan comparativamente bien fuera de muestra para algunos corredores de migración seleccionados. Dada la alta frecuencia de estos datos, investigamos su potencial en un ejercicio de nowcasting para la reciente ola de refugiados de Ucrania provocada por la invasión rusa de febrero de 2022. El ejercicio refleja los hallazgos de la carrera de caballos entre varios países: incluso a los modelos sofisticados con datos de alta frecuencia les cuesta anticipar con precisión las solicitudes de asilo en relaciones migratorias importantes.

This thesis addresses three topics of continued academic and social relevance – climate change, monetary policy and international migration – using tools from the macroeconometric literature for causal analysis and forecasting with time series data. In the first chapter, co-authored with Alessandra Testa, we develop an econometric framework that allows for the disentanglement of natural and anthropogenic sources of temperature variation in the US at high spatial resolution. Using a factor-augmented VAR and frequency-domain identification of structural shocks, we show that socio-economic activity in the US since the 1940s has been responsible for a quarter of long-term temperature changes, with increased importance in the areas where the American industry is concentrated. Conversely, naturally induced temperature fluctuations leave the US economy essentially unaffected. In the second chapter, I propose a way to merge the literature on growth-at-risk and inflation-at-risk with causal inference methods when information is large. In a two-step procedure involving a structural dynamic factor model and quantile regressions, I show that contractionary monetary policy shocks in the US increase the uncertainty around inflation and exacerbate the bi-modality of the predicted distribution of GDP growth. Expansionary policy shrinks uncertainty and nearly resolves the ``bad" equilibrium predicted for economic growth. The results suggest that efforts to control inflation are not suitable for macroeconomic risk management. In the third chapter, co-authored with Andre Groeger, Tobias Heidland, Finja Krueger and Conghan Zheng, we incorporate Google Searches as predictors for refugee migration between more than 150 countries of origin to the EU27 countries using machine learning methods. We show that given the large unprecedented spikes of asylum requests during the migration crisis in 2015-2016 it is difficult to beat naive benchmark models. However, models that feature only Google Trends data and no other predictors perform comparatively well out-of-sample for selected migration corridors. Given the high frequency availability of these data, we investigate their potential in a nowcasting exercise for the recent refugee wave from Ukraine triggered by the Russian invasion of February 2022. The exercise echos the findings from the multicountry horse race: even sophisticated models with high frequency data struggle to accurately anticipate asylum seeker applications in important migration relationships.