Diplomová práce

Fiscal multipliers through machine learning

Bc. Juraj Szitás, učo 443882
Anotace

V tejto práci sú prezentované nové metódy pre odhad tzv. treatment efektov vďaka novým poznatkom z oblasti neparametrických odhadov, ktoré sú zbežne známe ako "strojové učenie". Tieto sú diskutované na začiatku práce, mimo krátkeho odklonu počas ktorého sú diskutované fiškálne multiplikátory, a bežné metódy ich odhadu. Následne je demonštrované ako sa tieto nové metódy strojového učenia dajú použiť …více

Abstract

This work presents new methods for estimating treatment effects through recent breakthroughs in non-parametric methods commonly known as 'machine learning'. These are exposed in the first few chapters, barring a short discourse into the topic of fiscal multipliers, and common methods to estimate them. It is then shown how these new methods can be used for the estimation of fiscal multipliers, and estimated …více

Klíčová slova
fiškálne multiplikátory fiškálna politika strojové učenie náhodný les treatment efekty dvojité strojové učenie dvojité procedúry na výber modelu fiscal multipliers fiscal policy machine learning random forest causal forest treatment effects double machine learning de-biased machine learning double selection procedures
Zadání práce
Cílem práce bude odhadnout fiskální multiplikátory v zemích EU pomocí nových metod strojového učení a data miningu. Odhadované budou zejména pak tzv. treatment efekty fiskální politiky - reakce HDP agregátů na změny ve vládních výdajích. Rámcový postup bude následující: 1. Představení modelových technik strojového učení/data miningu, které umožňují modelování kauzálních vplyvů, rešerše literatury k danému tématu. Teoretické představení způsobů modelování pomocí těchto metod v makroekonomii. 2. Získání dat, jejich předzpracovaní, výběr relevantních proměnných modelu. 3. Samotný odhad treatment efektů, testy robustnosti vůči selekci proměnných. 4. Zhodnocení a interpretace dosažených výsledků (srovnání s jinými studiemi využívajících např. přístup VAR/DSGE). Literatura: Belloni, Alexandre;, Chernozhukov, Victor and Christian Hansen. 2014. "High-Dimensional Methods and Inference on Structural and Treatment Effects." Journal of Economic Perspectives, 28 (2): 29-50. Hastie, Trevor; Tibshirani, Robert and Friedman, Jerome. "The Elements of Statistical Learning." New York, NY, USA: Springer New York Inc., 2001. Chernozhukov, Victor; Chetverikov, Denis; Demirer, Mert; Duflo, Esther; Hansen, Christian; K Newey, Whitney and Robins, James. (2017). "Double/debiased machine learning for treatment and structural parameters." The Econometrics Journal. 10.1111/ectj.12097. Pearl, Judea. (2009)“Causality”, Cambridge University Press, ISBN 978-0521895606 Athey, Susan & Wager, Stefan & Tibshirani, Julie "Generalized Random Forests." Annals of Statistics. 2019, Vol. 47, Issue 2, Pages 1148-1178
Administrativní informace
Práce zkontrolována:
25. 7. 2020 15:11, Ing. Mgr. Vlastimil Reichel, Ph.D., učo 357467
Plný text práce
2,6 MB / soubor PDF
Přílohy (1)
Jazyk práce
angličtina angličtina
Termín obhajoby
10. 9. 2020
Práce byla úspěšně obhájena

Vedoucí

Ing. Mgr. Vlastimil Reichel, Ph.D., učo 357467
KE ESF MU

Oponent

doc. Ing. Jan Čapek, Ph.D., učo 40604
KE ESF MU
Citovat tuto práci
Masarykova univerzita Ekonomicko-správní fakulta
Studijní program
Plán
Matematické a statistické metody v ekonomii

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.