On estimating contemporaneous quarterly regional GDP

Pavía-Miralles, Jose Manuel; Cabrer-Borrás, Bernardí

doi:10.1002/for.1018

Cited by 11 publications

(11 citation statements)

References 19 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…LS: baseline is inspired by [16]. However, this work uses additional information that is not available in our context.…”

Section: Evaluation Baselines and Metricsmentioning

confidence: 99%

“…In this case, temporal and contemporaneous aggregated views of the data are available. For instance, we are interested in estimating the quarterly Gross Regional Product (GRP) values for regions of a country, given: 1) the annual GRP per region (temporal aggregates), and 2) the GDP quarterly national accounts (contemporaneous aggregates) [16].…”

Section: Introductionmentioning

confidence: 99%

“…2.2 for another example. Algorithms have been developed to integrate the multiple aggregates in the disaggregation process [4,16]. The majority of them leverage linear regression models with priors and require additional information to perform the disaggregation task.…”

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Tendi: Tensor Disaggregation from Multiple Coarse Views

Almutairi

Kanatsoulis

Sidiropoulos

2020

Advances in Knowledge Discovery and Data Mining

View full text Add to dashboard Cite

Multidimensional data appear in various interesting applications, e.g., sales data indexed by stores, items, and time. Oftentimes, data are observed aggregated over multiple data atoms, thus exhibit low resolution. Temporal aggregation is most common, but many datasets are also aggregated over other attributes. Multidimensional data, in particular, are sometimes available in multiple coarse views, aggregated across different dimensions -especially when sourced by different agencies. For instance, item sales can be aggregated temporally, and over groups of stores based on their location or affiliation. However, data in finer granularity significantly benefit forecasting and data analytics, prompting increasing interest in data disaggregation methods. In this paper, we propose Tendi, a principled model that efficiently disaggregates multidimensional (tensor) data from multiple views, aggregated over different dimensions. Tendi employs coupled tensor factorization to fuse the multiple views and provide recovery guarantees under realistic conditions. We also propose a variant of Tendi, called TendiB, which performs the disaggregation task without any knowledge of the aggregation mechanism. Experiments on real data from different domains demonstrate the high effectiveness of the proposed methods.

show abstract

“…LS: baseline is inspired by [16]. However, this work uses additional information that is not available in our context.…”

Section: Evaluation Baselines and Metricsmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Tendi: Tensor Disaggregation from Multiple Coarse Views

Almutairi

Kanatsoulis

Sidiropoulos

2020

Advances in Knowledge Discovery and Data Mining

View full text Add to dashboard Cite

show abstract

“…Tokarski [2008] lub Kwiatkowski i Tokarski [2009]). Na przykład, w ramach badań nad naturą wahań aktywności gospodarczej, podejmuje się obecnie analizy przestrzennego zróżnicowania koniunktury, dochodu, płac i innych [Pavía-Miralles, Cabrer-Borrás, 2007;Warżała, 2013;Rokicki, 2013;Drozdowicz-Bieć, 2008]. Jest to bardzo istotne w szerszym zagadnieniu oceny wpływu polityki gospodarczej na regiony (por.…”

Section: Wprowadzenieunclassified

Quarterly Estimates of Regional GDP in Poland

Pipień

Roszkowska

2015

Gospodarka Narodowa

View full text Add to dashboard Cite

Mateusz Pipień, Sylwia Roszkowska, Szacunki kwartalnego PKB w polskich województwach 145 Gospodarka narodowa 5 (279) Rok LXXXV/XXVI wrzesień-październik 2015 s. 145-169 Mateusz PIPIEŃ* Sylwia ROSZKOWSKA** Szacunki kwartalnego PKB w polskich województwachStreszczenie: Celem artykułu jest scharakteryzowanie zastosowania modelu regresji liniowej w problemie czasowej i przestrzennej dezagregacji PKB polskiej gospodarki. W opisywanym podejściu przedmiotem estymacji są parametry strukturalne regresji liniowej, w której roczne PKB województw lub jego tempo zmian stanowią zmienną objaśnianą, zaś roczne PKB krajowe lub jego tempo zmian odgrywa rolę zmiennej objaśniającej. Proponuje się, aby kwartalne PKB i jego zmiany szacować dla poszczególnych województw jako funkcje parametrów regresji. Proponowane alternatywne podejścia poddano ocenie ze względu na poziom niepewności statystycznej związanej z estymacją oraz ze względu na poziom przestrzennego zróżnicowania oszacowanych wartości. W artykule przedstawiono wyniki szacunków PKB i jego zmian w województwach w okresie 1995-2012, otrzymane na podstawie zaproponowanej dwustopniowej procedury. Uzyskane wyniki szacunków poziomów PKB charakteryzują się dużą precyzją oszacowań, ale regionalne zróżnicowanie stóp wzrostu PKB otrzymanych na podstawie tego podejścia jest niewielkie. Z kolei wykorzystanie w regresji wartości tempa zmian PKB powodowało większe zróżnicowanie stóp wzrostu PKB według województw, ale błędy szacunków były większe.Słowa kluczowe: dezagregacja obserwowanych kategorii makroekonomicznych, klasyczny model regresji liniowej, niepewność estymacji, regionalny PKB Kody klasyfikacji JEL: C13, C43, E01Artykuł nadesłany 23 kwietnia 2015 r., zaakceptowany 23 września 2015 r.

show abstract

“…With the aim of overcoming this first limitation, different interpolation methods have been developed, for example, with the aim of estimating quarterly regional accounts (e.g. OECD, 1996;Pavia-Miralles and Cabrer-Borras, 2007), using both univariate (e.g. Boot et al, 1967;Denton, 1971;Friedman, 1962;Chow and Lin, 1971;Fernandez, 1981;Litterman, 1983) and multivariate approaches (e.g.…”

Section: Introductionmentioning

confidence: 99%

Bayesian Methods for Completing Data in Spatial Models

Polasek¹,

Llano²,

Sellner³

2010

REA

View full text Add to dashboard Cite

Chow and Lin (1971) were the first to develop a unified framework for the three problems(interpolation, extrapolation and distribution) of predicting times series by related series(the ‘indicators’). This paper develops a spatial Chow-Lin procedure for cross-sectional data and compares the classical and Bayesian estimation methods. We outline the error covariance structure in a spatial context and derive the BLUE for ML and Bayesian MCMC estimation. In an example, we apply the procedure to Spanish regional GDP data between2000 and 2004. We assume that only NUTS-2 GDP is known and predict GDP at NUTS-3level by using socio-economic and spatial information available at NUTS-3. The spatial neighbourhood is defined by either km distance, travel time, contiguity or trade relationships. After running some sensitivity analysis, we present the forecast accuracy criteria comparing the predicted values with the observed ones.

show abstract

On estimating contemporaneous quarterly regional GDP

Cited by 11 publications

References 19 publications

Tendi: Tensor Disaggregation from Multiple Coarse Views

Tendi: Tensor Disaggregation from Multiple Coarse Views

Quarterly Estimates of Regional GDP in Poland

Bayesian Methods for Completing Data in Spatial Models

Contact Info

Product

Resources

About