High-dimensional statistical learning: New methods to advance economic and sustainability policies


Type Research Project

Funding Bodies

Duration Aug. 1, 2019 - July 31, 2023

https://zk35.org/
  • Institute for Statistics and Mathematics IN (Details)
  • Institute for Ecological Economics IN (Details)

Tags

Press 'enter' for creating the tag
 

Abstract (German)

Vorrangiges Ziel dieses Projekts ist die Entwicklung und Anwendung von innovativen und zukunftsweisenden Methoden zur Analyse von komplexen beziehungsweise schwach strukturierten Daten. Dafür wird untersucht, wie die bislang weitgehend unverbundenen Forschungsfelder Bayesianischen Ökonometrie, Statistical Model Checking und Machine Learning effektiv kombiniert und integriert werden können. Dabei wird besonderes Augenmerk auf die korrekte Quantifizierung der mit der Analyse verbundenen Unsicherheit gelegt; ein Aspekt, der in traditionellen Zugängen von Machine Learning oftmals unbeachtet bleibt. Diese konzentrieren sich nämlich weitgehend (und oftmals ausschließlich) auf die Generierung von Punktschätzungen von Kerngrößen, die in dem jeweiligen Kontext von Interesse sind. Im Gegenzug dazu werden in der Bayesianischen Ökonometrie typischerweise Algorithmen entworfen, die Rückschlüsse auf die gesamte Verteilung der geschätzten Kerngrößen zulassen. Dadurch werden auch probabilistische Vorhersagen möglich.
Das Projekt liefert zwei wesentliche Beiträge. Aus methodischer Perspektive werden modernste statistische Methoden sowie Algorithmen entwickelt und implemementiert. Darüber hinaus werden aktuelle Fragen im Kontext von Wirtschafts- und Nachhaltigkeitspolitik in vier empirischen Fallstudien untersucht, etwa: Wie hängt konjunkturelle Unsicherheit mit Einkommensungleichheit zusammen? Welche Zusammenhänge bestehen zwischen Klimaemissionen und Wirtschaftswachstum? Welche Rolle spielen Tweets für die Preisentwicklung von Kryptowährungen? Welche stadtpolitischen Maßnahmen sind wirkungsvoll, um urbane Mobilität nachhaltiger zu machen? Durch diese Anwendungsfälle soll aufgezeigt werden, wie Data Science für gesellschaftspolitisch relevante Thematiken sinnvoll eingesetzt werden kann.


Abstract (English)

We aim to investigate how the largely separate research streams of Bayesian econometrics, statistical model checking, and machine learning can be combined and integrated to create innovative and powerful tools for the analysis of big data in economics and other social sciences. Thereby, we pay special attention to properly incorporating relevant sources of uncertainty. Albeit crucial for thorough empirical analyses, this aspect is often overlooked in traditional machine learning techniques which have mainly been centered on producing point forecasts for key quantities of interest only. In contrast, Bayesian statistics and econometrics are based on designing algorithms to carry out exact posterior inference which in turn allows for density forecasts. Our contributions are twofold: From a methodological perspective, we develop cutting-edge methods that enable fully probabilistic inference of dynamic models in vast dimensions. In terms of empirical advances, we apply these methods to highly complex datasets that comprise situations where either the number of observations, the number of potential time series and/or the number of variables included is large. More specifically, empirical applications center on four topical issues in the realm of sustainable development and socioeconomic policy to answer questions such as: How do market and economic uncertainty affect income inequality? What are the relationships between greenhouse gas emissions and macroeconomic indicators? Which role do tweets play in the evolution of the prices of crypto-currencies? Which policy measures are most effective to foster sustainable urban mobility patterns? The team constitutes a genuinely collaborative partnership of five young high-potential researchers composed of statisticians, machine learning experts, macro- and regional economists as well as social and computer scientists. Together, the group has the methodological, empirical, and theoretical expertise required for this project.

Partners

  • WIFO Austrian Institute of Economic Research - Austria http://www.wifo.ac.at/
  • Paris Lodron University Salzburg - Austria
  • TU Wien - Austria

Publications

Journal article

2020 Hirk, Rainer, Kastner, Gregor, Vana, Laura. 2020. Investigating the Dark Figure of COVID-19 Cases in Austria: Borrowing From the Decode Genetics Study in Iceland. Austrian Journal of Statistics. 49 (5), 1-17. open access (Details)
  Nikravech, Mariam, Kwan, Valerie, Dobernig, Karin, Wilhelm-Rechmann, Angelika, Langen, Nina. 2020. Limiting food waste via grassroots initiatives as a potential for climate change mitigation: a systematic review. Environmental Research Letters. open access (Details)
  Kastner, Gregor, Huber, Forian. 2020. Sparse Bayesian Vector Autoregressions in Huge Dimensions. Journal of Forecasting. open access (Details)
2019 Hauzenberger, Niko, Huber, Florian. 2019. Model instability in predictive exchange rate regressions. Journal of Forecasting. open access (Details)

Paper presented at an academic conference or symposium

2020 Kastner, Gregor. 2020. Efficient Bayesian Computing in Many Dimensions - Applications in Economics and Finance. BAYESCOMP 2020, Gainesville, Vereinigte Staaten/USA, 07.01.-10.01. Invited Talk (Details)

Poster presented at an academic conference or symposium

2019 Feldkircher, Martin, Huber, Florian, Kastner, Gregor. 2019. Sophisticated and small versus simple and sizeable: When does it pay off to introduce drifting coefficients in Bayesian VARs? 10th European Seminar on Bayesian Econometrics (ESOBE 2019), St. Andrews, United Kingdom, 02.09.-03.09. (Details)