Comparison of traditional and modern disaggregation techniques for macroeconomic data

Abstract

Η παρούσα διπλωματική εργασία εξετάζει τεχνικές χρονικής αποσύνθεσης μακροοικονομικών δεδομένων, με έμφαση στην άυλη οικονομία. Χρησιμοποιούνται κλασικές μέθοδοι, όπως οι Chow-Lin και Fernandez, ως σημεία αναφοράς για σύγκριση με σύγχρονες προσεγγίσεις μηχανικής μάθησης, και συγκεκριμένα με τη μέθοδο XGBoost. Στόχος είναι η παραγωγή πιο ακριβών τριμηνιαίων εκτιμήσεων από ετήσια δεδομένα, με επίκεντρο βασικές μεταβλητές, όπως η Ακαθάριστη Προστιθέμενη Αξία (GVA), η Προσαρμοσμένη Προστιθέμενη Αξία που περιλαμβάνει άυλα περιουσιακά στοιχεία (VAadj), οι Άυλες Επενδύσεις εκτός Εθνικών Λογαριασμών (I_NonNatAcc) και το Σύνολο Άυλων Επενδύσεων (I_Intang) για 16 χώρες της Ευρωζώνης. Τέλος, η εργασία αναδεικνύει τους περιορισμούς των υφιστάμενων μεθοδολογιών και προτείνει βελτιωμένες προσεγγίσεις για μεγαλύτερη ακρίβεια και αξιοπιστία στη μελλοντική αποσύνθεση μακροοικονομικών δεδομένων, ιδιαίτερα στους άυλους τομείς.This thesis investigates temporal disaggregation techniques for macroeconomic data, focusing specifically on the intangible economy. We use classic techniques, such as the Chow-Lin and Fernandez methods, as a benchmark to compare them with contemporary machine learning approaches, specifically XGBoost. Furthermore, the aim is to construct more accurate quarterly estimates from annual data, focusing on key variables such as Gross Value Added (GVA), Adjusted Gross Value Added that includes intangible assets (VAadj), Non-National Accounts Intangible Investment (I_NonNatAcc), and Total Intangible Investment (I_Intang) within the Eurozone for 16 countries. Finally, the thesis also reveals the limitations of existing methodologies and suggests enhanced methodologies for better accuracy and reliability for future disaggregation of macroeconomic data, particularly for the intangible sectors.