Flexibla modeller för stora mikroekonomiska datamängder

Syfte och mål

Projektets huvudsyfte har varit att utnyttja de stora mikrodatamängder som numera finns tillgängliga för att skatta mer komplexa och detaljrika modeller. Projektet har föreslagit ett antal nya flexibla modeller som tillåter icke-linjäritet och mer realistiska modelantaganden, t ex dynamiska mixturemodeller. Ytterligare ett stort bidrag från projektet är nya MCMC simuleringsalgoritmer baserat på effektivt valda delmängder av data. Algoritmerna gör det möjligt att skatta komplexa modeller för mycket stora datamängder (s k big data) inom rimlig tid.

Resultat och förväntade effekter

De nya modeller som utvecklats i projektet har visats ge ny insikter och förbättrade prognoser. Projektet har lagt stor tonvikt på estimationen av dessa komplexa modeller ska vara praktiskt genomförbart även i problem med mycket stora datamängder, med förhoppningen att modellerna och estimationsmetoderna ska nå ut till nya praktiska tillämpningar. De MCMC metoder som projektet har utvecklat för stora datamängder är banbrytande och kommer säkerligen generera mer forskning inom detta högaktuella forskningsområde.

Upplägg och genomförande

Projektets modell- och metodutveckling tog avstamp i verkliga mikrodata över svenska företags konkurser. Tidigare forskning har visat på icke-linjäriteter i enklare modeller. Projektet tog fasta på detta och utvecklade nya modeller med intressanta tolkningar och förbättrad prognosförmåga. Modellernas komplexitet visade på behov av nya estimationsalgoritmer som är bättre anpassade till stora datamängder, och mycket av projektets tid allokerades till detta högaktuella forskningsområde kring s k big data.