Suomen työttömyysasteen ennustaminen univariaattisin menetelmin
Remes, Jere (2023)
2023
Kauppatieteiden maisteriohjelma - Master's Programme in Business Studies
Johtamisen ja talouden tiedekunta - Faculty of Management and Business
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2023-06-13
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202306056529
https://urn.fi/URN:NBN:fi:tuni-202306056529
Tiivistelmä
Työttömyyden ennustaminen on tärkeä väline työmarkkinamuutosten ennakoimisessa ja suunnittelussa. Ennustamisen avulla voidaan edistää muun muassa taloudellista vakautta, työllisyysnäkymien parantamista ja työttömyyden kielteisten seurausten lieventämistä. Ennustaminen on mahdollista erilaisten ennustemallien avulla.
Tämän Pro gradu -tutkielman tarkoituksena oli ennustaa Suomen työttömyysastetta yhden muuttujan eli univariaattisin mallein sekä vertailla näiden mallien ennustekykyä. Tutkimuksessa ennustettiin Suomen työttömyysastetta additiivista Holt-Winters -mallia, multiplikatiivista Holt-Winters -mallia, NNAR-mallia ja SARIMA-mallia hyödyntämällä. Tutkimuksen neljää mallia arvioitiin sekä numeerisesti että graafisesti, ja niiden suorituskykyä vertailtiin ennustevirhein, kuten MAE:n, MAPE:n ja RMSE:n avulla. Tutkimusaineisto kattoi neljännesvuosittaisen tilastotiedon Suomen työttömyysasteesta ajanjaksolla 1988–2021. Tutkimusaineisto jaettiin koulutusjoukkoon 1988 Q1 – 2019 Q4 ja testijoukkoon 2020 Q1 – 2021 Q4. Koulutusjoukkoa käytettiin mallin kouluttamiseen ja sen suorituskykyä arvioitiin in-sample -menetelmällä. Testijoukko puolestaan toimi riippumattomana joukkona, jota arvioitiin out-of-sample -menetelmällä.
Tutkimustulosten mukaan Suomen työttömyysasteessa havaittiin epästationaarisuutta ja stationaarista kausiluonteisuutta. Parasta ennustesuoriutumista niin koulutusjoukossa kuin testijoukossakin ennustevirheillä mitattuna osoitti NNAR-malli. Tutkimustuloksista havaittiin lisäksi, että monimutkaisemmat univariaattiset mallit suoriutuivat ennustamisessa ennustevirheiden perusteella yksinkertaisia malleja paremmin. Tulosten perusteella havaittiin myös, että luottamusvälien rajat laajenevat ennustejakson pidentyessä, mikä viittaa ennustemallien tehokkaampaan ennustamiseen lyhyellä aikavälillä. Kokonaisuudessaan kaikkien mallien havaittiin soveltuvan diagnostisen tarkastelun perusteella hyvin Suomen työttömyysasteen ennustamiseen.
Tämän Pro gradu -tutkielman tarkoituksena oli ennustaa Suomen työttömyysastetta yhden muuttujan eli univariaattisin mallein sekä vertailla näiden mallien ennustekykyä. Tutkimuksessa ennustettiin Suomen työttömyysastetta additiivista Holt-Winters -mallia, multiplikatiivista Holt-Winters -mallia, NNAR-mallia ja SARIMA-mallia hyödyntämällä. Tutkimuksen neljää mallia arvioitiin sekä numeerisesti että graafisesti, ja niiden suorituskykyä vertailtiin ennustevirhein, kuten MAE:n, MAPE:n ja RMSE:n avulla. Tutkimusaineisto kattoi neljännesvuosittaisen tilastotiedon Suomen työttömyysasteesta ajanjaksolla 1988–2021. Tutkimusaineisto jaettiin koulutusjoukkoon 1988 Q1 – 2019 Q4 ja testijoukkoon 2020 Q1 – 2021 Q4. Koulutusjoukkoa käytettiin mallin kouluttamiseen ja sen suorituskykyä arvioitiin in-sample -menetelmällä. Testijoukko puolestaan toimi riippumattomana joukkona, jota arvioitiin out-of-sample -menetelmällä.
Tutkimustulosten mukaan Suomen työttömyysasteessa havaittiin epästationaarisuutta ja stationaarista kausiluonteisuutta. Parasta ennustesuoriutumista niin koulutusjoukossa kuin testijoukossakin ennustevirheillä mitattuna osoitti NNAR-malli. Tutkimustuloksista havaittiin lisäksi, että monimutkaisemmat univariaattiset mallit suoriutuivat ennustamisessa ennustevirheiden perusteella yksinkertaisia malleja paremmin. Tulosten perusteella havaittiin myös, että luottamusvälien rajat laajenevat ennustejakson pidentyessä, mikä viittaa ennustemallien tehokkaampaan ennustamiseen lyhyellä aikavälillä. Kokonaisuudessaan kaikkien mallien havaittiin soveltuvan diagnostisen tarkastelun perusteella hyvin Suomen työttömyysasteen ennustamiseen.