Applications of Google Trends as a Data Source for Statistical Models

Klaudia Lenart

doi:10.18778/0208-6018.368.04

Autor

Klaudia Lenart University of Economics in Katowice, Department of Statistics, Econometrics and Mathematics, Katowice, Poland https://orcid.org/0000-0001-8135-9362

DOI:

https://doi.org/10.18778/0208-6018.368.04

Słowa kluczowe:

Google Trends, analizy statystyczne, prognozowanie

Abstrakt

Wraz z postępem technologicznym rośnie liczba potencjalnych źródeł danych, które mogą stanowić alternatywę dla tradycyjnych badań ankietowych. Przykładem tego mogą być dane o popularności wyszukiwań, udostępniane w czasie rzeczywistym za pośrednictwem Google Trends. Dane tego typu pozwalają na badanie zachowań, postaw w społeczeństwie i opinii publicznej czy prognozowanie zjawisk ekonomicznych.

Zaletą wykorzystania danych o popularności wyszukiwań jest natychmiastowy czas i niski koszt ich pozyskania. Nie bez znaczenia jest też fakt, że Google Trends pozwala na bezpośrednie badanie zachowań użytkowników internetu, a nie jedynie ich deklaracji jak w przypadku ankiety. Może to mieć znaczenie, jeżeli ankietowani uważają którąś z odpowiedzi za bardziej moralnie słuszną. Korzystanie z Google Trends wymaga jednak trafnego dobrania uwzględnianych w badaniu wyszukiwań oraz świadomości ograniczenia próby badawczej do użytkowników wyszukiwarki Google. W ramach artykułu zaprezentowano wady i zalety Google Trends oraz zweryfikowano przydatność tego źródła danych, w szczególności w okresach zwiększonej zmienności na rynkach.

Pobrania

Statystyki pobrań niedostępne.

Bibliografia

BańBura M., Giannone D., Reichlin L. (2012), Nowcasting, [in:] M.P. Clements, D.F. Hendry (eds.), The Oxford Handbook of Economic Forecasting. Oxford Handbooks Online, Oxford University Press, Oxford, pp. 193–224. DOI: https://doi.org/10.1093/oxfordhb/9780195398649.013.0008

Brodeur A., Clark A.E., Fleche S., Powdthavee N. (2021), COVID–19, lockdowns and well-being: Evidence from Google Trends, “Journal of Public Economics”, vol. 193, 104346. DOI: https://doi.org/10.1016/j.jpubeco.2020.104346

Butler D. (2013), When Google got flu wrong: US outbreak foxes a leading web-based method for tracking seasonal flu, “Nature”, vol. 494, pp. 155–157. DOI: https://doi.org/10.1038/494155a

Carrière-Swallow Y., Labbé F. (2013), Nowcasting with Google Trends in an emerging market, “Journal of Forecasting”, vol. 32, pp. 289–298. DOI: https://doi.org/10.1002/for.1252

Ettredge M., Gerdes J., Karuga G. (2005), Using web-based search data to predict macroeconomic statistics, “Communications of the ACM”, vol. 48, pp. 87–92. DOI: https://doi.org/10.1145/1096000.1096010

Ginsberg J., Mohebbi M.H., Patel R.S., Brammer L., Smolinski M.S., Brilliant L. (2009), Detecting influenza epidemics using search engine query data, “Nature”, vol. 457, pp. 1012–1014. DOI: https://doi.org/10.1038/nature07634

Google_Trends_Data (2023), FAQ about Google Trends data, https://support.google.com/trends/answer/4365533?hl=en [accessed: 28.11.2023].

Hu H., Tang L., Zhang S., Wang H. (2018), Predicting the direction of stock markets using optimized neural networks with Google Trends, “Neurocomputing”, vol. 285, pp. 188–195. DOI: https://doi.org/10.1016/j.neucom.2018.01.038

Hyndman R.J., Khandakar Y. (2008), Automatic time series forecasting: the forecast package for R, “Journal of Statistical Software”, vol. 27, pp. 1–22. DOI: https://doi.org/10.18637/jss.v027.i03

Hyndman R.J., Athanasopoulos G., Bergmeir C., Caceres G., Chhay L., O’Hara-Wild M., Petropoulos F., Razbash S., Wang E., Yasmeen F. (2024), forecast: Forecasting functions for time series and linear models. R package version 8.22.0, https://pkg.robjhyndman.com/forecast/ [accessed: 4.03.2024].

Li X., Pan B., Law R., Huang X . (2017), Forecasting tourism demand with composite search index, “Tourism Management”, vol. 59, pp. 57–66. DOI: https://doi.org/10.1016/j.tourman.2016.07.005

Mellon J. (2014), Internet search data and issue salience: The properties of Google Trends as a measure of issue salience, “Journal of Elections, Public Opinion & Parties”, vol. 24(1), pp. 45–72. DOI: https://doi.org/10.1080/17457289.2013.846346

Saegner T., Austys D. (2022), Forecasting and surveillance of COVID–19 spread using Google trends: literature review, “International Journal of Environmental Research and Public Health”, vol. 19(19), 12394. DOI: https://doi.org/10.3390/ijerph191912394

Vosen S., Schmidt T. (2011), Forecasting private consumption: survey‐based indicators vs. Google trends, “Journal of Forecasting”, vol. 30(6), pp. 565–578. DOI: https://doi.org/10.1002/for.1213

Yu L., Zhao Y., Tang L., Yang Z. (2019), Online big data-driven oil consumption forecasting with Google trends, “International Journal of Forecasting”, vol. 35(1), pp. 213–223. DOI: https://doi.org/10.1016/j.ijforecast.2017.11.005

Zhang W., Wang P. (2020), Investor attention and the pricing of cryptocurrency market, “Evolutionary and Institutional Economics Review”, vol. 17, pp. 445–468. DOI: https://doi.org/10.1007/s40844-020-00182-1