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

Brak dostępnych danych do wyświetlenia.

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.
Google Scholar 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.
Google Scholar 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.
Google Scholar 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.
Google Scholar 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.
Google Scholar 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.
Google Scholar 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].
Google Scholar

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.
Google Scholar 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.
Google Scholar 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].
Google Scholar

Li X., Pan B., Law R., Huang X . (2017), Forecasting tourism demand with composite search index, “Tourism Management”, vol. 59, pp. 57–66.
Google Scholar 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.
Google Scholar 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.
Google Scholar 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.
Google Scholar 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.
Google Scholar 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.
Google Scholar DOI: https://doi.org/10.1007/s40844-020-00182-1