Browsing by Subject "Google Trends"

Sort by: Order: Results:

Now showing items 1-4 of 4
  • Cooper, Matthew W.; Di Minin, Enrico; Hausmann, Anna; Qin, Siyu; Schwartz, Aaron J.; Correia, Ricardo A. (2019)
    Due to the importance of public support in fostering positive outcomes for biodiversity, Aichi Biodiversity Target 1 aims to increase public awareness of the value of biodiversity and actions that help to conserve it. However, indicators for this critical target have historically relied on public-opinion surveys that are time-consuming, geographically restricted, and expensive. Here, we present an alternative approach based on tracking the use of biodiversity-related keywords in 31 different languages in online newspapers, social media, and internet searches to monitor Aichi Target 1 in real-time, at a global scale, and at relatively low cost. By implementing the indicator, we show global patterns associated with spatio-temporal variability in public engagement with biodiversity topics, such as a clear drop in conversations around weekends and biodiversity-related topic congruence across culturally similar countries. Highly divergent scores across platforms for each country highlight the importance of sourcing information from multiple data streams. The data behind this global indicator is visualized and publicly available at Biodiversity Engagement Indicator.com and can be used by countries party to the Convention on Biological Diversity (CBD) to report on their progress towards meeting Aichi Target 1 to the' Secretariat. Continued and expanded monitoring using this indicator will provide further insights for better targeting of public awareness campaigns.
  • Järvenpää, Timo (Helsingfors universitet, 2017)
    Asunnot muodostavat merkittävän osan suomalaisten varallisuudesta. Tässä tutkielmassa esitellään asuntomarkkinoiden informaationhakumalli, jonka avulla muodostetaan intuitio siitä, miten asuntoa hankkivien hakuaktiivisuus vaikuttaa kolmeen asuntomarkkinoiden muuttujaan: asuntojen hintoihin, asuntokauppojen lukumääriin sekä asuntojen myyntiaikoihin. Mallin tuomaa intuitiota hyödynnetään selvittämällä, auttaako Google Trends -hakuindeksi ennustamaan edellä mainittuja muuttujia Suomen asuntomarkkinoilla. Aiemmassa tutkimuksessa Google-hakujen on havaittu auttavan ennustamaan moninaisia talouden ilmiöitä. Hakuaktiivisuuden nousun havaitaan teoreettisen mallin perusteella lisäävän asuntokauppojen lukumäärää ja lyhentävän myyntiaikoja, mutta vaikutus asuntojen hintoihin on epävarma. Tutkielman empiirisessä osiossa tutkitaan Granger-kausaalisuuden avulla, sisältävätkö Google-haut ennustamisen kannalta hyödyllistä informaatiota asuntomarkkinamuuttujista. Kustakin muuttujasta muodostetaan myös yksinkertainen, koko saatavilla olevaan historiaan sovitettava autoregressiivinen vertailumalli, josta tehdään Google-indeksillä laajennettu versio. Vertailumalleja ja Google-indeksillä laajennettuja malleja verrataan korjatun selitysasteen sekä Akaiken ja Schwarzin informaatiokriteereiden avulla. Google-hakujen ennustekykyä arvioidaan jakamalla data estimointiperiodiin ja ennusteperiodiin sekä simuloimalla reaaliaikaista ennustamista. Tutkielmassa analysoidaan seitsemän erilaista Google-haut sisältävää ennustespesifikaatiota. Google-hakujen havaitaan Granger-aiheuttavan hintoja ja markkinointiaikoja. Koko historiaan sovitettujen autoregressiivisten mallien perusteella Google-hakutermien kertoimet eivät noudata johdonmukaisesti teoreettisen mallin mukaisia merkkejä. Sekä markkinointiaika- että lukumäärämalleissa Google-termit saavat sekä negatiivisia että positiivisia arvoja. Google-hakujen havaitaan parantavan nykyisyyden hintaennusteita absoluuttisella keskivirheellä mitattuna yhtä lukuun ottamatta kaikilla spesifikaatioilla, mutta ennustevirheiden erot eivät Diebold-Mariano-testin perusteella pääsääntöisesti kuitenkaan eroa tilastollisesti merkitsevästi nollasta. Lukumäärien nykyisen arvon ennusteissa Google-haut tuottavat useassa spesifikaatiossa merkittävästi suurempia ennustevirheitä kuin vertailumallit. Yhden kuukauden päähän ennustettaessa internethaut kuitenkin vaikuttavat pienentävän lukumäärien ja hintojen ennustevirheitä. Paneelidataspesifikaatiolla sekä hinta- että lukumääräennusteet ovat tarkempia internethakuja hyödyntämällä. Tulosten perusteella Google-hakujen hyödyllisyys asuntomarkkinoiden ennustamisessa on altis mallin spesifikaatiolle eivätkä Google-haut pysty johdonmukaisesti parantamaan ennusteita kaikilla muuttujilla.
  • Sousa-Pinto, Bernardo; Halonen, Jaana; Anto, Aram; Jormanainen, Vesa; Czarlewski, Wienczyslawa; Bedbrook, Anna; Papadopoulos, Nikolaos G.; Freitas, Alberto; Haahtela, Tari; Anto, Josep M.; Fonseca, Joao Almeida; Bousquet, Jean (2021)
    Background: In contrast to air pollution and pollen exposure, data on the occurrence of the common cold are difficult to incorporate in models predicting asthma hospitalizations. Objective: This study aims to assess whether web-based searches on common cold would correlate with and help to predict asthma hospitalizations. Methods: We analyzed all hospitalizations with a main diagnosis of asthma occurring in 5 different countries (Portugal, Spain, Finland, Norway, and Brazil) for a period of approximately 5 years (January 1, 2012-December 17, 2016). Data on web-based searches on common cold were retrieved from Google Trends (GT) using the pseudo-influenza syndrome topic and local language search terms for common cold for the same countries and periods. We applied time series analysis methods to estimate the correlation between GT and hospitalization data. In addition, we built autoregressive models to forecast the weekly number of asthma hospitalizations for a period of 1 year (June 2015-June 2016) based on admissions and GT data from the 3 previous years. Results: In time series analyses, GT data on common cold displayed strong correlations with asthma hospitalizations occurring in Portugal (correlation coefficients ranging from 0.63 to 0.73), Spain (rho=0.82-0.84), and Brazil (rho=0.77-0.83) and moderate correlations with those occurring in Norway (rho=0.32-0.35) and Finland (rho=0.44-0.47). Similar patterns were observed in the correlation between forecasted and observed asthma hospitalizations from June 2015 to June 2016, with the number of forecasted hospitalizations differing on average between 12% (Spain) and 33% (Norway) from observed hospitalizations. Conclusions: Common cold-related web-based searches display moderate-to-strong correlations with asthma hospitalizations and may be useful in forecasting them.