Direkt zum Hauptbereich

Der EPU Index - über die Messung von Unsicherheit


Die Schnelllebigkeit der COVID19-Epidemie hat die Relevanz von Echtzeit-Indikatoren zur wirtschaftlichen Lage aufgezeigt. Ein Beispiel ist der LKW-Maut-Fahrleistungsindex, den ich hier vorgestellt habe. Einen weiteren Index, den ich kennengelernt habe, ist der "Economic Policy Uncertainty" (EPU)-Indikator. Sein Ziel ist es "the intensity of policy-related economic uncertainty" zu messen. Hintergrund ist, dass eine hohe Unsicherheit das wirtschaftliche Wachstum nachweislich bremst.
Der Index wurde 2013 für die USA entwickelt. Er basiert auf der Häufigkeit von Zeitungsartikeln mit der Wörterkombination "economic/ economy" und "uncertain/ uncertainty"  und "congress/ deficit/ Federal Reserve/ legislation/ regulation/ White House"; im Verhältnis zur gesamten Anzahl an Artikeln. Mit einer automatisierten Textanalyse wird in 1000 Zeitungen gesucht. Diese Vorgehensweise erlaubt es auch für den EPU-Index einen tagesbasierten Wert herauszugeben. 
Der Index wird für den Zeitraum seit 1985 ausgegeben; hier der Abschnitt ab 2019. Wir sehen, dass die Unsicherheit ist mit Corona rapide gestiegen und seitdem noch nicht auf Normalniveau zurück ist.
Der eigentliche Index ist jedoch auf monatlicher Basis und neben einem Newsindex gibt es noch einen composite index. Er besteht aus den folgenden Komponenten:
  • dem Newsindex basierend auf den 10 größten Zeitungen (mit der Suche nach den gleichen Wörterkombinationen
  • der Unstimmigkeit von Experten zur künftigen Beschaffung von Gütern und Dienstleistungen von lokalen, staatlichen und Bundeseinrichtungen als auch zum Preisindex (CPI) zu finden im Federal Reserve Bank of Philadelphia´s Survey of Professional Forecasters.
  • der Anzahl an temporären Steuerregelungen. Da diese vom Congress meist in letzter Minute verlängert werden, sind sie eine Quelle von Unsicherheit für Unternehmen.
Bei diesem zusammengesetzten Index ("Three Component Index") ist gut sichtbar, wie die Volatilität weniger stark ausgeprägt ist als beim Newsindex. Gut sichtbar wird der bei beiden Anstieg der Unsicherheit zur und nach der Finanzkrise 2009. Ferner wird auch der Anstieg mit Corona sichtbar. Dieser wird aber fast ausschließlich durch den Newsindex getrieben. Anbei der gesamte Zeitraum:
Man könnte meinen, dass es mit Trumps Amtsantritt 2017 keine wirkliche Veränderung im Index gibt. Um dies besser abschätzen zu können, hilft die Decomposition aus dem Forecasting-Package von Hyndman. Mit der Funktion wird der originale Verlauf (oberster Plot) aufgeteilt in die erkannten saisonellen Schwankungen, schließlich der identifizierte Trend und zuletzt die "Restwerte", um dennoch beim originalen Verlauf zu landen. Interessant ist hier der Trend, welcher nicht erst seit der Corona-Epidemie sondern auch schon seit Trumps Amtsantritt nach oben zeigt. Schon vor Corona wurde das Umfeld in den USA also unsicherer.
Den originalen Verlauf auf simple (!) Weise zu prognostizieren, kann erschrecken:
Ein weiterer Index für die USA ist der kategorische EPU durch die Kombination mit weiteren Kategorien. Dafür werden Artikel von 2.000 US-amerikanischen Tageszeitungen auf Basis der bekannten Wörter in Kombination mit Begriffen der spezifischen Kategorie indexiert. Mit Corona ging das Risiko in fast jeder Kategorie hoch (Achtung, unterschiedliche Skalen):
Diese Methodik wird mittlerweile für mehrere Länder angewendet; für Deutschland basiert der Index z.B. auf Artikeln im Handelsblatt und in der Frankfurter Allgemeinen Zeitung. In Europa wird z.B. die gestiegene Unsicherheit für Großbritannien durch den Brexit sichtbar.
Die Fülle an Informationen, der große Zeitraum als auch die Nachvollziehbarkeit der Berechnung machen den Index zu einem attraktiven Indikator für mich. Es gibt sogar noch einige weitere Indizes:
Die einzelnen Methodiken wurden hier entwickelt und vorgestellt
  • Australia, Brazil, Canada, France, Germany, India, Italy, Mexico, South Korea, Russia, United Kingdom, United States: Baker, Bloom and Davis (2016).
  • Chile: Cerda, Silva and Valente (2016).
  • China: Baker, Bloom, Davis and Wang (2013).
  • Colombia: Gil and Silva (2018)
  • Global: Davis (2016).
  • Greece: Hardouvelis, Karalas, Karanastasis and Samartzis (2018).
  • Ireland: Zalla (2016).
  • Japan: Arbatli, Davis, Ito and Miake (2019).
  • The Netherlands: Kroese, Kok and Parlevliet (2015)
  • Singapore: Davis (2016).
  • Spain: Ghirelli, Perez, and Urtasun (2019).
  • Sweden: Armelius, Hull, and Köhler (2017).

References:

  • Arbatli, E., S.J. Davis, A. Ito, and N. Miake, 2019. "Policy Uncertainty in Japan," NBER Working Paper 23411. Revised, August 2019. Forthcoming in The Economic Challenges of Japan's Aging and Shrinking Population, International Monetary Fund, edited by Paul Cashin and Todd Schneider.
  • Armelius, H., I. Hull, and H.S. Köhler, 2017. "The Timing of Uncertainty Shocks in a Small Open Economy," Economics Letters, 155 (June), 31-34. 
  • Baker, S.R., N. Bloom, S.J. Davis and Xiaoxi Wang, 2013. "Economic Policy Uncertainty in China," unpublished paper, University of Chicago.
  • Baker, S. R., N. Bloom, and S. J. Davis, 2016. "Measuring Economic Policy Uncertainty," Quarterly Journal of Economics, 131, no. 4 (November), 1593-1636.
  • Cerda, R., A. Silva and J. T. Valente, 2016. "Economic Policy Uncertainty Indices for Chile," working paper.
  • Davis, S. J., 2016. "An Index of Global Economic Policy Uncertainty." Macroeconomic Review, October. Also available as NBER Working Paper No. 22740.
  • Davis, S. J., Dingquian Liu and Xuguang Simon Sheng, 2019. "Economic Policy Uncertainty in China Since 1946: The View from Mainland Newspapers," working paper, August.
  • Ghirelli, C., J.J. Perez, and A. Urtasun, 2019. "A New Economic Policy Uncertainty Index for Spain," Bank of Spain, WorkingPaper No., 1906.
  • Gil, M. and D. Silva, 2018. "Economic Policy Uncertainty Indices for Colombia," working paper.
  • Hardouvelis, G. A., G. I. Karalas, D. I. Karanastasis and P. K. Samartzis, 2018. "Economic Policy Uncertainty, Political Uncertainty and the Greek Economic Crisis," working paper, May.
  • Kroese, L., S. Kok and J. Parlevliet, 2015. "Beleidsonzekerheid in Nederland," Economisch Statistische Berichten, No. 4715, pp. 464-467. 
  • Zalla, R., 2016. "Economic Policy Uncertainty in Ireland," working paper, 20 September.
Und hier noch der Code in RStudio 
library(rio)
library(ggplot2)
library(fpp2)
library(dplyr)
library(zoo)
library(openxlsx)
library(reshape)
library(dplyr)
library(readr)
library(Hmisc)


# Plot 1 - US daily figures
data_US_EPUdaily = import("http://policyuncertainty.com/media/All_Daily_Policy_Data.csv") %>%
  mutate(Date = as.Date(paste(.$year, .$month, .$day), "%Y %m %d"))
data_US_EPUdaily %>%
  filter(year >= 2019) %>%
  ggplot(aes(x=Date, y=daily_policy_index, group=1)) +
  geom_line(colour="#48D1CC") +
  geom_smooth(span=0.1, colour="#00CED1") +
  theme_minimal()+
  theme(axis.title.x=element_blank(), axis.title.y=element_blank()) +
  labs(
    title = paste("US Daily News Index"),
    subtitle = "tägliche Werte",
    caption = "Plot 1")

#Plot 2 - US Monthly figures // components
data_US_EPUmonthly2 = import("http://policyuncertainty.com/media/US_Policy_Uncertainty_Data.xlsx", which=2) %>% #second worksheet
  mutate(Date = as.yearmon(paste(.$Year, .$Month), "%Y %m"))
data_US_EUPmonthly3 <- left_join(data_US_EPUmonthly, data_US_EPUmonthly2) %>%
  select(Date, Three_Component_Index, News_Based_Policy_Uncert_Index, FedStateLocal_Ex_disagreement, CPI_disagreement, Tax_expiration) %>%
  `colnames<-`(c("Date", "Three Component Index", "News Based Index", "Public Spending disagreement", "CPI disagreement", "Tax espiration"))
data_US_EUPmonthly3 %>%
  melt(., id.vars=c("Date")) %>%
  ggplot(aes(x=Date, y=value, col=variable)) +
  geom_line() +
  geom_smooth(span=0.3) +
  scale_colour_manual("", 
                      values = c("#2F4F4F", "#48D1CC", "#7FFFD4", "#B0E0E6", "#87CEEB"),
                      labels=c("Three Component Index", "News Based Index", "Public Spending disagreement", "CPI disagreement", "Tax espiration")) +
  facet_grid(variable~., scales="free") +
  theme_minimal() +
  theme(legend.position = "none",
        strip.text.x = element_text(size=10, angle=0),
        strip.text.y = element_text(size=8, face="bold", angle=0),
        strip.background = element_rect(fill="#E0E0E0")) +
  labs(
    x=NULL, y=NULL,
    title = paste("US Monthly Index"),
    subtitle = "monatliche Werte der Komponenten",
    caption = "Plot 2")

# Plot 3 - EPU US monthly decomposition
data_US_EPUmonthly_2000 <- data_US_EPUmonthly %>%
  filter(Year >= 2000)
data_US_EPUmonthly_ts <- ts(data_US_EPUmonthly_2000$Three_Component_Index, start=c(2000,1), end=c(2020,6), frequency=12)
data_US_EPUmonthly_ts %>%
  decompose(type="additive") %>%
  autoplot() + 
    labs(
      title = paste("US Monthly Three Component Index - decomposed"),
      subtitle = "monatliche Werte",
      caption = "Plot 3")

# Plot 4 - EPU US monthly forecasting
fc_simple_1 <- rwf(data_US_EPUmonthly_ts, drift=TRUE, lambda=0, h=50, level=80)
fc_simple_2 <- rwf(data_US_EPUmonthly_ts, drift=TRUE, lambda=0, h=50, level=80, biasadj=TRUE)
autoplot(data_US_EPUmonthly_ts) +
  autolayer(fc_simple_1, series="Simple back transformation", PI=FALSE) +  #blue line = forecast medians
  autolayer(fc_simple_2, series="Bias adjusted", PI=FALSE) + #red line = forecast means
  theme_minimal() +
  labs(
    x=NULL, y=NULL,
    title = paste("US Monthly Three Component Index - forecasting"),
    subtitle = "monatliche Werte",
    caption = "Plot 4")

#Plot 5 - US categorigal figures
data_US_EPUcategorical = import("http://policyuncertainty.com/media/Categorical_EPU_Data.xlsx") %>%
  mutate(Date = convertToDate(Date)) %>%
  `colnames<-`(c("Date", "Economic", "Monetary", "Fiscal Policy", "Taxes", "Govt. spending", "Health Care", "National Security", "Entitlement programs", "Regulation", "Financial Regulation", "Trade policy", "Currency"))
data_US_EPUcategorical %>%
  filter(Date >= "2019-01-01") %>%
  melt(., id.vars=c("Date")) %>%
  ggplot(aes(x=Date, y=value, col=variable)) +
  geom_line() +
  theme_minimal() +
  theme(legend.position = "none") +
  #facet_wrap(~variable) +
  facet_grid(variable~., scales="free") +
  theme_minimal() +
  theme(legend.position = "none",
        strip.text.y = element_text(size=8, face="bold", angle=0),
        strip.background = element_rect(fill="#E0E0E0")) +
  labs(
    x=NULL, y=NULL,
    title = paste("US Categorical Index"),
    subtitle = "die kategorischen Indizes",
    caption = "Plot 5")

# Plot 6 - all countries
data_worldwide_EPUmonthly = import("http://policyuncertainty.com/media/All_Country_Data.xlsx") %>%
  mutate(Date = as.yearmon(paste(.$Year, .$Month), "%Y %m")) %>%
  mutate(Year = NULL) %>%
  mutate(Month = NULL)
data_worldwide_EPUmonthly %>%
  melt(., id.vars=c("Date")) %>%
  mutate(continent = ifelse(variable %in% c("Australia", "China", "India", "Japan", "Korea", "Singapore", "SCMP China", "Mainland China"), 'Asia', 
                     ifelse(variable %in% c("Brazil", "Canada", "Chile", "Colombia", "Mexico", "US"), 'Americas',
                      ifelse(variable %in% c("France", "Germany", "Greece", "Ireland", "Italy", "Netherlands", "Russia", "Spain", "UK", "Sweden"), 'Europe', 'Global')))) %>%
  ggplot(aes(x=Date, y=value, col=variable)) +
  geom_line(size=0.5) +
  theme_minimal() +
  facet_grid(continent~.) +
  theme_minimal() +
  theme(legend.position = "bottom",
        strip.text.y = element_text(size=8, face="bold", angle=0),
        strip.background = element_rect(fill="#E0E0E0"),
        legend.key.size = unit(0.5,"line")) +
  guides(colour = guide_legend(override.aes = list(size=5))) +
  labs(color = "countries",
      x=NULL, y=NULL,
      title = paste("World Monthly Index"),
      subtitle = "monatliche Werte",
      caption = "Plot 6")


# ------------ Backup ------------ 
# Plot x - US monthly figures
data_US_EPUmonthly = import("http://policyuncertainty.com/media/US_Policy_Uncertainty_Data.xlsx", which=1) %>% #first worksheet
  mutate(Date = as.yearmon(paste(.$Year, .$Month), "%Y %m"))
data_US_EPUmonthly %>%
  mutate("Year" = NULL) %>%
  mutate("Month" = NULL) %>%
  melt(., id.vars=c("Date")) %>%
  ggplot(aes(x=Date, y=value, col=variable)) +
  geom_line() +
  geom_smooth(span=0.15) +
  scale_colour_manual("", 
                      values = c("#2F4F4F", "#48D1CC"),
                      labels=c("Three Component Index", "News Based Index")) +
  facet_grid(variable~.) +
  theme_minimal() +
  theme(
    legend.position = "bottom",
    strip.text.y = element_blank()
    )+
  labs(
    x=NULL, y=NULL,
    title = paste("US Monthly Index"),
    subtitle = "monatliche Werte",
    caption = "Plot 2")
# Plot x - Deutschland
data_DE_LKW <- read.csv("~/Documents/Blog/15_Economic Uncertainty Index/LKW Mautindex.csv") %>%
  `colnames<-`(unlist(.[6,])) %>%
  setNames(c("Year", "Month", names(.)[3:length(names(.))])) %>%
  .[-c(1:6), ] %>%
  mutate(Date = paste(.$Month, .$Year)) %>%
  mutate(Date = parse_date(.$Date, "%B %Y", locale = locale("de"))) %>%
  mutate(Date = as.yearmon(.$Date, "%Y %m")) 
data_Germany <- left_join(data_DE_LKW, data_worldwide_EPUmonthly, by=c("Date"="Date")) %>%
  mutate(EPU = as.numeric(Germany)) %>%
  mutate(Mautindex = as.numeric(`BV4.1 kalender- und saisonbereinigt`)) %>%
  select(Date, EPU, Mautindex) %>%
  filter(Date <= "May 2020")
Korr <- cor.test(data_Germany$EPU, data_Germany$Mautindex, use="complete.obs") # Korrelation
data_Germany %>%
  melt(., id.vars=c("Date")) %>%
  ggplot(aes(x=Date, y=value, col=variable)) +
  geom_line() +
  theme_minimal() +
  theme(legend.position = "none") +
  #facet_wrap(~variable) +
  facet_grid(variable~., scales="free") +
  theme_minimal() +
  theme(legend.position = "none",
        strip.text.y = element_text(size=8, face="bold", angle=0),
        strip.background = element_rect(fill="#E0E0E0")) +
  labs(
    x=NULL, y=NULL,
    title = paste("EPU & Maut-Index Deutschland"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot 7")

Photo by Markus Spiske from Pexels

Labels:

Beliebte Posts aus diesem Blog

Was ist fremd?

brandy74 "Malstunde" Some rights reserved. www.piqs.de Der Begriff Fremdheit wird benutzt zur Charakterisierung einer Beziehung. Immer muss etwas bekannt sein um es auch als fremd zu bezeichnen; andernfalls kann es nicht beschrieben werden. Wissenschaftlich wird die Fremdheit oft auch als die Gleichzeitigkeit von Nähe und Entferntheit, von Verbundenheit und Getrenntheit charakterisiert. Wer demnach etwas als fremd bezeichnet, unterscheidet die Welt an dieser Stelle in ein Innen und ein Außen. Das Fremde sei jenseits einer einer imaginären Grenze. Diese Grenzen können unterschiedlich lokalisiert werden. Bei der kulturellen Fremdheit werden andere kulturelle Verhaltensweisen und Ansichten identifiziert und als fremd bezeichnet. Bei der sozialen Fremdheit ist der Fremde hingegen Teil der eigenen Gesellschaft, der eigenen Gemeinschaft. Durch die Zuschreibung der sozialen Fremdheit wird er aus dem eigenen Bereich, also dem eigenen sozialen Milieu, exkludiert. Drückt sich
Read more »

Sentiment-Analyse von deutschen Texten in R

Eine Sentiment-Analyse funktioniert im Grunde wiefolgt: die einzelnen Wörter werden eines Textes werden mit bestimmten Bibliotheken abgeglichen und eine Einteilung in "positiv/negativ" oder ein hinterlegter Sentiment-Wert abgegriffen. Die Summe dieser Werte ergibt schließlich den Sentiment-Score des ganzen Texts. Für englische Texte sind in R bereits Bibliotheken hinterlegt (z.B. im Package tidytext ). Für deutsche Texte habe ich auf meiner Recherche die Bibliothek  SentiWS  der Universität Leipzig gefunden. Die rund 16.000 positiven und 18.000 negativen Wörter sind mit einer Wertspanne von -1 zu 1 hinterlegt. Das Problem ist, dass diese in zwei Textdateien kommen, deren Format erst aufbereitet werden muss. So sieht die Bibliothek beim Einlesen aus: Mit folgendem Code habe ich mir die Bibliothek operationalisiert: library(dplyr) # SentiWS - Dateien hier runterladen: https://wortschatz.uni-leipzig.de/en/download # a) negative Wörter # die Textdatei einlesen negat
Read more »

Migration und Bevölkerungsentwicklung: Solidarität und Selbsthilfe

Aus: Neue Potenziale - zur Lage der Nation in Deutschland , Juni 2014,  Berlin-Institut für Bevölkerung und Entwicklung Vor ein paar Wochen war ich auf einem sehr spannenden Vortrag am ifo-Institut in München von Herrn Dr. Klingholz, Direktor des Berlin Instituts für Bevölkerung und Entwicklung. Der Vortrag widmete sich einerseits der Zusammensetzung und dem Bildungs- wie Integrationsgrad deutscher Migranten und andererseits der zukünftigen Bevölkerungsentwicklung in Teilen der Welt und deren Auswirkungen auf die Migration in Europa, bzw. Deutschland. Polarisierend Unterteilt man die Migranten(1) nach Gruppen hinsichtlich ihrer Herkunftsländer, so zeigt sich oft eine starke Polarisierung des Bildungsgrades. Beispiel Rumänien und Polen. Zwar ist der Anteil der Migranten aus Rumänien und Polen ohne Bildungsabschluss wesentlich höher als der Anteil der Einheimischen. Umgekehrt ist der Anteil an Akademikern bei Migranten aus Rumänien und Polen höher als bei Einheimischen. Auch
Read more »

die Hot-Dog-Ökonomie

Diego Torres Silvestre " Ice Creams, Hot Dogs & Pretzels" Some rights reserved. www.piqs.de Man stelle sich eine Wirtschaft vor, in der nur zwei Güter hergestellt würden: Würstchen und Brötchen. Konsumenten würden Hotdogs kaufen; also jeweils ein Brötchen mit einer Wurst. Die Fertigung geschieht durch Menschenhand. So fing Paul Krugman 1997 einen Artikel für das Online-Magazine Slate an, in welchem er den Zusammenhang von Technologie, Jobs und Kapitalismus erklären will. Er fährt fort, dass in dieser Wirtschaft 120 Millionen Arbeiter beschäftigt sind, was einer Vollbeschäftigung entspreche. Zur Herstellung einer Wurst oder eines Brötchens benötige es zwei Arbeitstage. Die 60 Millionen Angestellten in der Brötchenproduktion und genauso viele in der Wurstfabrikationen produzieren demnach täglich 30 Millionen Brötchen und Würste. Angenommen es komme eine verbesserte Technologie auf, mit deren Hilfe ein Arbeiter zur Herstellung einer Wurst nur noch einen Tag
Read more »

die schöne Welt von Red Bull

Till Krech "wroooom" Some rights reserved. www.piqs.de Red Bull – vom Marktführer für Energiegetränke zum kommenden Medienimperium? Das Magazin Fast Company vergab in der Liste „The World´s 50 Most Innovative Companies“ den 29. Platz an Red Bull für genau diese Entwicklung. Gebündelt unter dem Dach der Red Bull Media House GmbH besitzt der Konzern mittlerweile verschiedene Medienbeteiligungen und Neugründungen. Kritiker bezeichnen es als eine gewaltige Marketingmaschine. Rund ein Drittel des Umsatzes wird für die Pflege des Marktauftritts ausgegeben. Eine firmeninterne Nachrichtenagentur sammelt Inhalte zu einen der vielen weltweiten aufsehenerregenden Red-Bull-Ereignisse, um sie externen Medien gebündelt und aufbereitet zur Verfügung zu stellen. Über eigene Medien werden die Konsumenten sogar direkt erreicht. Das 2007 gegründete Hochglanzmagazin "Red Bulletin" hat bereits eine Auflage von 5 Millionen Heften erreicht und wird mehrspraching in zwö
Read more »

Verspargelung der Landschaft

FZ 18: "Mount Idarkopf" www.piqs.de Some Rights reserved. Vielleicht ist es, weil ich erst 22 Jahre alt bin. Vielleicht weil es bei meiner Heimatstadt schon seit mehr als zehn Jahren ein Windrad gibt. Aber das Argument einer Verspargelung der Landschaft durch Windräder zählt für mich nicht. Ich komme aus Baden-Württemberg. Insofern verfolgt mich das Argument der Verspargelung der Landschaft durch den ehemaligen baden-württembergischen Ministerpräsidenten Erwin Teufel fast genauso lange wie das Windrad vor meiner Haustür. Das Argument wird immer wieder von jenen hervorgebracht, welche gegen die Aufstellung von Windrädern sind. Die einen fürchten um die Landschaft, andere finden sie einfach nicht schön und noch andere bringen es nur als Vorwand. Besonders die Nähe zur Atomwirtschaft fällt einem bei der hießigen CDU auf. In Baden-Württemberg ist der Fall bei den Windrädern vielleicht ein bisschen spezieller. Wenn man hier die Windenergie effizient nutzen will, so
Read more »