In Search of a Job: Forecasting Employment Growth Using Google Trends
寻找工作：利用Google Trends预测就业增长AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究美国就业增长的多期限样本外预测及其相对宏观预测基准的表现。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
寻找工作：利用Google Trends预测就业增长
- 研究问题
- 与求职相关的网络搜索活动能否预测美国就业增长，扩展搜索词集合是否能提供超出传统宏观预测变量的信息？
- 方法与思路
- 作者由“jobs”扩展出172项相关搜索变量，开展不同期限的样本外预测，并考察非线性模型、预测涵盖检验及地区行业结果。
- 材料陈述的贡献
- 摘要称最佳模型的样本外R²为29%至62%，且非线性搜索模型提供超出宏观预测的信息，预测表现与搜索词异质性有关。
- 阅读关注点
- 应核对搜索数据获取时间、历史修订、样本外划分与调参流程，以及不同期限的基准模型和涵盖检验设定。
- 阅读边界
- 结果来自2004至2019年及所比较的模型；摘要未说明实时数据可得性和调参细节，不能据此断言未来预测同样有效。
原文摘要
We show that Google search activity on relevant terms is a strong out-of-sample predictor for future employment growth in the United States over the period 2004–2019 at both short and long horizons. Starting from an initial search term “jobs,” we construct a large panel of 172 variables using Google’s own algorithms to find semantically related search queries. The best Google Trends model achieves an out-of-sample R2 between 29% and 62% at horizons spanning from one month to one year ahead, strongly outperforming benchmarks based on a single search query or a large set of macroeconomic, financial, and sentiment predictors. This strong predictability is due to heterogeneity in search terms and extends to industry-level and state-level employment growth using state-level specific search activity. Encompassing tests indicate that when the Google Trends panel is exploited using a nonlinear model, it fully encompasses the macroeconomic forecasts and provides significant information in excess of those.