Indicator for the Regional Labor Market Using Machine Learning Techniques: Application to Colombian Cities

DOI:  https://doi.org/10.12804/revistas.urosario.edu.co/economia/a.14392

Barra lateral del artículo

PDF (English) HTML XML

Publicado: jun 5, 2025
Número: Vol. 27 Núm. 1 (2024)
Sección Artículos


Palabras clave: indicador del mercado laboral aprendizaje automático Lasso método Backward componentes principales Google Trends

Contenido principal del artículo

Autores/as

  Pavel Vidal
Pontificia Universidad Javeriana - Cali
  Lya Paola Sierra-Suárez
Pontificia Universidad Javeriana Cali
  Julieth Cerón
Pontificia Universidad Javeriana Cali

Resumen

Este artículo propone una metodología para estimar un indicador del mercado laboral que combina variables económicas, sociales, de desigualdad y de expectativas. Se emplean técnicas de aprendizaje automático para seleccionar las variables más relevantes. El indicador captura la evolución de las tasas de empleo y desempleo, e incorpora información sobre género, edad, informalidad, sectores productivos y datos de Google Trends. Este enfoque permite una comprensión más integral de la situación del mercado laboral, una mejor visibilidad de las diferencias regionales, así como la heterogeneidad del impacto de la pandemia y la posterior recuperación. La metodología se ejemplifica en las ciudades colombianas de Cali, Medellín, Bogotá D.C. y Popayán.

Cómo citar
Vidal, P., Sierra-Suárez, L. P., & Cerón, J. (2025). Indicator for the Regional Labor Market Using Machine Learning Techniques: Application to Colombian Cities. Revista De Economía Del Rosario, 27(1), 1–31. https://doi.org/10.12804/revistas.urosario.edu.co/economia/a.14392
Referencias bibliográfica

Adams-Prassl, A., Boneva, T., Golin, M., & Rauh, C. (2021). Inequality in the impact of the coronavirus shock: Evidence from real-time surveys. Journal of Public Economics, 189, 104-245. DOI: https://doi.org/10.1016/j.jpubeco.2020.104245

Alon, T., Doepke, M., Olmstead-Rumsey, J., & Tertilt, M. (2021). The Impact of covid-19 on Gender Equality [nber Working Paper Series, No. 26947]. DOI: https://doi.org/10.3386/w26947

Bonilla, L., & Gaviria, C. (2020). El mercado laboral colombiano en tiempos de la pandemia. Análisis de Coyuntura, 2(4), 1-19.

Baldacci, E., Marcellino, M., Papailias, F., Kapetanios, G., Buono, D., Krische, S., & Mazzi, G. (2016). Big Data and Macroeconomic Nowcasting: From data access to modelling. Eurostat. https://doi.org/10.2785/3605875

Cajner, T., Crane, L., Decker, R., Grigsby, J., Hamins-Puertolas, A., Hurst, E., Kurz, C., & Yildirmaz, A. (2021). The U.S. labor market during the beginning of the pandemic recession. Journal of Public Economics, 193, 104-312. DOI: https://doi.org/10.3386/w27159

Chung, H., Fallick, B., Nekarda, C., y Ratner, D. (2015). Assessing the Change in Labor Market Conditions [Working Papers–Old Series, N.o 1438). Federal Reserve Bank of Cleveland. https://ideas.repec.org/p/fip/fedcwp/1438.html

Choi, J., & Shin, D. (2019). The roles of differencing and dimension reduction in machine learning forecasting of employment level using the fred big data. Communications for Statistical Applications and Methods, 26(5), 497-506. https://doi.org/10.29220/CSAM.2019.26.5.497 DOI: https://doi.org/10.29220/CSAM.2019.26.5.497

Chen, J., & Wu, J. (2023). The prediction of Chongqing’s gdp based on the lasso method and chaotic whale group algorithm–back propagation neural network–arima model. Scientific Reports, 13(1), 15002. DOI: https://doi.org/10.1038/s41598-023-42258-z

Choi, H. & H. Varian. 2012. Predicting the Present with Google Trends, Economic Record, 88(s1): 29. DOI: https://doi.org/10.1111/j.1475-4932.2012.00809.x

Caperna, G., Colagrossi, M., Geraci, A., & Mazzarella, G. (2020). Googling unemployment during the pandemic: Inference and nowcast using search data (N.o 2020/04). jrc Working Papers in Economics and Finance. DOI: https://doi.org/10.2139/ssrn.3627754

Cardona, L., & Rojas, J. (2017). Pronósticos para la tasa de desempleo en Colombia a partir de Google Trends [N.o 016050]. Departamento Nacional de Planeación.

Campos Vázquez, R., & López-Araiza, S. (2020). Grandes datos, Google y desempleo. Estudios Económicos, 35(1), 125-151. DOI: https://doi.org/10.24201/ee.v35i1.399

Chung, H., Fallick, B., Nekarda, C., & Ratner, D. (2015). Assessing the Change in Labor Market Conditions [Working Papers–Old Series, N.o 1438]. Federal Reserve Bank of Cleveland. https://ideas.repec.org/p/fip/fedcwp/1438.html DOI: https://doi.org/10.26509/frbc-wp-201438

Dvorkin, M. (2015). Assessing the Health of the Labor Market: The Unemployment Rate vs. Other Indicators. The Regional Economist. https://ideas.repec.org/a/fip/fedlre/00064.html

Guyon, I., & Elisseeff, A. (2003). An introduction to variable and feature selection. Journal of machine learning research, 3(Mar), 1157-1182.

Google (2022). Google Trends: entendiendo los datos. https://newsinitiative.withgoogle.com/resources/trainings/google-trends-understandingthe-data/

Hakkio, C., & Willis, J. (2013). Assessing labor market conditions: The level of activity and the speed of improvement. Macro Bulletin, July 18. https://ideas.repec.org/a/fip/fedkmb/y2013ijuly18.html

Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction (Vol. 2, pp. 1-758). Springer. DOI: https://doi.org/10.1007/b94608_8

Jokubaitis, S., Celov, D., & Leipus, R. (2021). Sparse structures with lasso through principal components: Forecasting gdp components in the short run. International Journal of Forecasting, 37(2), 759-776. DOI: https://doi.org/10.1016/j.ijforecast.2020.09.005

Jun, S., Yoo, H., & Choi, S. (2018). Ten years of research change using Google Trends: From the perspective of big data utilizations and applications. Technological forecasting and social change, 130, 69-87. DOI: https://doi.org/10.1016/j.techfore.2017.11.009

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112). Springer. DOI: https://doi.org/10.1007/978-1-4614-7138-7

Jolliffe, I. (2002). Principal component analysis for special types of data (pp. 338-372). Springer.

Jolliffe, I., & Cadima, J. (2016). Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A, (374). https://doi.org/10.1098/rsta.2015.0202 DOI: https://doi.org/10.1098/rsta.2015.0202

Morales, L., Mejía, L., Pulido, J., Flórez, L., Valderrama, F., Hermida, D., & Mahecha, K. (2022). Efectos de la pandemia por Covid-19 en el mercado laboral colombiano. In Covid-19: Consecuencias y desafíos en la economía colombiana (pp. 63-86). Banco de la República de Colombia. DOI: https://doi.org/10.12804/urosario9789587848496.04

Medeiros, M., Vasconcelos, G., Veiga, Á., & Zilberman, E. (2019). Forecasting Inflation in a Data-Rich Environment: The Benefits of Machine Learning Methods. Journal of Business & Economic Statistics, 1-22. https://doi.org/10.1080/07350015.2019.1637745 DOI: https://doi.org/10.1080/07350015.2019.1637745

Mullainathan, S., & Spiess, J. (2017). Machine Learning: An Applied Econometric Approach. Journal of Economic Perspectives, 31(2), 87-106. DOI: https://doi.org/10.1257/jep.31.2.87

Miller, A. J. (2002). “Subset Selection in Regression.” Chapman and Hall/CRC. DOI: https://doi.org/10.1201/9781420035933

Orozco-Gallo, A., Vidal-Alejandro, P., Sanabria-Domínguez, J., & CollazosRodríguez, J. (2021). Indicador coincidente de actividad económica en la recesión pandémica: el caso del Caribe colombiano. Documento sobre economía regional y urbana; No. 298. DOI: https://doi.org/10.32468/dtseru.298

Orozco‐Castañeda, J. M., Sierra‐Suárez, L. P., & Vidal, P. (2024). Labor market forecasting in unprecedented times: A machine learning approach. Bulletin of Economic Research, 76(4), 893-915. DOI: https://doi.org/10.1111/boer.12451

Qin, D., Van Huellen, S., Wang, Q., & Moraitis, T. (2022). Algorithmic modelling of financial conditions for macro predictive purposes: pilot application to usa data. Econometrics, 10(2), 22. DOI: https://doi.org/10.3390/econometrics10020022

Ramos-Veloza, M., Cristiano-Botia, D., & Hernandez-Bejarano, M. (2021). Labor Market Indicator for Colombia. Latin American economic review, 30, 1–32. https://doi.org/10.47872/laer.v30.17 DOI: https://doi.org/10.47872/laer-2021-30-4

Sierra-Suárez, L., Collazos-Rodríguez, J., Sanabria-Domínguez, J., & VidalAlejandro, P. (2017). La construcción de indicadores de la actividad económica: una revisión bibliográfica. Apuntes del CENES, 36(64), 79-107. DOI: https://doi.org/10.19053/01203053.v36.n64.2017.5132

Sierra-Suárez, L. P., Alejandro, P. V., & Cerón, J. (2022). Una mirada regional al impacto económico del Covid-19 desde el indicador mensual de actividad económica (imae) para el Valle del Cauca. In Covid-19 consecuencias y desafíos en la economía colombiana: Una mirada desde las universidades (pp. 289-303). Universidad del Rosario. DOI: https://doi.org/10.12804/urosario9789587848496.15

Swanson, N., & Xiong, W. (2018). Big data analytics in economics: What have we learned so far, and where should we go from here? Canadian Journal of Economics/Revue canadienne d’économique, 51(3), 695-746. https://doi.org/10.1111/caje.12336 DOI: https://doi.org/10.1111/caje.12336

Simionescu, M., & Raišienė, A. (2021). A bridge between sentiment indicators: What does Google Trends tell us about covid-19 pandemic and employment expectations in the EU new member states? Technological Forecasting and Social Change, 173, 121170. DOI: https://doi.org/10.1016/j.techfore.2021.121170

Stock, J., & Watson, M. (2012). Disentangling the Channels of the 2007-2009 Recession (N.o w18094). National Bureau of Economic Research. DOI: https://doi.org/10.3386/w18094

Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society Series B: Statistical Methodology, 58(1), 267-288. DOI: https://doi.org/10.1111/j.2517-6161.1996.tb02080.x

Velasco, J. (2021). Los impactos de la pandemia de la Covid-19 en los mercados laborales de América Latina. Compendium: Cuadernos de Economía y Administración, 8(2), 99-120. DOI: https://doi.org/10.46677/compendium.v8i2.935

Vidal, P., Sierra, L., Sanabria, J., & Collazos, J. (2017). A Monthly Regional Indicator of Economic Activity: An Application for Latin America. Latin American Research Review, 52(4), 589-605. DOI: https://doi.org/10.25222/larr.38

Varian, H. (2014). Big Data: New Tricks for Econometrics. Journal of Economic Perspectives, 28(2), 3-28. https://doi.org/10.1257/jep.28.2.3 DOI: https://doi.org/10.1257/jep.28.2.3

Zmitrowicz, K., & Khan, M. (2014). Beyond the Unemployment Rate: Assessing Canadian and U.S. Labour Markets Since the Great Recession. Bank of Canada Review, 2014 (Spring), 42-53.

Estadísticas de consulta

Descargas

Los datos de descargas todavía no están disponibles.
Métricas de publicación

0




 

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Los autores conservan los derechos de autor y garantizan a la revista el derecho de ser la primera publicación del trabajo al igual que licenciado bajo una Creative Commons Attribution License que permite a otros compartir el trabajo con un reconocimiento de la autoría del trabajo y la publicación inicial en esta revista.