Osvrti

U makroekonomskim istraživanjima često se razvijaju različiti pokazatelji ekonomskog sentimenta te se ispituju njihove kratkoročne prognostičke performanse. Međutim, sam proces generiranja ekonomskog sentimenta, odnosno njegova perzistentnost, još je nedovoljno istražen fenomen. Ovaj rad nudi početni doprinos u tom smislu procjenjujući niz različitih testova jediničnog korijena frakcijske integracije na seriji podataka Indeksa ekonomskog sentimenta (engl. Economic Sentiment Indicator, ESI) za pojedinačne države članice EU.

Ovisno o primijenjenoj metodi i ispitivanoj zemlji, naši rezultati čvrsto ukazuju na karakteristike procesa duge memorije (engl. long memory process), otkrivajući da šokovi u ESI-ju uglavnom iščezavaju vrlo sporo ili se čak manifestiraju trajno. Nadalje, prepoznajemo globalnu krizu iz 2008. i kraj ere Velike umjerenosti (engl. Great Moderation Era) kao potencijalnu prekretnicu u procesu generiranja ekonomskog sentimenta. Niz ekstremnih ekonomskih događaja koji je uslijedio (globalna financijska kriza, dužnička kriza, Brexit i Covid-19 pandemija) izazvao je iznimno visoku makroekonomsku volatilnost, no učinak tih događaja na perzistentnost ESI-ja ipak se pokazao marginalnim. Bez obzira na odabrano podrazdoblje, čini se da su šokovi u sentimentu duboko utisnuti u kolektivnu memoriju ekonomskih aktera, a time i njihovu procjenu trenutnih i budućih makroekonomskih trendova. Osim toga, nalazimo da nove zemlje članice EU-a pokazuju tek neznatno intenzivniju perzistentnost sentimenta u odnosu na stare EU članice. Ovaj rezultat očito proizlazi iz znatno veće makroekonomske volatilnosti i neizvjesnosti koja okružuje prvu navedenu skupinu. Međutim, prilično se sigurno može zaključiti da ekonomski sentiment EU-a kao cjeline pokazuje karakteristike procesa duge memorije.

Otkrivanje visoke perzistentnosti procesa ekonomskog sentimenta potencijalno ima važne implikacije za ekonomsku politiku. Naime, ako ekonomski sentiment pokazuje karakteristike ustrajnosti, nema mjesta eksperimentalnom pristupu kreiranja politike. Nepravilno odabrani instrumenti i nemarno provedene mjere vjerojatno bi rezultirali dugotrajnim pesimizmom, a krajnji ishod mogla bi biti recesija s oporavkom u obliku slova U ili čak slova L. Drugim riječima, zaključuje se da kreatori europske ekonomske politike snose veliku odgovornost pri identificiraju odgovarajućih instrumenta, mjera, ali i odabiru općeg karaktera ekonomske politike.

Sorić, P., Lolić, I. & Matošec, M. (2022) The persistence of economic sentiment: a trip down memory lane. Journal of Economic Interaction and Coordination. Doi: https://doi.org/10.1007/s11403-022-00371-8.

Razumijevanje procesa generiranja inflacije i mogućnost prognoziranja inflatornih tendencija oduvijek su u središtu pozornosti ekonomskih analitičara i istraživača. Međutim, nedavni lom međunarodnih dobavnih lanaca, oporavljanje agregatne potražnje nakon pandemijskih zaključavanja nacionalnih ekonomija diljem svijeta te era jeftinog novca, generirali su visoka inflatorna očekivanja i vratili inflaciju u sam vrh prioriteta akademskih istraživanja. Nakon više desetljeća stabilne inflacije, mnoge zemlje euro područja trenutno bilježe dvoznamenkastu stopu inflacije. Navedene okolnosti idealne su za intenzifikaciju istraživačkih napora u prognoziranju inflacije.

Paralelno s recentnim inflatornim pritiscima, metodološki pristup prognoziranju inflacije sve više inklinira velikim, kompleksnim skupovima podataka i metodama strojnog učenja. Neki od primjera su Ben Taieb et al. (2012), Alaminos et al. (2021) i Medeiros et al. (2021). Upravo u tom pravcu ide i doprinos istraživanja nastalog u okviru EconSent projekta, u kojemu Sorić, Monte, Torra i Claveria generiraju prognostički model inflacije euro područja (19 članica) koristeći regresijske modele zasnovane na Gaussovim procesima te različite setove kernela (Smola i Barlett, 2001; MacKay, 2003; Williams i Rasmussen, 2006).

Osnovni cilj rada je uspostava novog pristupa modeliranju i prognoziranju inflacije u kontekstu neokejnezijanske Phillipsove krivulje. Stoga je procijenjen model u kojem su godišnja (engl. year-on-year) stopa inflacije objašnjava jazom dohotka (dobivenim Hodrick-Prescottovim filtrom na industrijskoj proizvodnji) te inflatornim očekivanjima dobivenima anketom pouzdanja potrošača. Kao dodatne kontrolna varijable razmatraju se i cijena nafte na svjetskom tržištu te tromjesečna kamatna stopa na tržištu novca euro područja.

Model je primijenjen za kratkoročno prognoziranje inflacije (prognostički horizont je jedan mjesec unaprijed) izvan uzorka (engl. out of sample). Prema dobivenim rezultatima, model dobro prepoznaje recentno ubrzavanje inflacije te generira relativno niske prognostičke pogreške. Poseban metodološki doprinos rada je što korišteni pristup generira ne samo vektor prognoza jednim brojem, već i pripadajuće prognostičke intervale pouzdanosti. Naime, navedeno nije moguće u metodama strojnog učenja koje su dosad korištene za prognoziranje inflacije. Na kraju, rad doprinosi literaturi i kroz činjenicu da značajno širi geografski obuhvat zemalja obuhvaćenim istraživanjem. Dosadašnje studije uglavnom su se usredotočile na analizu inflacije agregatnog euro područja, a ovdje se zasebno razmatra svaka od 19 članica istoga.

Rad u nastajanju objavljen je kao IREA Working Paper (Research Institute of Applied Economics, University of Barcelona) na https://ideas.repec.org/p/ira/wpaper/202210.html, a trenutno je u postupku recenzije u međunarodnom časopisu.

Literatura:

Alaminos, D., Salas, M. B., Fernández-Gámez, M. A. 2021. Quantum computing and deep learning methods for GDP growth forecasting. Computational Economics, 37, 388–427. Forthcoming

Ben Taieb, S., Bontempi, G., Atiya, A. F., Sorjamaa, A., 2012. A review and comparison of strategies for multiple-step ahead time series forecasting based on the NN5 forecasting competition. Experts Systems with Applications, 39(8), 1950–1957.

MacKay, D. J. C., 2003. Information theory, inference, and learning algorithms. Cambridge University Press, Cambridge.

Medeiros, M.C., Vasconcelos, G.F.R., Veiga, A., Zilberman, E., 2021. Forecasting inflation in a data-rich environment: The benefits of machine learning methods. Journal of Business & Economic Statistics, 39(1), 98-119.

Smola, A. J., Bartlett, P. L., 2001. Sparse greedy Gaussian process regression. Advances in Neural Information Processing Systems, 13, 619–625.

Williams, C. K. I., Rasmussen, C. E., 2006. Gaussian processes for machine learning. The MIT Press, Cambridge, MA.

Glavna zadaća danas pomno promatranih anketa pouzdanja poduzeća i potrošača (engl. Business and Consumer Surveys, BCS) jest kvantificiranje procjena i očekivanja ekonomskih aktera o općoj ekonomskoj klimi, inflaciji, zaposlenosti, poslovanju te ostalim specifičnostima vlastitog kućanstva ili poduzeća. Psihološki koncepti u ekonomiji posebno dobivaju na značaju nakon globalne krize iz 2008. godine, a BCS se sve češće i uspješnije koriste u svrhu kratkoročnog prognoziranja makroekonomskih varijabli. Ipak, budući da BCS nisu lišene metodoloških nedostataka, njihova rastuća popularnost u proteklom desetljeću rezultirala je, između ostalog, prijedlozima metodoloških modifikacija standardnih europskih sektorskih indikatora pouzdanja. Cilj ovog istraživanja je rezimirati nedavne relevantne ideje o metodološkim doradama BCS indikatora, ponuditi vlastite modifikacije te na kraju empirijski ispitati njihove prediktivne sposobnosti na uzorku 28 europskih zemalja (EU-27 i Ujedinjeno Kraljevstvo) za sektor potrošača, prodaje na malo i prerađivačke industrije.

Minimalnu izmjenu standardnog računanja salda odgovora na pitanja u sklopu BCS-a, kao polazišta za izgradnju indikatora pouzdanja, ponudio je Claveria (2010). Autor predlaže da se izračun salda odgovora ne temelji samo na razlici udjela optimističnih i pesimističnih ispitanika (glede procjene/očekivanja kretanja određene ekonomske varijable), već uzme u obzir i proporcija ispitanika koji ne očekuju nikakvu promjenu. Iako se u istraživanju Claverie (2010) modifikacija pokazala efektnom, empirijska analiza ovog rada nije pokazala znatno unapređenje prognoza sektorskih indikatora uz korištenje iste metodološke izmjene.

Naše istraživanje nastavlja se i na druge radove prethodno spomenutog autora (Claveria et al., 2019; Claveria, 2020) gdje se detaljno razrađuje tzv. indikator neslaganja, koji je inicijalno iznesen od strane Bachmanna et al. (2013) kao svojevrsna mjera ekonomske neizvjesnosti. Cilj naše studije jest dodatno proučiti prediktivna svojstva indikatora neslaganja, uzimajući kao polazišnu točku geometrijski indikator odstupanja Claverie et al. (2020) te pritom koristeći BCS podatke.

Novi indikator temeljen na sentimentu predložila je i Scotti (2016) pod nazivom indeks iznenađenja. Njegova je svrha ukazati na iznenađenja u ekonomskim podacima, procjenjujući kakvo je ex-post ekonomsko pouzdanje aktera u odnosu na kasnije objavljene službene podatke o makroekonomskim varijablama. U našem smo istraživanju kao daljnju alternaciju indeksa iznenađenja predložili da se njegov izračun temelji isključivo na BCS podacima za tri promatrana sektora, i to kao razlika salda odgovora na pitanja o procjenama (tzv. backward-looking pitanja) te pitanja o očekivanjima (tzv. forward-looking pitanja) za istu varijablu.

Nadalje, pri formiranju još jednog indikatora temeljenog na pouzdanju polazimo od istraživanja koja fragmentiraju racionalni sentiment (objašnjen isključivo makroekonomskim fundamentima, odnosno činjenicama) i iracionalni sentiment (optimizam ili pesimizam ekonomskih aktera povrh svakog racionalnog rasuđivanja). Na metodološkom tragu studija Corredora i Santamarie (2015) te Dasa et al. (2020) nastojimo kvantificirati iracionalnu komponentu sentimenta pomoću BCS podataka, u svrhu ispitivanja njenih svojstava u ulozi vodećeg ekonomskog indikatora u tri spomenuta sektora od interesa.

Inspiraciju za formiranje posljednjeg indikatora pronalazimo u konvencionalnom modelu adaptivnih očekivanja (npr. Figlewski i Wachtel, 1981), vodeći se logičnom pretpostavkom da akteri korigiraju svoja očekivanja u sljedećim razdobljima u skladu s razlikom između svojih prošlih očekivanja o ekonomskoj varijabli i realizacije iste varijable. Pritom očekivanja mjerimo pomoću tzv. forward-looking BCS pitanja, a realizaciju percepcijama aktera, odnosno tzv. backward-looking BCS pitanjima.

Prediktivna svojstva svih šest opisanih indikatora ispitana su u okviru heterogenog Grangerovog testa uzročnosti, a u svrhu provjere robusnosti procijenjeni su i panel VAR modeli. Rezultati pokazuju da iracionalni sentiment i adaptivna očekivanja pružaju najširi opseg značajne Grangerove uzročnosti među europskim zemljama.

Literatura:

Bachmann, R., Elstner, S., Sims, E. R.: Uncertainty and Economic Activity: Evidence from Business Survey Data. Am. Econ. J.: Macroecon. 5, 217–249 (2013)

Corredor, P., Santamaria, R. The impact of investor sentiment on stock returns in emerging markets: The case of Central European Markets. East. Eur. Econ. 53, 328-355. (2015)

Claveria, O.: Qualitative survey data on expectations. Is there an alternative to the balance statistic? In: Molnar, A. T. (ed.) Economic Forecasting, pp. 181-189. Nova Science Publishers, New York (2010)

Claveria, O.: Uncertainty indicators based on expectations of business and consumer surveys. Empirica (2020). https://doi.org/10.1007/s10663-020-09479-1.

Claveria, O., Monte, E., Torra, S.: Economic uncertainty: A geometric indicator of discrepancy among experts’ expectations. Soc. Indic. Res. 143, 95-114. (2019)

Das, P., Füss, R., Hanle, B., Russ, I.N.: The cross-over effect of irrational sentiments in housing, commercial property, and stock markets. J. Bank. Finance. 114, 05799. (2020)

Figlewski, S., Wachtel, P.: The formation of inflationary expectations. Rev. Econ. Stat. 63, 1–10. (1981)

Scotti, C.: Surprise and uncertainty indexes: Real-time aggregation of real-activity macro-surprises. J. Monet. Econ. 82, 1-19. (2016)

Početkom globalne financijske krize 2008. godine dodatno je pojačan interes i stavljen fokus znanstvenika na ekonomsku neizvjesnost. Rastuća razina neizvjesnosti utjecala je na pad investicija, poremećaje na financijskim tržištima te obeshrabrila poduzetnike u poduzimanju poduzetničkih aktivnosti. Indikatori neizvjesnosti mogu se mjeriti pomoću makroekonomske volatilnosti kao procjene ukupne neizvjesnosti na makroekonomskoj razini (Cronin, Kelly i Kennedy, 2011; Asgharian, Christiansen i Hou, 2015), zatim pomoću prognostičkih neslaganja između ekonomskih agenata (Bachmann, Elstner i Sims, 2013), te u konačnici, najznačajniji pristup mjerenju neizvjesnosti pomoću medijskih izvještaja (Baker, Bloom i Davis, 2016). Baker, Bloom i Davis (BBD, 2016) iz 10 vodećih novina Sjedinjenih Američkih Država (SAD) izdvajaju članke koji sadrže minimalno jedan pojam iz svake od sljedeće tri kategorije: ekonomija („economic“ ili „economy“), politika (“Congress”, “deficit”, “Federal Reserve”, “legislation”, “regulation”, ili “White House”) i neizvjesnost (“uncertain” ili “uncertainty”). Skaliranje i normalizacija broja mjesečnih medijskih članaka koji ispunjavaju prethodni kriterij omogućuje kvantificiranje indeksa neizvjesnosti ekonomske politike (engl. Economic Policy Uncertainty, EPU). Prednost ovakvog načina izračuna EPU indeksa je primjenjivost na širok opseg svjetskih ekonomija, obuhvat dugog vremenskog perioda te specifičnih ekonomskih sektora. EPU indeks dostupan je za više od 20 zemalja te je dostupna i njegova globalna procjena.

EPU indeks mjeri frekvencije članaka koji sadrže prethodno definiran set riječi organiziran u tri skupine: ekonomija, politika i neizvjesnost. Važno je naglasiti kako izrazito kvalitetan indikator neizvjesnosti treba biti visoko koreliran s uobičajenim procjeniteljima neizvjesnosti, treba biti kontracikličan te biti značajan vodeći indikator ekonomske aktivnosti. EPU indeks primjenjuje se u širokom rasponu makroekonometrijskih analiza (Nilavongse, Rubaszek i Uddin, 2020; Čižmešija, Lolić i Sorić, 2017; Škrabić Perić i Sorić, 2018; Colombo, 2013; Goodell, McGee i McGroarty, 2020). Drugačiji pogled na kvantifikaciju neizvjesnosti prikazuju Castelnuovo i Tran (2017) pomoću ključnih riječi dohvaćenih s Google Trends.

Glavne kritike EPU indeksa odnose se na nepostojanje ljudske intervencije pri kodiranju EPU članaka te zbog toga BBD (2016) provode opsežnu analizu iščitavanjem i kodiranjem 12.000 članaka. Kako bi se izbjegao takav dugotrajan i skup proces, primjenjuju se metode strojnog učenja za mjerenje neizvjesnosti (Tobback et al., 2016; Gavaldon, 2017; Xie, 2020). Ovaj rad stavlja fokus upravo na metode strojnog učenja, odnosno primjenjuju se metode učenja ansamblima (linearne regresije i metoda slučajne šume, LM i RF). Dodatno, doprinosi se postojećoj literaturi proširivanjem skupa riječi u okviru skupine neizvjesnosti (28 sinonima za riječ neizvjesnost), kao i 11 skupina riječi koje se odnose na politiku čime dolazimo do 308 potencijalnih indikatora, pri čemu se u analizi ograničava broj indikatora (prediktora) na 25 kako bi se izbjegao problem prenaučenosti modela. Konstruiramo indikatore neizvjesnosti ekonomske politike dohvaćanjem novinskih članaka SAD-a iz medijske baze Newsbank. U izračun ulazi svaki članak koji sadrži barem jednu ključnu riječ iz sve tri skupine (ekonomija, politika i neizvjesnost). Ključne riječi definirane su u skladu s Baker, Bloom i Davis (2016); Gavaldon (2017); Castelnuovo i Tran (2017), dok set riječi koji se odnosi na neizvjesnost čine sinonimi pojma neizvjesnost preuzeti s www.thesaurus.com. Analizira se vremenski period od siječnja 1985. do ožujka 2020. godine. U analizi se koriste procjenitelji neizvjesnosti: VIX volatilnost (VIX), standardna devijacija S&P500 indeksa (sd500), standardna devijacija prinosa američkih trezorskih obveznica s dospijećem od 10 godina (sd10), te dvije mjere neslaganja iz Ankete potrošača Sveučilišta Michigan: disperzija zadovoljstva potrošača s obzirom na vladinu ekonomsku politiku (govt) te agregatni indikator neslaganja koji mjeri disperziju u odgovorima potrošača na sva buduća pitanja u Anketi o potrošačima (dis). Prethodno navedene varijable dostupne su na mjesečnoj razini. Svi mjesečni pokazatelji su dodatno uprosječeni na kvartalnu razinu. Dodatno, uključeni su kvartalni podaci za tri mjere neslaganja iz Ankete profesionalnih prognostičara (Survey of Professional Forecasters, SPF): neslaganje procjena prognostičara budućeg rasta BDP-a (SPF_GDP), državne potrošnje (SPF_FED) i opće razine cijena (SPF_CPI). Makroekonomski pokazatelji uključeni u analizu su stopa rasta BDP-a i industrijske proizvodnje. Skup podataka se dijeli na dva dijela, na skup podataka za učenje i skup podataka za ispitivanje u omjeru 70:30. Kako bi se poboljšao indikator neizvjesnosti odnosno odredila optimalna kombinacija 308 potencijalnih prediktora, prije svega potrebno je odrediti ciljnu (zavisnu) varijablu. Na mjesečnoj razini ciljne varijable su sd10, sd500, dis, govt i VIX, dok u kvartalnom modelu su dodatne varijable SPF_GDP, SPF_FED i SPF_CPI.

Ne postoji način za mjerenje i definiranje stvarnih vrijednosti neizvjesnosti ekonomske politike, međutim znamo kako dobar indikator neizvjesnosti ekonomske politike treba primjereno reagirati na važne polit-ekonomske događaje, biti visoko koreliran s procjeniteljima neizvjesnosti, biti kontracikličan odnosno negativno koreliran sa stopom rasta industrijske proizvodnje i BDP-a te biti prediktor ekonomske aktivnosti.

Prema redoslijedu prethodno navedenih kriterija kvalitete indikatora neizvjesnosti ekonomske politike prikazat će se rezultati procijenjenih modela. Većina indikatora (izuzimajući SPF_CPI, dis, i govt) značajno odražava važne događaje, primjerice COVID-19 pandemiju, prema čemu možemo zaključiti kako naši indikatori dobro oponašaju neizvjesnost. Nadalje, LM procjene prikazuju snažnu pozitivnu korelaciju s ciljnim varijablama te premašuju originalni EPU indeks, izuzimajući varijable dis i govt. S druge strane, korelacije RF procjena s ciljnim varijablama su u većini slučajeva neznačajne. Kako bismo ispitali kontracikličnost naših indikatora promatramo korelacije RF i LM procjena s industrijskom proizvodnjom. Originalan EPU indeks nije značajno koreliran s industrijskom proizvodnjom, dok naše procjene LM i RF modela prikazuju značajne korelacije, izuzimajući varijable dis i govt. Prema tome, možemo zaključiti kako metode ansambla imaju značajan potencijal pri mjerenju i definiranju neizvjesnosti ekonomske politike. Analizu prediktivne sposobnosti indikatora neizvjesnosti započinjemo procjenama pomoću jednostavne linearne regresije s industrijskom proizvodnjom kao zavisnom te indikatorima neizvjesnosti s vremenskim pomakom (h=0,1,2,…,12) kao nezavisnim varijablama. Uspoređujemo korijene srednjih kvadratnih pogrešaka (RMSE) LM i RF procjena s originalnim EPU. LM procjene uz zavisne varijable dis, govt i VIX pokazuju snažniju prediktivnu sposobnost u odnosu na EPU. Procjene sd10 i sd500 varijabli u oba modela (LM i RF) slične su originalnom EPU. Zaključujemo kako LM procjene neizvjesnosti imaju snažniju prediktivnu sposobnost i kontracikličnost u odnosu na originalan EPU indeks. Dodatno, LM procjene neizvjesnosti prema prethodnim kriterijima premašuju RF procjene.

Nadalje, prethodne kriterije analiziramo u kontekstu kvartalnih podataka. Postoji snažnija korelacija LM procjena u odnosu na originalan EPU i RF procjene s ciljnim varijablama, osobito u slučaju indikatora neslaganja (SPF_GDP, SPF_FED, SPF_CPI, govt i dis). Međutim, na kvartalnoj razini originalan EPU indeks se pokazuje vrlo robusnim. Nadalje, ispitujemo kontracikličnost promatranjem korelacija stope rasta BDP-a i procjena LM i RF modela. Korelacije su u oba modela slabe i neznačajne, dok korelacija s originalnim EPU indeksom iznosi -0.44 i značajna je. Prediktivna sposobnost našeg indikatora neizvjesnosti je slabija u odnosu na originalan EPU, ako uzimamo u obzir kvartalne podatke.

Zaključujemo kako na mjesečnoj razini metode ansambla premašuju originalan EPU indeks te sugeriramo navedeni pristup u slučaju visoko frekventnih podataka, dok originalan EPU dominira u slučaju kvartalnih podataka. Također, zaključujemo kako LM pristup prednjači nad RF. Upravo zbog toga, istražujemo kombinacije ključnih riječi za konstrukciju indikatora neizvjesnosti ekonomske politike sukladno LM procjenama te zaključujemo kako proširivanje seta riječi iz kategorije neizvjesnosti značajno doprinosi poboljšanju indikatora neizvjesnosti. Navedeno zaključujemo sukladno tome što pri rangiranju ključnih riječi iz skupine neizvjesnosti sama riječ neizvjesnost i njene izvedenice pojavljuju se neznatan broj puta, dok sinonimi kojima proširujemo set riječi iz kategorije neizvjesnosti se pojavljuju u gotovo svim visoko rangiranim kombinacijama ključnih riječi.

Literatura:

Asgharian, H., Christiansesn, C. and Hou, A.J. (2015). Effects of macroeconomic uncertainty on the stock and bond markets. Finance Research Letters, 13, 10-16.

Bachmann, R., Elstner, S. and Sims, E.R. (2013). Uncertainty and Economic Activity: Evidence from Business Survey Data. American Economic Journal: Macroeconomics, 5(2), 217-249.

Baker, S. R., Bloom, N. and Davis, S. J. (2016). Measuring Economic Policy Uncertainty. The Quarterly Journal of Economics, 131(4), 1593–1636.

Castelnuovo, E. and Tran, T. D. (2016). Google It Up! A Google Trends-based Uncertainty index for the United States and Australia. Economics Letters, 161, 149–153.

Colombo, V. (2013). Economic policy uncertainty in the US: Does it matter for the Euro area?. Economics Letters, 121, 39–42.

Cronin, D., Kelly, R. and Kennedy, B. (2011). Money growth, uncertainty and macroeconomic activity: a multivariate GARCH analysis. Empirica, 38, 155-167.

Čižmešija, M., Lolić, I. and Sorić, P. (2017). Economic policy uncertainty index and economic activity: what causes what?. Croatian Operational Research Review, 8, 563–575.

Gavaldon, A.A. (2017). Developing news-based Economic Policy Uncertainty index with unsupervised machine learning. Economics Letters, 158, 47-50.

Goodell, J. W., McGee, R. J. and McGroarty, F. (2020). Election uncertainty, economic policy uncertainty and financial market uncertainty: A prediction market analysis. Journal of Banking and Finance, 110, 105684.

Nilavongse, R., Rubaszek, M. and Uddin, G. S. (2020). Economic policy uncertainty shocks, economic activity, and exchange rate adjustments. Economics Letters, 186, 108765.

Škrabić Perić, B. and Sorić, P. (2018). A note on the „Economic policy uncertainty index". Social indicators research, 137(2), 505-526.

Tobback, E., Naudts, H., Daelemans, W., de Fortuny, E.J. and Martens, D. (2016). Belgian economic policy uncertainty index: Improvement through text mining. International Journal of Forecasting, 34(2), 355-365.

Xie, F. (2020). Wasserstein Index Generation Model: Automatic generation of time-series index with application to Economic Policy Uncertainty. Economics Letters, 186, 108874.

Institucionalna izvješća Europske komisije (2016, 2017: 52-54) primjećuju kako se veza između sentimenta ekonomskih subjekata i stvarnih makroekonomskih kretanja značajno promijenila kroz vrijeme. Konkretno, ističe se kako je navedena veza sekularno oslabila na tzv. novu normalnu razinu. Tu tzv. hipotezu nove umjerenosti (HNM) kasnije su detaljno empirijski testirali i Gayer i Marc (2018) i Bruno et al. (2019), te pronašli dokaze u korist HNM. U širem kontekstu, takvi rezultati povezani su s konceptom Lucasove (1976) kritike, po kojoj bi parametri dobiveni ekonometrijskim modelima trebali biti vremenski varijabilni uslijed promjena u preferencijama i/ili sentimentu agenata, zaokretima ekonomskih politika ili strukturnim promjenama u ekonomskom sustavu. Treba ovdje istaknuti kako se gore ilustrirani fenomen slabljenja veze između hard i soft makroekonomskih podataka nije dogodio tek kratkoročno nakon globalne financijske krize, već se čini kako se radi o dugoročnom, sekularnom fenomenu.

Rad Sorić, Čižmešija i Matošec (2020) daje doprinos literaturi o HNM fokusirajući se na europske podatke iz anketa pouzdanja potrošača u pojedinačnim članicama Europske unije (EU), kao i na agregatnim podacima na razini EU i euro područja (EA). Koristeći metodološki okvir za konstruiranje tzv. normalnih stopa rasta ekonomije (Gayer i Marc, 2018; Bruno et al., 2019), Sorić, Čižmešija i Matošec (2020) provode prvu analizu validnosti HNM u kontekstu sektora potrošača. Autori primjenjuju tri različite ekonometrijske metode. Prve dvije metode pretpostavljaju da se HNM realizira postupnom korekcijom (engl. smooth transition), a to su: model prostora stanja (engl. state space model) s vremenski varijabilnim parametrima (Durbin i Koopman, 2012) te regresijski model procijenjen metodom pomičnih prozora (engl. rolling window regression). Treći model je Bai-Perronov (1998; 2003) test strukturnog prekida, koji se zasniva na fundamentalno drugačijoj pretpostavci o nagloj promjeni odnosa između anketnog sentimenta i stvarnih makroekonomskih rezultata.

Dobiveni rezultati potvrđuju HNM na agregatnoj razini (EU i EA), sugerirajući da se intenzitet odnosa između hard i soft makroekonomskih podataka doista dugoročno smanjuje kroz vrijeme. S druge strane, analiza na razini pojedinačnih država članica ukazuje na relativno heterogene rezultate. Otprilike polovica individualnih članica EU pokazuje slične tendencije (potvrđuje HNM), dok, primjerice, gospodarstva koja su bila značajno pogođena globalnom financijskom krizom i europskom dužničkom krizom (Portugal, Italija, Grčka, Hrvatska) nisu zabilježila dugoročno smanjenje tzv. normalnih stopa rasta njihovih ekonomija (mjereno percepcijama potrošača). Autori sugeriraju da bi takvi rezultati mogli biti posljedica tzv. Ere velike umjerenosti (engl. Great Moderation Era) (McConnell i Perez-Quiros, 2000; Stock i Watson, 2003). Naime, preliminarne analize autora pokazuju da je smanjenje makroekonomske volatilnosti značajno korelirano sa smanjenjem normalnih stopa rasta u HNM kontekstu. Autori takve rezultate dovode u vezu s osnovnim postulatima psihofizike (Weber, 2004), koji sugeriraju da smanjenje varijabilnosti fizičkih podražaja (npr. svjetlo, toplina) dovodi do slabije ljudske percepcije istih podražaja.

Literatura:

Bai, J., & Perron, P. (1998). Estimating and testing linear models with multiple structural changes. Econometrica, 66(1), 47–78.

Bai, J., & Perron, P. (2003). Computation and analysis of multiple structural change models. Journal of Applied Econometrics, 18(1), 1–22.

Bruno, G., Crosilla, L., & Margani, P. (2019). Inspecting the relationship between confidence and industrial production: Evidence on Italian survey data. Journal of Business Cycle Research, 15(1), 1–24.

Durbin, J., & Koopman, S. J. (2012). Time series analysis by state space methods. Oxford: Oxford University Press.

European Commission. (2016). ‘New normal’? The impact of the financial crisis on business and consumer survey data. European Business Cycle Indicators, 3rd quarter 2016.

European Commission. (2017). European economic forecast. Winter 2017.

Gayer, C., & Marc, B. (2018). A “new modesty”? Level shifts in survey data and the decreasing trend of “normal” growth. European economy discussion paper. No. 083, July 2018.

McConnell, M. M., & Perez-Quiros, G. (2000). Output fluctuations in the United States: What has changed since the early 1980s? American Economic Review, 90, 1464–1476.

Lucas, R. E., Jr. (1976). Econometric policy evaluation: A critique. In K. Brunner & A. Meltzer (Eds.), The Phillips curve and the labor market, Carnegie-Rochester conferences in public policy, Vol. 1 (A supplemental series to the Journal of Monetary Economics, pp. 19–46). Amsterdam: North Holland.

Sorić, P., Čižmešija, M. i Matošec, M. (2020) EU Consumer Confidence and the New Modesty Hypothesis, Social Indicators Research, 152: 899-921.

Stock, J. H., & Watson, M. W. (2003). Has the business cycle changed and why? In M. Mark Gertler & K. Rogoff (Eds.), NBER macroeconomics annual 2002 (pp. 159–218). Cambridge: MIT Press.

Weber, E. U. (2004). Perception matters: Psychophysics for economists. In I. Brocas & J. D. Carillo (Eds.), The Psychology of economic decisions, Vol. 2: Reasons and choices (pp. 163–178). Oxford: Oxford University Press.

U ekonomskim istraživanjima sve se više i učestalije primjenjuju metode temeljene na podacima (engl. data-driven methods). Jedna od najraznolikijih i najupotrebljivijih metoda u tom smislu je genetsko programiranje. Ono zapravo spada u širu klasu algoritama koji se uobičajeno nazivaju evolucijsko računanje (engl. evolutionary computation).

Radi se o skupu postupaka koji oponašaju prirodni evolucijski proces na računalu. Koristeći darvinijanske principe u evolucijskom procesu, inicijalna populacija kompjutorskih programa se iterativno razvija i mijenja kroz generacije ne bi li se našao jednoznačan skup analitičkih funkcija koje najbolje opisuju analizirane podatke.

Osnovna prednost genetskog programiranja je to što ne pretpostavlja neki a priori model, već dozvoljava varijaciju strukture modela tijekom evolucijskog procesa. Dakle, genetsko programiranje se temelji na principima biološke evolucije (mutacija, rekombinacija, selekcija) a sve s ciljem pronalaska optimalnog rješenja zadanog problema (Đonđivić i Kokan, 2008). Zahvaljujući tome, genetsko programiranje je vrlo prikladno za pronalaženje obrazaca u velikim skupovima podataka, pa se primjenjuje u čitavom nizu područja i u prirodnim i u društvenim znanostima (vidjeti npr. Alexandridis et al., 2017; Álvarez-Díaz et al., 2009; Pan et al., 2019).

Metodu genetskog programiranja inicijalno je razradio Koza (1992). Nedugo potom, Koza (1995) inicira jednu od prvih primjena genetskog programiranja u ekonomiji, i to analizirajući nelinearne veze između bruto društvenog proizvoda i niza monetarnih varijabli.

U recentnom razdoblju primjetna je proliferacija različitih primjena genetskog programiranja u financijama (npr. Acosta-González i Fernández, 2014; Vasilakis et al., 2013; Wei, 2013). S druge strane, aplikativne studije tog tipa značajno su rjeđe u području makroekonomije (vidjeti npr. Chen i Kuo, 2002; Chen et al., 2010; Kronberger et al., 2011). U makroekonomskim analizama genetsko programiranje se pokazalo posebno vrijednim kao metodološka podloga za prognostičke modele. Tako primjerice Duda i Szydło (2011) primjenom genetskog programiranja razvijaju čitav skup modela za prognoziranje poljskog BDP-a. Yang et al. (2015) koriste sličnu metodologiju za formiranje predikcija proizvodnje nafte u SAD-u, i to koristeći podatke za zasebne države članice. Marković et al. (2017) pak primjenjuju genetsko programiranje za prognoziranje BDP-a u 28 zemalja članica Europske unije.

Posebno vrijedi istaknuti rad Claveria et al. (2018), koji metodama genetskog programiranja razvijaju vodeće pokazatelje agregatne ekonomske aktivnosti u najrazvijenijim zemljama članicama Europske unije. Pritom se pokazuje da predloženi vodeći pokazatelji generiraju značajno preciznije prognoze od standardnih modela analize vremenskih nizova. Sorić et al. (2019), nastao unutar projekta HRZZ-IP-2018-01-4189, nadovezuju se na analizu Claverije et al. (2018), te metodom genetskog programiranja generiraju optimalne kombinacije niza varijabli iz anketa pouzdanja potrošača. Na taj način kvantificiraju varijablu očekivane nezaposlenosti, za koju se pokazuje da generira vrlo precizne prognoze nezaposlenosti u euro području. Autori također ekonometrijski ekstrahiraju pozitivne i negativne vijesti vezane uz niz makroekonomskih varijabli, te analiziraju njihovu vezu s predloženim pokazateljem očekivane nezaposlenosti. Analiza se zasebno provodi za 16 različitih socio-demografskih skupina potrošača. U većini provedenih testova pokazalo se da potrošači znatno jače reagiraju na negativne nego na pozitivne vijesti.

Literatura:

Acosta-González, E. and Fernández, F. (2014). Forecasting financial failure of firms via genetic algorithms. Computational Economics, 43(2): 133–157.

Alexandridis, A. K., Kampouridis, M. and Cramer, S. (2017). A comparison of wavelet networks and genetic programming in the context of temperature derivatives. International Journal of Forecasting, 33(1): 21–47.

Álvarez-Díaz, M., Mateu-Sbert, J. and Rosselló-Nadal, J. (2009). Forecasting tourist arrivals to Balearic Islands using genetic programming. International Journal of Computational Economics and Econometrics, 1(1): 64–75.

Chen, X., Pang, Y. and Zheng, G. (2010). Macroeconomic forecasting using GP based vector error correction model. In J. Wang (Ed.), Business Intelligence in Economic Forecasting: Technologies and Techniques (pp. 1–15). Hershey, PA: IGI Global.

Chen, S. H. and Kuo, T. W. (2002). Evolutionary computation in economics and finance: A bibliography. In S. H. Chen (Ed.), Evolutionary Computation in Economics and Finance (pp. 419–455). Heidelberg: Physica-Verlag.

Claveria, O., Monte, E. and Torra, S. (2018). A data-driven approach to construct survey-based indicators by means of evolutionary algorithms. Social Indicators Research, 135(1): 1–14.

Duda, J. and Szydło, S. (2011). Collective intelligence of genetic programming for macroeconomic forecasting. In P. Jędrzejowicz et al. (Eds.), Computational Collective Intelligence. Technologies and Applications (pp. 445–454). Berlin: Springer.

Đonđivić, L. i Kokan, I. (2008) Evolucijski algoritmi – Demonstracija rada evolucijskih algoritama: Genetsko programiranje, projekt na Fakultetu Elektrotehnike i računarstva Sveučilišta u Zagrebu (voditelj projekta doc. dr. sc. Marin Golub), dostupno na: http://www.zemris.fer.hr/~golub/ga/studenti/projekt2007/gp/PR_Dondivic_Kokan.pdf

Koza, J. R. (1992). Genetic programming: On the programming of computers by means of natural selection. Cambridge, MA: MIT Press.

Koza, J. R. (1995). Genetic Programming for econometric modeling. In S. Goonatilaje and P. Treleaven (Eds.), Intelligent Systems for Finance and Business (pp. 251–269). London: John Wiley and Sons.

Kronberger, G., Fink, S., Kommenda, M. and Affenzeller, M. (2011). Macro-economic time series modeling and interaction networks. In C. Di Chio et al. (Eds.), EvoApplications, Part II (pp. 101–110). LNCS 6625.

Marković, D., Petković, D., Nikolić, V., Milovančević, M. and Petković, B. (2017). Soft computing prediction of economic growth based in science and technology factors. Physica A, 465: 217–220.

Pan, X., Uddin, M. K., Ai, B., Pan, X. and Saima, U. (2019). Influential factors of carbon emissions intensity in OECD countries: Evidence from symbolic regression. Journal of Cleaner Production, 220: 1194–1201.

Sorić, P., Lolić, I., Claveria, O., Monte, E., and Torra, S. (2019). Unemployment expectations: A socio-demographic analysis of the effect of news. Labour Economics, 60: 64-74.

Vasilakis, G. A., Theofilatos, K. A., Georgopoulos, E. F., Karathanasopoulos, A. and Likothanassis, S. D. (2013). A genetic programming approach for EUR/USD exchange rate forecasting and trading. Computational Economics, 42(4): 415–431.

Wei, L. Y. (2013). A hybrid model based on ANFIS and adaptive expectation genetic algorithm to forecast TAIEX. Economic Modelling, 33: 893–899.

Yang, G., Li, X., Wang, J., Lian, L. and Ma, T. (2015). Modeling oil production based on symbolic regression. Energy Policy, 82(1): 48–61.

Utjecaj makroekonomskih rezultata na ishode izbora prvi je puta empirijski primijećen tek u radu Kramera (1971). Nakon toga, broj empirijskih studija o konceptu tzv. ekonomskog glasanja eksponencijalno se povećavao.

Imajući u vidu zemlje središnje i istočne Europe (engl. Central and Eastern Europe, CEE), valja primijetiti kako pojedine studije nalaze dokaze u korist hipoteze ekonomskog glasanja (Przeworski, 1996; Duch, 2001; Anderson, Lewis-Beck i Stegmaier, 2003, Roberts 2008), dok ju određeni radovi i opovrgavaju (Pacek, 1994; Fidrmuc, 2000; Tucker, 2006). Rezultati navedenih studija uvelike su zavisni od odabranih zemalja, vremenskog okvira analize te primijenjene metodologije istraživanja. Ustanovljeno je da su za (ne)funkcioniranje veze između ekonomskih rezultata i političkih preferencija birača posebno bitni mehanizmi odgovornosti za polit-ekonomske ishode (engl. accountability mechanisms) te oblik povezanosti između stranaka i glasača. U političkim sustavima koje karakterizira klijentelizam i snažna polarizacija, mehanizmi odgovornosti za ishode rijetko slijede iz glasačke evaluacije učinkovitosti ekonomskih, socijalnih i drugih javnih politika (Kitschelt i Wilkinson, 2007). Naprotiv, za očekivati je da će birači u takvim sustavima valorizirati stranke isključivo na temelju toga koliko snažno reflektiraju njihove vlastite ideološke pozicije. Održavanje vlastite (ili ideološki bliske) stranke na vlasti često je važnije od ekonomskih rezultata vladajućih. Navedeno nepostojanje (ili slabost) veze između makroekonomskih rezultata i rezultata parlamentarnih izbora u CEE zemljama posebice je naglašeno u zemljama s izraženim ideološkim, religijskim ili etničkim sukobima.

Intenzitet i modalitet upravo opisanih mehanizama ovisi također i o informacijskom skupu koji je dostupan glasačima, kao i o njihovoj razini sofisticiranosti i ekonomske pismenosti jer je ista potrebna za pravilno procesuiranje i interpretiranje polit-ekonomskih informacija (Luskin, 1990; Burke i Manz, 2014). Ovdje na snagu stupa utjecaj medija (novina, TV-a, interneta) kao prenositelja informacija. Iako istraživanja sugeriraju da medijske poruke značajno utječu na glasačku evaluaciju ekonomskih ishoda i općenito na političke preferencije glasača, navedeni učinak izrazito ovisi o konzistentnosti medijskih poruka i eventualnoj saturaciji istima (Boomgarten, van Spanje, Vliegenthart i De Vrees 2011; De Vrees i Boomgarten, 2006; Banducci i Karp, 2003; Quiring i Weber, 2012). Načelni zaključak u postojećoj literaturi je da medijski sadržaj zaista u određenom intenzitetu oblikuje ekonomski sentiment (Hollanders i Vliegenthart, 2011; Casey i Owen, 2013; Svensson et al., 2017; Kalogeropoulos, 2018), a poneka istraživanja čak pronalaze i izravnu vezu između medija i ekonomske aktivnosti (Baker, Bloom i Davis, 2016; He, 2017). Međutim, jednako kao i u slučaju sprege između rezultata izbora i ekonomskih ishoda, utjecaj pozitivnih ili negativnih vijesti često je uvjetovan političkim identitetom građana (Wlezien, Franklin i Twiggs, 1997; Tilly i Hobolt, 2011). Što je javnost više politički polarizirana, to je manje vjerojatno da će biti osjetljiva na medijsko izvještavanje o ekonomiji.

Sumarno, za očekivati je da će građani pri ekonomskoj evaluaciji političara na vlasti biti manje osjetljivi na ekonomske vijesti, a više pod utjecajem vlastitog političkog opredjeljenja ili ideološke pripadnosti.

Ekonomski sentiment u širem ili pouzdanje potrošača u užem smislu opće su prihvaćeni kao prethodeći pokazatelji (engl. leading indicators) ekonomske aktivnosti (Horvath, 2012; Osterholm, 2014; Utaka, 2014; Sorić, 2018; itd.). Međutim, postavlja se pitanje je li ekonomski sentiment zaseban transmisijski kanal od ekonomskih subjekata ka agregatnoj aktivnosti, ili pak jednostavno reflektira makroekonomsku sliku zemlje.

U tom kontekstu, mnoga istraživanja pokazuju da se prediktivna sposobnost ekonomskog sentimenta značajno smanji kad se u analizirani ekonometrijski model uključe druge fundamentalne varijable (Can i Yunculer, 2018; Dées i Brinca, 2011; Garrett et al., 2005; Howrey, 2001; Batchelor i Dua, 1998).

Za kraj valja postaviti pitanje gdje se u tom kolopletu različitih uzročno-posljedičnih veza nalazi Hrvatska. Domaća politička scena strukturirana je oko političkih podjela proizašlih iz događanja u Drugom svjetskom ratu i Domovinskom ratu, te suprotstavljenih stavova o ulozi Crkve i religije u javnom životu (Henjak, Zakošek i Čular, 2013; Jou 2007; Mustapić i Balabanić, 2018). Iz navedenoga je za očekivati da hrvatski birači vrednuju stranke na temelju toga koliko snažno reflektiraju njihove vlastite ideološke pozicije, a ne na temelju toga koliko su efikasni u provođenju ekonomske politike (Henjak, 2007). Za očekivati je također da je značajnom dijelu hrvatskih birača važnije tko upravlja Vladom, a ne kako i koliko je Vlada efikasna u provođenju različitih javnih politika.

Dosadašnja empirijska istraživanja stoga uglavnom nisu uspjela detektirati značajnu reakciju birača na promjene makroekonomskih pokazatelja (Henjak, Zakošek i Čular, 2013). Ostaje za vidjeti hoće li analiza provedena u sklopu projekta HRZZ-IP-2018-01-4189 rezultirati drugačijim zaključcima. Jednako tako, s obzirom da postojeća hrvatska istraživanja ovog tipa nisu uključivala konzistentne podatke o medijskim izvještajima i pouzdanju potrošača, bit će zanimljivo vidjeti i kakvom će se pokazati uloga tih dvaju čimbenika.

Literatura:

Anderson, L., Lewis-Beck, M.S., & Stegmaier, M. (2003) Post-socialist democratization: A comparative political economy model of the vote for Hungary and Nicaragua. Electoral Studies, 22, 469-484.

Baker, S. R., Bloom, N. and Davis, S.J. (2016) Measuring Economic Policy Uncertainty, The Quarterly Journal of Economics, 131(4): 1593-1636.

Banducci, S., and Karp, J. (2003) How Elections Change the Way Citizens View the Political System: Campaigns, Media Effects and Electoral Outcomes in Comparative Perspective. British Journal of Political Science, 33(3): 443-467.

Batchelor, R. and Dua, P. (1998) Improving macro-economic forecasts - The role of consumer confidence, International Journal of Forecasting, 14(1), pp. 71-81.

Boomgaarden, H., van Spanje, J., Vliegenthart, R., and de Vreese., C. H. (2011) Covering the crisis: Media coverage of the economic crisis and citizens’ economic expectations, Acta Politica, 46(4): 353–379.

Burke, M.A. and Manz, M. (2014) Economic literacy and inflation experiments: evidence from a laboratory experiment, Journal of Money, Credit and Banking, 46(7): 1421-1456.

Can, H.G.K. and Yunculer, C. (2018) The Explanatory Power and the Forecast Performance of Consumer Confidence Indices for Private Consumption Growth in Turkey, Emerging Markets Finance and Trade, 54(9): 2136-2152.

Casey, G.P. and Owen, A.L. (2013) Good News, Bad News, and Consumer Confidence, Social Science Quarterly, 94(1): 292-315.

Dées, S. and Brinca, P.S. (2011) Consumer confidence as a predictor of consumption spending: evidence for the United States and the Euro Area, ECB-Working paper Series, No. 1349.

de Vreese, C. and Boomgaarden, H. (2006) Media effects on public opinion about the enlargement of the European Union. Journal of Common Market Studies, 44(2): 419–436.

Duch, R.M. (2001) A developmental model of heterogeneous economic voting in new democracies, American Political Science Review, 95: 895-910.

Fidrmuc, J. (2000) Economics of voting in post-communist countries. Electoral Studies, 19: 199-217.

He, Z.C. (2017) The Contractionary Effect of Bad Economic News, Journal of Money Credit and Banking, 49(6): 1339-1384.

Henjak, A. (2007) Values or Interests: Economic Determinants of Voting Behavior in the 2007 Croatian Parliamentary Elections, Politička Misao, 44 (5): 71–90.

Henjak, A., Zakošek, N., and Čular, G. (2013) Croatia. In: Handbook of Political Change in Eastern Europe, edited by Berglund, S., Erman, J., Krause, D., and Knutsen, T., 443–80. Cheltenham: Edward Elgar Publishing.

Hollanders, D. and Vliegenthart, R. (2011) The influence of negative newspaper coverage on consumer confidence: The Dutch case, Journal of Economic Psychology, 32(2): 367-373.

Horvath, R. (2012) Do Confidence Indicators Help Predict Economic Activity? The Case of the Czech Republic, Finance a Uver_Czech Journal of Economics and Finance, 62(5): 398-412.

Howrey, E.P. (2001) The Predictive Power of the Index of Consumer Sentiment, Brookings Papers on Economic Activity, 2001(1): 175-207.

Jou, W. (2010) Continuities and changes in left–right orientations in new democracies: The cases of Croatia and Slovenia, Communist and Post-Communist Studies, 43(1): 97–113.

Kalogeropoulos, A. (2018) Economic News and Personal Economic Expectations, Mass Communication and Society, 21(2): 248-265.

Kitschelt, H., and Wilkinson, S. (2007) Citizen-Politician Linkages: An Introduction. In: Patrons, Clients, and Policies: Patterns of Democratic Accountability and Political Competition, edited by Kitschelt, H. and Wilkinson, S. 1–49. Cambridge: Cambridge University Press.

Kramer, G.H. (1971) Short-term fluctuations in U.S. voting behavior, 1896-1964. American Political Science Review, 65: 131-43.

Luskin, R. (1990) Explaining Political Sophistication, Political Behavior, 12(4): 331-361.

Mustapić, M. and Balabanić, I. (2018) Mjesto sjećanja" ili izborna kampanja? Analiza sadržaja hrvatskih medija prije parlamentarnih izbora 2015, Društvena istraživanja 27(3): 431-451.

Osterholm, P. (2014) Survey data and short-term forecasts of Swedish GDP growth, Applied Economics Letters, 21(2): 135-139.

Pacek, A.C. (1994) Macroeconomic conditions and electoral policies in East Central Europe, American Journal of Political Science, 38: 723-44.

Przeworski, A. (1996) Public support for economic reforms in Poland, Comparative Political Studies, 29: 520-44.

Quiring, O. and Weber, M. (2012) Between Usefulness and Legitimacy: Media Coverage of Governmental Intervention during the Financial Crisis and Selected Effects, The International Journal of Press/Politics, 17(3): 294–315.

Roberts, A. (2008). Hyperaccountability: Economic voting in Central and Eastern Europe, Electoral Studies, 27(3): 533–546.

Sorić, P. (2018) Consumer confidence as a GDP determinant in New EU Member States: a view from a time-varying perspective, Empirica, 45(2): 261-282.

Svensson, H.M., Albaek, E., van Dalen, A., and de Vreese, C.H. (2017) The impact of ambiguous economic news on uncertainty and consumer confidence, European Journal of Communication, 32(2): 85-99.

Tilley, J. and Hobolt, S. (2011) Is the Government to Blame? An Experimental Test of How Partisanship Shapes Perceptions of Performance and Responsibility, The Journal of Politics 73(2): 316-330.

Tucker, J.A. (2006) Regional economic voting. Russia, Poland, Hungary, Slovakia and the Czech Republic, 1990-1999, Cambridge: Cambridge University Press.

Utaka, A. (2014) Consumer Confidence and the Japanese Economy: Comparison of Pre- and Post-Bubble Period, Economics Bulletin, 34(2): 1165-1173.

Wlezien, C., Franklin, M., and Twiggs, D. (1997) Economic Perceptions and Vote Choice: Disentangling the Endogeneity, Political Behavior, 19(1): 7–17.